一種高光譜目標實時探測的gpu并行處理方法
【技術領域】
[0001] 本發(fā)明具體涉及一種結合基于遞歸分析思想的高光譜實時探測算法在圖形處理 器（GPUs)上硬件實現(xiàn)的高光譜目標實時探測的GPU并行處理方法。
【背景技術】
[0002] 高光譜遙感的出現(xiàn)是遙感技術的一場革命。隨著光譜分辨率的提高，它使原本在 多光譜遙感中無法有效探測的地物得以探測，因而得到了廣泛的應用。在很多實際情況下， 研宄者總是沒有足夠的先驗知識來表征目標類別的統(tǒng)計信息，例如農(nóng)學的特殊物種、生態(tài) 學中的異常迀移、地質學中的稀有礦物、環(huán)境監(jiān)測中的有毒廢物排泄和石油泄漏、戰(zhàn)場中的 車輛或飛機、醫(yī)學診斷中的癌細胞或者腫瘤等等。因此，無需先驗知識的高光譜圖像異常檢 測得到了越來越廣泛的關注。
[0003] 在實際異常探測中，實時檢測尤為重要。這是因為許多異常目標，例如運動目標， 它的停留時間是非常短的。因此，要想實現(xiàn)這種異常目標的檢測，其處理過程必須是實時 的。然而，現(xiàn)有的算法多數(shù)是較復雜的，具有較高的計算復雜度，且運算平臺是串行計算的， 因而并不能夠實現(xiàn)實時檢測。
[0004] 另一方面，隨著現(xiàn)代遙感技術的飛速發(fā)展，高光譜遙感在獲取更加豐富地物信息 的同時，其大量的數(shù)據(jù)量也給數(shù)據(jù)存儲、衛(wèi)星下行數(shù)傳和后續(xù)處理帶來了巨大的壓力。提出 基于并行處理運算平臺的加速計算，實現(xiàn)機載實時處理可以減少數(shù)據(jù)傳輸量，也就相應減 少了數(shù)據(jù)壓縮下傳而導致的信息損失，減少了地面數(shù)據(jù)存儲和處理工作量，提高了圖像分 類和目標檢測的效率和實效性。
[0005] 相比于CPU，GPU具有的強大計算能力越來越吸引著研宄人員探索在處理圖形這 染計算任務外的其他領域來使用它。
[0006] 為了實時、準確地進行高光譜遙感圖像的異常探測，本發(fā)明提出了一種GPU架構 下高光譜異常目標實時探測并行處理方法。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于提供一種進行高光譜異常檢測時并行度高、高光譜數(shù)據(jù)量大的 高光譜目標實時探測的GPU并行處理方法。
[0008] 本發(fā)明的目的是這樣實現(xiàn)的：
[0009] (1)輸入高光譜數(shù)據(jù)data，初始化高度initial height，原始數(shù)據(jù)高度data height，原始數(shù)據(jù)寬度data width，原始數(shù)據(jù)波段數(shù)data band;
[0010] (2)從主機端到設備端拷貝初始化數(shù)據(jù)；
[0011] (3)初始化高光譜數(shù)據(jù)，在GPU配置多線程，多線程啟動同時計算H= initial height氺data-height，IR = inv(initial_vector氺initial-vector1)，豐刀女臺化結果 result =diag(initial_vector*IR*initial_vectorT)；
[0012] (4)從主機端到設備端拷貝當前檢測像元數(shù)據(jù)rn;
[0013] (5)利用Woodbury恒等式更新相關矩陣R(η)的逆矩陣R(ηΓ1;
[0014] (6)在GPU配置多線程，結合異常檢測算子對高光譜圖像進行實時檢測，最后輸出 探測結果。
[0015] 步驟（4)包括：將待處理的高光譜像元數(shù)據(jù)從主機端的RAM拷貝到設備端的顯存 中，在設備端建立Kernel函數(shù)，其中的Kernel函數(shù)處理需要相同數(shù)量級的GPU線程數(shù)的操 作，將計算結果傳回主機端，每一個像元處理重復上述流程，最后獲得整幅高光譜圖像的檢 測結果。
[0016] 本發(fā)明的有益效果在于：
[0017] 本發(fā)明模擬了高光譜數(shù)據(jù)從獲取到處理的實時操作，先入數(shù)據(jù)先處理，因此可實 現(xiàn)數(shù)據(jù)邊傳輸邊處理的實時過程；充分利用了麥克斯韋結構的GPU加速復雜的計算，其中 包括了常量內(nèi)存，共享內(nèi)存加速數(shù)據(jù)的讀寫速率；高光譜目標實時檢測算法的GPU并行實 現(xiàn)具有實用性和通用性，可以靈活應用到搭載嵌入式系統(tǒng)的機載或者星載平臺。
