郭 陽

（江西科技師范大學(xué)通信與電子學(xué)院，江西 南昌 330000）

0 引言

目前高光譜遙感[1]混合像元分解所涉及的算法基本都是采用串行的處理思路。但由于高光譜遙感圖像自身空間分辨率、光譜分辨率等因素影響,造成其數(shù)據(jù)量巨大,包含的信息多,且算法計(jì)算過程復(fù)雜。如果采用傳統(tǒng)的串行處理辦法,執(zhí)行過程中高達(dá)數(shù)百億次浮點(diǎn)運(yùn)算會(huì)嚴(yán)重影響計(jì)算機(jī)執(zhí)行速度,過長的耗時(shí)嚴(yán)重制約了混合像元分解的實(shí)時(shí)性。因此，必須找到提高處理速度的辦法，以解決實(shí)際應(yīng)用中的海量數(shù)據(jù)處理效率的問題。而GPU的特點(diǎn)是處理數(shù)據(jù)密集型和計(jì)算密集型計(jì)算，非常適合需要大規(guī)模并行計(jì)算的領(lǐng)域。

1 GPU編程模型

隨著計(jì)算機(jī)技術(shù)的發(fā)展，人們一直追求更高的性能。并行計(jì)算的提出，滿足了我們提高程序執(zhí)行效率的要求。隨著CPU工藝提升，單芯片多處理器同時(shí)并行的計(jì)算是實(shí)現(xiàn)超高速計(jì)算的一種主要方向，我們把它叫做并行計(jì)算。也就是說并行計(jì)算可以利用每個(gè)處理器核心，充分發(fā)揮多核CPU處理器的能力。2007年NVIDIA推出了當(dāng)今最流行的GPGPU編程語言,CUDA(Computer Unified Device Architecture,統(tǒng)一計(jì)算設(shè)備架構(gòu))[2]。他是一種專業(yè)處理和管理GPU計(jì)算的編程語言，給開發(fā)者提供編譯器和開發(fā)工具，可以直接使用C語言進(jìn)行CUDA程序開發(fā)。

2 GPU在高光譜遙感圖像解混領(lǐng)域的應(yīng)用

混合像元分解[3]是高光譜解混技術(shù)的關(guān)鍵問題。高光譜混合像元分解主要分為線性混合模型和非線性模型，通常高光譜混合像元分解都是采用線性混合模型。由于現(xiàn)在資源探測(cè)、地物監(jiān)測(cè)與地理導(dǎo)航等應(yīng)用對(duì)遙感數(shù)據(jù)進(jìn)行快速處理的要求越來越高，傳統(tǒng)的方法不能滿足實(shí)時(shí)性的要求，因此，采用GPU構(gòu)架的編程模型在遙感圖像中廣泛應(yīng)用。本文主要介紹GPU在高光譜遙感圖像解混算法上的應(yīng)用[5]。

實(shí)驗(yàn)采用AVIRIS高光譜圖像,光譜庫A采用的是美國地質(zhì)勘探局USGS的礦物光譜庫splib06。，其光譜波段數(shù)L=224，包含了498不同的物質(zhì)種類，反射值大小范圍為0.4-2.5um。表1主要是比較了CPU串行計(jì)算和GPU并行計(jì)算的時(shí)間和加速比。當(dāng)像元增加到47750時(shí)，加速比達(dá)到了164。從表1我們可以得知，像元越多，加速比越高。

當(dāng)n=1000時(shí)，CPU串行計(jì)算為0.845 s，GPU并行計(jì)算為0.036 s，加速比 23.4。

當(dāng)n=10000時(shí)，CPU串行計(jì)算為19.333 s，GPU并行計(jì)算為 0.124 s，加速比 155.9。

當(dāng)n=47750時(shí)，CPU串行計(jì)算為76.323 s，GPU并行計(jì)算為0.465 s，加速比 164.1。

3 結(jié)論

本文主要是介紹了一種基于并行的方法來實(shí)現(xiàn)高光譜遙感圖像的解混。與傳統(tǒng)的高光譜遙感圖像解混采用的串行方法相比，基于GPU并行計(jì)算的方法加速效果較為顯著。實(shí)驗(yàn)結(jié)果表明，基于GPU并行計(jì)算的高光譜混合像元分解方法可以達(dá)到一個(gè)較快的計(jì)算速度。

[1]張良培,張立福.高光譜遙感[M].武漢：武漢大學(xué)出版社,2005.

[2]NVIDIA Company.CUDA C Programming Guide[EB/OL].2012[2013-9-l].http://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html.

[3]N.Keshava.A survey of spectral unmixing [J].Lincoln Lab.J.,2003,14(4):55-73.

[4]M.D.Iordache,J.M.Dias,A.Plaza.Sparse unmixing of hyperspectral data[J].IEEE Trans.Geosci.Remote Sens.,2011,49(6):2014-2038.

[5]Sergio S,Gabriel M,Antonio Petal.GPU Implementation of Fully Constrained Linear Spectral Unmixing for Remotely Sensed Hyperspectral Data Exploitation[C].Satellite Data Compression,Communications,and Processing Vi,2010.