王 密，張致齊，董志鵬，金淑英，Hongbo SU

1. 武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢，430079； 2. 地球空間信息協(xié)同創(chuàng)新中心,湖北 武漢 430079； 3. 佛羅里達大西洋大學,美國 佛羅里達 33431

隨著技術的快速發(fā)展，一方面待處理的遙感數(shù)據(jù)量呈爆炸式增長；另一方面，采用機器視覺方法與數(shù)字攝影測量結合提高處理精度的同時，所需的計算量也不斷增長。二者綜合影響凸顯了智能攝影測量面臨的效率問題，探索既能夠合理解決精度與效率問題，又具有一定可推廣性的處理方法具有重要的示范意義。在衛(wèi)星遙感數(shù)據(jù)處理領域，傳統(tǒng)的信息獲取鏈路包括“獲取數(shù)據(jù)-數(shù)據(jù)下傳-地面集中處理-信息提取”四個環(huán)節(jié)，從衛(wèi)星數(shù)據(jù)生成到地面有效信息獲取時延長達數(shù)十分鐘，信息獲取時效性較低。為充分利用有限傳輸帶寬和衛(wèi)星過境時間窗口、縮短信息獲取時延，需要建立“衛(wèi)星獲取并處理數(shù)據(jù)-有效信息下傳分發(fā)”的二級信息獲取鏈路，將傳統(tǒng)的地面處理與信息提取算法遷移到星載計算平臺[1-2]，利用機器視覺與數(shù)字攝影測量方法實現(xiàn)在軌實時處理與信息提取，從而充分優(yōu)化星地數(shù)據(jù)傳輸鏈路[3]，為未來“對地觀測腦”的構建做出有益的探索[4]。再者，星載計算平臺的體積、功耗受到嚴格限制，處理能力有限，更加凸顯了其面臨的處理效率問題。

在遙感數(shù)據(jù)在軌處理方面，美國的NEMO衛(wèi)星搭載了COIS海岸成像光譜儀與自適應光譜識別系統(tǒng)ORASIS，可生成并直接下傳海岸描述信息[5]。澳大利亞的FedSat衛(wèi)星搭載了名為HPC-1的可重構在軌處理原型系統(tǒng)，可利用星上光學載荷生成的數(shù)據(jù)發(fā)現(xiàn)并監(jiān)測自然災害[6]。此外，一些試驗性的基于FPGA的在軌處理系統(tǒng)也實現(xiàn)了特征點識別與提取等功能[7]。

現(xiàn)有的在軌處理通常采用DSP+FPGA的方式實現(xiàn)，但其擴展性較差、算法實現(xiàn)難度大、性能不強，難以滿足多樣化的智能攝影測量處理需求。與此同時，計算硬件的快速發(fā)展，特別是功耗低、性能強、開放性好的嵌入式GPU的問世和持續(xù)發(fā)展為遙感數(shù)據(jù)在軌實時處理帶來了新的可行方案。中科院遙感與數(shù)字地球研究所已將嵌入式GPU應用于高光譜數(shù)據(jù)的異常檢測，初步驗證了在軌搭載的可行性[8]。

對于光學衛(wèi)星遙感影像在軌實時處理而言，光學衛(wèi)星遙感影像平均云覆蓋率高達50%，嚴重制約了在軌智能攝影測量的實現(xiàn)，使得高精度的實時云檢測問題成為了待解決的重要問題。傳統(tǒng)的多光譜閾值云檢測算法執(zhí)行效率高，但檢測精度難以滿足高精度信息處理需求；而基于模式識別的算法計算量大、耗時長，難以滿足實時性需求[9]。針對此問題，本文結合機器視覺中“自底向上”的圖像理解控制策略，提出一種基于流式計算的高分辨率光學衛(wèi)星影像高精度在軌實時云檢測方法，采用適合在軌搭載的嵌入式GPU實現(xiàn)實時流式計算，為后續(xù)的智能攝影測量處理提供輸入的同時，也為后續(xù)處理提供可供借鑒的高性能處理方案。本文選用高分二號光學影像對本文方法進行驗證。

1 高分辨率光學影像高精度云檢測方法

高分辨率光學衛(wèi)星影像的高精度云檢測主要處理流程如圖1所示：①地面定期收集樣本數(shù)據(jù)，計算并上注相對輻射校正參數(shù)；②流式計算平臺使用上注的校正參數(shù)，對流入的原始影像進行運算，輸出均勻影像；③流式計算平臺對均勻影像應用基于SLIC的云檢測算法，輸出二值化結果。