【附圖說明】
[0018] 圖1是一幅真實的高光譜圖像數(shù)據(jù)；
[0019] 圖2是合成的高光譜圖像數(shù)據(jù)；
[0020]圖3是采用基于遞歸分析的高光譜實時探測算法的檢測結果灰度圖；
[0021] 圖4是GPU并行處理方法加速比圖；
[0022] 圖5是GPU并行處理方法流程圖。
【具體實施方式】
[0023] 下面結合附圖舉例對本發(fā)明做更詳細地描述：
[0024] 本發(fā)明利用卡爾曼濾波理論的遞歸思想，用GPU硬件實現(xiàn)，并行處理達到實時的 要求，實現(xiàn)高光譜實時異常檢測。該實現(xiàn)僅僅利用了待檢測像素之前的所有像素信息，用 Woodbury恒等式推出遞歸公式；同時，充分利用了 GPU的并行處理的優(yōu)勢，依據(jù)CUDA并行 編程模式，從算法邏輯、線程映射模型、數(shù)據(jù)讀取存儲傳輸方式等方面進行并行優(yōu)化。
[0025] 此外，由于GPU在圖像處理方面具有天然的并行處理優(yōu)勢，將串行算法改進成為 并行算法并使之在GPU上實現(xiàn)，提高了運算性能，并且隨著GPU與ARM嵌入式系統(tǒng)的結合， 為開發(fā)機載和星載平臺的高光譜目標檢測系統(tǒng)奠定基礎。
[0026] 為實現(xiàn)上述的發(fā)明目的，本發(fā)明采用下述的技術方案：
[0027] 首先，根據(jù)卡爾曼濾波理論，獲得相關矩陣R的迭代更新公式，利用Woodbury恒等 式，導出遞歸實時異常檢測算子。具體步驟如下：
[0028] 1.假設具有L個波段的高光譜圖像像素點的光譜向量可表示為一個L維列向量^ =，…，IyJ t，相關矩陣表示如下：
【主權項】
1. 一種高光譜目標實時探測的GPU并行處理方法，其特征在于，包括如下步驟： (1) 輸入高光譜數(shù)據(jù)data，初始化高度initialheight，原始數(shù)據(jù)高度dataheight， 原始數(shù)據(jù)寬度datawidth，原始數(shù)據(jù)波段數(shù)databand; (2) 從主機端到設備端拷貝初始化數(shù)據(jù)； (3) 初始化高光譜數(shù)據(jù)，在GPU配置多線程，多線程啟動同時計算H=initial height氺data-height，IR=inv(initial_vector氺initial-vector1)，豐刀女臺化結果result =diag(initial_vector*IR*initial_vectorT)； (4) 從主機端到設備端拷貝當前檢測像元數(shù)據(jù)rn; (5) 利用Woodbury恒等式更新相關矩陣R(n)的逆矩陣ROir1; (6) 在GPU配置多線程，結合異常檢測算子對高光譜圖像進行實時檢測，最后輸出探測 結果。
2. 根據(jù)權利要求1所述的一種高光譜目標實時探測的GPU并行處理方法，其特征在于， 所述步驟（4)包括：將待處理的高光譜像元數(shù)據(jù)從主機端的RAM拷貝到設備端的顯存中，在 設備端建立Kernel函數(shù)，其中的Kernel函數(shù)處理需要相同數(shù)量級的GPU線程數(shù)的操作，將 計算結果傳回主機端，每一個像元處理重復上述流程，最后獲得整幅高光譜圖像的檢測結 果。
【專利摘要】本發(fā)明具體涉及一種結合基于遞歸分析思想的高光譜實時探測算法在圖形處理器(GPUs)上硬件實現(xiàn)的高光譜目標實時探測的GPU并行處理方法。本發(fā)明包括：(1)輸入高光譜數(shù)據(jù)，初始化高度，原始數(shù)據(jù)高度，原始數(shù)據(jù)寬，原始數(shù)據(jù)波段數(shù)；從主機端到設備端拷貝初始化數(shù)據(jù)；初始化高光譜數(shù)據(jù)；從主機端到設備端拷貝當前檢測像元數(shù)據(jù)；利用Woodbury恒等式更新相關矩陣的逆矩陣；在GPU配置多線程，結合異常檢測算子對高光譜圖像進行實時檢測，最后輸出探測結果。本發(fā)明充分利用了麥克斯韋結構的GPU加速復雜的計算，高光譜目標實時檢測算法的GPU并行實現(xiàn)具有實用性和通用性，可以靈活應用到搭載嵌入式系統(tǒng)的機載或者星載平臺。
【IPC分類】G06F9-38
【公開號】CN104699462
【申請?zhí)枴緾N201510112355
【發(fā)明人】趙春暉, 尤偉, 王玉磊, 王佳, 杜達凱
【申請人】哈爾濱工程大學
【公開日】2015年6月10日
【申請日】2015年3月13日