[发明专利]基于多GPU协同交互数据流组织的高光谱图像快速分类法

说明书

本发明公开了一种基于多GPU协同交互数据流组织的高光谱图像快速分类法，包括如下步骤：读取高光谱图像训练数据与测试数据，将这些数据绑定为页锁定内存；通过基于多GPU流同步的稀疏多项式逻辑回归快速计算法计算最大似然概率矩阵，提取出高光谱图像的光谱信息；使用基于多GPU变量划分的加权马尔科夫场空间先验快速计算法提取高光谱图像空间信息，并计算边际概率矩阵；根据求得的边际概率矩阵求得测试数据的预测标签，得到最终分类结果。本发明既利用了高光谱图像光谱信息，又利用了空间信息，提高了分类精度。

技术领域

本发明属于遥感图像处理领域，具体涉及一种基于多GPU协同交互数据流组织的高光谱图像快速分类法。

背景技术

高光谱遥感图像有着光谱分辨率高，波段数多，图谱合一的特点，它既包含了整个地物的空间信息，又包含了每个像元的光谱信息，是人们认识和改造世界的强力技术支持。高光谱图像分类是一种描述地物种类的分析方法，具体而言就是为了区分图像中所包含多种地物，根据图像中所蕴含的各类信息，对每个像元根据其特征确定其所对应的地物名称。最初，研究人员仅利用像元的光谱特征来进行高光谱图像分类，而没有能充分利用高光谱图像中蕴含的空间信息。最近的研究表明空间信息的有效利用能够显著提高分类的效果。然而随着技术的不断发展，高光谱遥感图像的空间和光谱分辨率逐渐提高，数据维数和数据量也随之增大，这就导致了高光谱图像分类算法的计算复杂度不断提高。尽管目前已经有不少研究人员提出了分类精度还不错的高光谱图像分类算法，但是在CPU上串行执行这些分类方法的速度较慢，难以满足快速分类的要求。

为了解决这个问题，研究人员开始尝试着将高性能计算引入到高光谱图像处理领域。其中基于CUDA的通用计算技术，充分利用了GPU处理核心多、存储器带宽高和计算能力强的特点，使用CUDA架构对高光谱图像处理算法进行并行优化计算，能够有效提高算法的处理效率。另外，GPU硬件质量轻、体积小、花费少，与其他高性能计算技术相比有着较为巨大的优势，这为高光谱图像的实时处理提供了契机。然而，单个GPU的计算能力还比较有限，基于单GPU的并行算法在大批量数据处理以及实时处理效率方面仍然有所欠缺。

发明内容

本发明的目的在于提供一种基于多GPU协同交互数据流组织的高光谱图像快速分类法，解决现有高光谱图像分类算法分类精度较低、分类效率不高的问题。

实现本发明目的的技术方案为：一种基于多GPU协同交互数据流组织的高光谱图像快速分类法，包括以下步骤：

步骤1，读取高光谱图像训练数据与测试数据，将这些数据绑定为页锁定内存；

步骤2，通过基于多GPU流同步的稀疏多项式逻辑回归快速计算法计算最大似然概率矩阵，提取出高光谱图像的光谱信息；

步骤3，使用基于多GPU变量划分的加权马尔科夫场空间先验快速计算法提取高光谱图像空间信息，并计算边际概率矩阵；

步骤4，根据边际概率矩阵求得测试数据的预测标签，得到最终分类结果。

本发明与现有技术相比，其显著优点在于：1)本发明方法既利用了高光谱图像光谱信息，有利用了空间信息，提高了分类精度；2)本发明基于CUDA架构，在CPU+多GPU平台完成了算法设计实现，实现了快速分类；3)本发明对整个分类算法各部分的数据流进行了多GPU协同交互组织，充分利用了多块GPU的显存资源。

附图说明

图1是该分类方法的多GPU协同交互数据流组织图。

图2是基于多GPU流同步的稀疏多项式逻辑回归快速计算法的流程图。

图3是基于多GPU协同交互数据流组织的高光谱图像快速分类法的流程图。

具体实施方式