圖1 在軌高精度云檢測流程Fig.1 Workflow of high accuracy on-board cloud detection

1.1 高分辨率光學影像輻射校正

主流光學衛(wèi)星大多采用TDICCD線陣推掃的成像模式，由于探元之間存在固有的響應不一致[10]，且在軌運行后受衛(wèi)星溫度變化、應力釋放、器件老化退化等因素影響，易導致探元特性進一步發(fā)生變化[11-12]，使得相機輸出的原始影像帶有條帶噪聲。因此，需要對原始數(shù)據(jù)進行輻射校正，為高精度云檢測和后續(xù)處理提供高質量的輸入數(shù)據(jù)[13]。其主要原理如下

(1)

1.2 基于SLIC超像素高精度云檢測

相對于中低分辨率遙感影像，高分辨率遙感影像在擁有更清晰的輪廓形狀、更顯著的紋理特征的同時也增加了影像噪聲對影像分割的影響[15-16]。基于SLIC超像素分割算法具有良好的抗噪性，適合應用于高分辨率遙感影像的處理。超像素是指具有相似紋理、顏色、亮度等特征的相鄰像素構成的圖像塊[17]，超像素生成算法主要包括分水嶺算法[18]、區(qū)域增長算法、基于圖的圖像分割算法[19]和SLIC算法[20]等，相對于其他超像素生成算法，SLIC算法生成的超像素具有更好的邊界依附性、更加規(guī)則緊湊的形狀，并且SLIC算法在具有良好抗噪性的同時，可根據(jù)具體情況改變參數(shù)以獲得更好的效果[21]。SLIC算法結合機器視覺中“自底向上”的原理，通過將彩色圖像轉換為CIELAB顏色空間和XY坐標下的5維特征向量，并對其構造度量標準，進一步對圖像像素進行局部聚類生成超像素。其具體步驟如下：

1.2.1 初始化種子點

1.2.2 相似度衡量

對于每個像素點，計算其與種子點之間的相似程度，將最相似種子點的標簽賦給該像素。不斷迭代該過程直到收斂。相似度的衡量關系如下

(2)

(3)

(4)

式中，[lkakbkxkyk]為種子點的5維特征向量；[liaibixiyi]為待判斷像素點的5維特征向量；dlab為像素點間的顏色差異；dxy為像素點間的空間距離；D為兩個像素的相似度；S為種子點的間距；m為平衡參數(shù)，用來衡量顏色值與空間信息在相似度衡量中的比重。D越小則像素越相似。

對每個種子點聚類時，只在以種子點為中心的2S×2S區(qū)域內(nèi)搜索相似點，如圖2所示。

圖2 像素搜索范圍示意圖Fig.2 Pixel search scope

1.2.3 孤立像素聯(lián)通及光譜閾值判斷

SLIC算法有時會使屬于同一標簽的超像素內(nèi)的像素不連通產(chǎn)生孤立像素。需要在聚類分割后進行處理，使孤立像素被重新分配到空間距離最近的超像素中，從而生成緊湊且連通的超像素。

用SLIC算法對影像進行分割后，需要進一步求取各個超像素的光譜屬性值。其計算公式如下

(5)

式中，RS、GS、BS為超像素的光譜屬性值；Rk、Gk、Bk為超像素包含像素的光譜屬性值；n為超像素包含像素的個數(shù)。

采用式(6)將超像素光譜屬性轉化為灰度光譜值Gray，進而與光譜閾值進行判斷，對高分二號數(shù)據(jù)而言，經(jīng)多次試驗得到光譜閾值為800時，可以較好地提取影像中的云層區(qū)域。當超像素的灰度屬性大于等于800時，將超像素所對應的二值影像的像素灰度值設為255；反之，則設為0。從而實現(xiàn)云層區(qū)域的提取。

Gray=RS×0.299+GS×0.587+BS×0.114

(6)

2 在軌實時流式計算架構

由于選用的嵌入式GPU平臺具有異構的計算單元，故本文采用了一種“多模組-多線程-CUDA”三級協(xié)作的流式計算架構，并在此架構下實現(xiàn)了算法的遷移與深度優(yōu)化，以實現(xiàn)高效的“流入、處理、流出”的在軌實時流式計算。

