[发明专利]一种基于GPU的高光谱图像并行分类方法

说明书

本发明涉及高性能计算领域的一种基于GPU的高光谱图像并行分类方法，包括用G‑PNPE并行图像预处理算法对高光谱图像进行处理以得到Cube数据的第一步骤，以及构建CNN‑SVM模型用于数据训练、分类的第二步骤；使用GEEM的算法思想实现卷积运算并行化，提出了G‑PNPE数据预处理算法，通过数据预处理算法将数据保存到全局内存可以由GPU读取直接进行矩阵运算。通过本发明对高光谱图像分类算法进行验证，可以在保持分类算法精度不变的情况下比原算法速度提升25％‑30％。同时验证了在多个卷积层的情况下，本发明有更好的加速表现和泛化能力。因此，本发明不仅在效率是有更进一步的提升，还具有更好的扩展能力。

技术领域

本发明涉及高性能计算领域，具体来说，是基于GPU的用于提升高光谱图像分类训练、执行效率的并行算法。

背景技术

高光谱遥感是对地观测的重要手段，在获取地表图像的同时得到地物的光谱信息。通过对图像进行精细化分类，可以在农业、环境管理和城市规划等众多关键领域提供重要的决策参考。

DSP是一种为实现各种数字信号处理算法而专门开发的专用处理器。也经常有研究人员使用这种方法实现高光谱遥感图像的高性能处理。Chai等人基于高并行、低存储，单指令多数据处理器阵列，利用多片数字信号处理器DSP解决高光谱数据在轨实时处理，满足实时处理和存储要求。郭文记等人探索将多DSP并行处理用于高光谱图像异常探测，利用4片DSP通过CPCI总线实现互联，共享数据总线以及存储模块，将异常探测算法分为4个并行任务，实现计算效率4倍的提升。

现场可编程门阵列(FPGA)，它允许硬件/软件协同设计，并有可能同时提供强大的板载计算能力和灵活性。Carlos Gonzalez在利用N-FINDR算法进行高光谱图像的端元提取时使用了FPGA技术，能够获得一定的加速效果。

GPU(Graphic Process Unit，图形处理器)在通用计算架构方面的飞速发展，使其计算性能不断提高，其数值计算能力已远远超过了其他通用处理器。尤其是随着GPU在可编程能力和应用范围方面的不断提升和扩展，为加速遥感图像处理提供了新的技术手段。

Zebin Wu基于CUDA技术实现了SVMCK(复合核函数SVM)算法对高光谱图像分类的并行化加速优化。通过算法分析将核函数的计算转移到GPU上，实现算法提速至少6倍。Qicong Wang使用GPU对加权马尔科夫随机场算法进行高光谱图像分类时同样使用CUDA技术。Zheng等人使用CUDA实现了SSGSCI-KSRC分类算法较串行方式速度提高了30倍。张兵等在处理天宫一号高光谱数据时使用了CUDA计算模型，获得了7倍以上的加速比。

沈恬等在使用GPU实现CNN的加速优化时，使用更多的寄存器取代共享内存实现数据共享。由于寄存器的读写响应时间远小于共享内存，因此相较于CPU的实现取得不错加速效果。但是这种方式对输入数据的形状极为敏感，灵活性较低。HanDong等人提出基于GPU的Cube-CNN-SVM并行算法(GCN)。使用PNPE(Parallel Neighbor Pixels Extraction)并行近邻像素提取算法进行数据的预处理，能实现以并行的方式从原始图像中提取Cube数据，然后载入到GPU中进行CNN的训练，有效提高了模型训练效率。

以上的方法虽然都可以在一定程度提高高光谱图像分类算法的效率，但是仍然存在一定的问题：1)使用DSP和FPGA的方式，实现难度大，而且这种专用芯片的应用范围小很难实现大范围推广；2)随着GPU性能的发展和提高，DSP和FPGA的加速方式效率无法满足现在的要求；3)现有的基于GPU的并行计算方法没有充分利用GPU的资源，没有达到效率最大化，有较大的提升空间；4)现有的基于GPU的并行计算方法扩展性不足，对模型的类型要求较高，无法得到大范围使用。

发明内容