混合像元线性解混在高光谱图像的研究应用中十分重要，然而，由于高光谱数据量庞大冗杂，导致一些算法的解混结果耗时过长或结果误差较大等问题的存在。因此，国内外许多学者对该问题展开研究，并提出了许多可行的并行优化方法，提高了算法的执行效率。73278

美国康涅狄格大学的Mahmoud ElMaghrbay, Reda Ammar等人对N-FINDR端元提取算法进行改进，结合高光谱图像精简技术（HIREE），通过使用CUDA 4。0并行实现N-FINDR算法，使传统的N-FINDR算法的总体效率可以提升了8倍[6]。

针对上述科学问题，本文分析了高光谱遥感的成像机理与线性光谱混合模型，在研究并行计算发展现状、GPGPU异构编程模型和基于CUDA架构的并行优化模式的基础上，结合GPU/CUDA架构，针对传统高光谱混合像元分解和稀疏性高光谱混合像元分解进行了并行优化处理。

王晓飞，张钧萍等人提出了一种基于支持向量数据描述的高光谱图像混合像元分解算法。首先他们将高光谱像元数据分成了类内和类外两部分数据,而混合像元就存在于两类数据的交接的区域，然后再对这些混合像素点进行分解处理，并在实验中对实际环境中的高光谱图像数据进行了处理，提高了处理未知端元数据的精度[8]。论文网

此外，文献[9]中实现了纯像元指数（PPI）端元提取算法基于GPU的并行优化，取得了很好地加速效果并有效提升了精度；文献[10]在GPU上实现了稀疏性约束的非负矩阵的混合像元分解的并行优化，大幅提高了计算效率。

众多学者对光谱解混过程进行了大量的优化工作，但由于遥感器分辨率越来越高，高光谱图像的数据量正在以几何级别的速度增加。虽然能依靠GPU来提高算法的执行效率，但依旧难以克服单机的存储难题。

参 考 文 献

[1] 杜培军，谭坤，夏俊士。 高光谱遥感影像分类与支持向量机应用研究[M]。北京:科学出版社，2012。

[2] 李永龙。 高光谱遥感图像解混的分布式并行优化研究[D]。南京：南京理工大学，2016。

[3] 王启聪。 高光谱图像分类的GPU并行优化研究[D]。 南京：南京理工大学，2015。

[4] 徐速。高光谱图像分类研究[D]。重庆邮电大学，2011。

[5] 童庆禧, 张兵, 郑兰芬。高光谱遥感——原理、技术与应用[M]。北京：高等教育出版社，2006。

[6] Mahmoud ElMaghrbay, Reda Ammar, Sanguthevar Rajasekaran。 Fast GPU Algorithms for Endmember Extraction from Hyperspectral Images[J]。 2012 IEEE Symposium on Computers and Communications (ISCC), Cappadocia , 2012: 12894601。

[7] 叶舜。 基于GPU的高光谱图像混合像元分解并行优化研究[D]。 南京：南京理工大学, 2014。

[8] 王晓飞，张钧萍，张晔。高光谱图像混合像元分解算法[D]。哈尔滨工业大学，黑龙江大学，2010。

[9] Sanchez  S, Plaza A。GPU implementation of the pixel purity index algorithm for hyperspectral image analysis[C]//Cluster Computing Workshops and  Posters(CLUSTER WORKSHOPS),2010 IEEE International Conference on。 IEEE, 2010:1-7。

[10] Wu  Z, Ye S, Wei J, et al。 Parallel optimization of hyperspectral unmixing based on sparsity constrained nonnegative matrix factorization [C]//Geoscience and Remote Sensing Symposium(IGRASS),2013 IEEE International。IEEE,2013:1438-1441。

[11] 杨国鹏，余旭初，冯伍法等。高光谱遥感技术的发展与应用现状[D]。郑州:信息工程大学，2008。 

[12] 陆嘉恒。Hadoop实战[M]。北京：机械工业出版社，2015：6-28。

[13] 王晓华。MapReduce 2。0——源码分析与编程实战[M]。北京：人民邮电出版社，2014。