2.1 流式計算架構

對應用于高分二號高精度云檢測算法而言，單嵌入式模組的處理時間大于相機產(chǎn)生數(shù)據(jù)的時間(約為4倍關系)。在實時處理系統(tǒng)中，輸入速率大于處理速率會導致數(shù)據(jù)積累并最終導致系統(tǒng)崩潰。因此，必須使用多個嵌入式模組實現(xiàn)流式計算，根據(jù)單模組性能試驗結果，所需模組數(shù)可由式(7)估算

(7)

進一步的，根據(jù)嵌入式模組架構特點，各模組內(nèi)采用多線程并行與CUDA并行協(xié)作的并行處理策略，模組間采用數(shù)據(jù)并行處理策略，整體處理流程如圖3所示。

圖3 4模組流式計算架構Fig.3 Four modules stream computing architecture

對于線陣推掃成像的高分二號而言，相機逐行生成并輸出原始數(shù)據(jù)。將每865行數(shù)據(jù)作為一個待處理數(shù)據(jù)段，平均每個標準景影像劃分為8段，每個嵌入式模組依次處理1段數(shù)據(jù)，其中1個ARM64核與256個CUDA核執(zhí)行CUDA并行處理，另外5個ARM64核執(zhí)行多線程并行處理，多線程并行與CUDA并行各自負責交替處理一小格數(shù)據(jù)。數(shù)據(jù)分段策略與處理過程如圖4所示。

2.2 嵌入式算法遷移與優(yōu)化

由于嵌入式GPU平臺包含異構處理單元：包括適用于處理循環(huán)、迭代操作的ARM64核及適用于處理大規(guī)模并行運算的CUDA核。對于重采樣、融合等并行度高、局部性強的影像處理算法，相對于多線程并行方式，采用CUDA并行方式具有極為明顯的性能優(yōu)勢。而基于SLIC超像素的云檢測算法既有一定程度的并行性，又包含了迭代和特征空間相關性的處理，單純采用CUDA并行難以獲得很好的效果。經(jīng)試驗驗證，在嵌入式GPU平臺上，充分優(yōu)化的多線程并行與CUDA并行能達到相近的性能。各子算法特點分析見表1。

表1 算法特點分析

圖 4 數(shù)據(jù)分段與處理過程Fig.4 Procedure of data segmentation and processing

為充分利用嵌入式GPU平臺硬件資源，參考地面處理中成功的異構計算并行策略[22]，本文采用多線程并行與CUDA并行協(xié)作的策略進行處理。對多線程并行處理而言，采用OpenMP的方案僅需要在原有代碼的基礎上增加一系列編譯指令即可實現(xiàn)多線程，底層的細節(jié)操作均由OpenMP自動完成[23]，故本文選用OpenMP作為多線程并行的實現(xiàn)手段。

對于嵌入式GPU平臺上的CUDA并行處理而言，針對特定算法的優(yōu)化是實現(xiàn)高性能的關鍵，主要包括實現(xiàn)優(yōu)化與占用率優(yōu)化、訪存優(yōu)化等。

2.2.1 實現(xiàn)優(yōu)化與占用率優(yōu)化

實現(xiàn)優(yōu)化是優(yōu)化CUDA并行處理效率的重要因素。主要包括以下幾個方面。

(1) 定義盡可能少的變量，盡可能地重用變量，以節(jié)省寄存器資源；

(2) 展開子函數(shù)，避免函數(shù)調(diào)用開銷；

(3) 只在變量使用時才定義變量，以利于編譯器充分優(yōu)化寄存器使用；

(4) 盡量避免分支和循環(huán)語句，對于確定次數(shù)的循環(huán)，使用“#pragma unroll”指令展開[24]。

經(jīng)過優(yōu)化后，核函數(shù)的寄存器占用顯著下降。然而由于CUDA處理單元的寄存器的總數(shù)存在限制，為了充分利用計算資源，達到100%的資源占用率(Occupancy),需要使用“-maxrregcount”編譯選項限制核函數(shù)的最大寄存器用量為32。此外，如圖5所示，核函數(shù)提交的線程塊大小也對占用率有顯著的影響，本文中選擇采用256大小的線程塊(16×16)。

圖5 線程塊尺寸對資源占用率的影響Fig.5 Impact of varying block size on occupancy

2.2.2 訪存操作優(yōu)化

常規(guī)GPU平臺中，執(zhí)行CUDA程序的典型流程包括：從主機內(nèi)存中拷貝數(shù)據(jù)塊到設備內(nèi)存(H2D操作)、CUDA核執(zhí)行運算、從設備內(nèi)存中拷貝運算結果到主機內(nèi)存(D2H操作)。而嵌入式GPU平臺使用統(tǒng)一的內(nèi)存區(qū)域，沿用傳統(tǒng)的方式會因多余的內(nèi)存操作導致性能浪費。使用“零復制內(nèi)存”或“統(tǒng)一內(nèi)存”可避免這種情況，二者不同之處在于前者無法利用處理核的緩存(Cache)，反而會造成性能的降低，而后者不存在此問題，能在嵌入式GPU平臺中有效提高訪存性能。其優(yōu)化原理如圖6所示。

圖6 內(nèi)存訪問優(yōu)化Fig.6 Memory access improvement

此外，為充分利用層次化的CUDA內(nèi)存訪問體系，對于不使用或很少使用“共享內(nèi)存”(Shared Memory)的核函數(shù)，使用“cuda Func Set Cache Config()”方法指定特定的核函數(shù)將片上內(nèi)存更多地分配為L1緩存，可提高整體執(zhí)行效率。除此之外，“常量內(nèi)存”也被用來存放SLIC云檢測算法步驟中用到的鄰域向量，以充分利用其廣播特性，優(yōu)化訪問性能。

3 試驗與分析

3.1 試驗數(shù)據(jù)與測試硬件

高分二號發(fā)射于2014年8月19日，是我國自主研制的首顆分辨率優(yōu)于1 m的光學遙感衛(wèi)星，搭載了2臺高分辨率1 m全色、4 m多光譜相機，具有亞米級分辨率、高定位精度、快速姿態(tài)機動能力等特點。本文試驗選用兩組典型的含云多光譜數(shù)據(jù)，用于驗證本文方法的檢測精度與性能，數(shù)據(jù)具體信息如表2所示。

表2 試驗數(shù)據(jù)信息

如前所述，本文選用4組NVIDIA Jetson TX2嵌入式GPU模組構建模擬在軌流式處理平臺。每組NVIDIA Jetson TX2嵌入式GPU模組包括6個ARM64核心(雙核Denver2+四核CortexA57)和256個兼容6.2版計算能力的CUDA核心。在單模組理論浮點性能達750 GFlops的同時，熱設計功耗(TDP)僅為7.5 W，其高性能、低功耗、小體積的特性使其具備很高的在軌應用潛力[25]。與此同時，本文選用CPU熱設計功耗85 W的塔式PC服務器Dell PowerEdge T630 (Intel Xeon E5-2620 v3，128 GB RAM，21 TB RAID5)作為對比測試平臺，以從性能和功耗兩方面綜合對比。

3.2 檢測精度對比試驗

多光譜閾值云檢測方法是一種常用的云檢測方法，本節(jié)以目視判別結果為基準，采用查準率和錯誤率作為度量標準，通過試驗對基于SLIC超像素的云檢測方法與多光譜閾值法在云檢測精度方面進行定性與定量評價[26]。查準率和錯誤率公式如下

(8)

(9)

式中，PR為查準率；TC為準確識別的云像元數(shù)；FA為識別為云像元總數(shù)；ER為錯誤率；TF為云誤判定為非云的像元數(shù)；FT為非云誤判為云的像元數(shù)；NA為總像元數(shù)。

本節(jié)通過使用兩組數(shù)據(jù)對基于SLIC超像素的云檢測方法進行精度評價。圖7中(a)為試驗1的原圖，(b)為(a)影像的目視解譯結果，(c)為(a)影像的多光譜閾值算法檢測結果，(d)為(a)影像的本文算法檢測結果。圖2(a)為試驗2的影像原圖，(b)為(a)影像的目視解譯結果，(c)為(a)影像的多光譜閾值算法檢測結果，(d)為(a)影像的本文算法檢測結果。

如圖7所示，在試驗1中矩形框圈定的區(qū)域內(nèi)，由于地面光照高反射地物的影響，多光譜閾值算法將其檢測為云層區(qū)域，而本文方法通過SLIC超像素分割，充分考慮了原始像素間的關聯(lián)性，可以較好地消除此類地物對云檢測結果的影響。從整體上而言，本文方法的檢測結果與目視解譯結果更為接近。

圖7 試驗1結果Fig.7 Results of experiment 1

如圖8所示，在試驗2中矩形框圈定的區(qū)域內(nèi)，一方面多光譜閾值算法將地面高反射地物誤檢測為云層區(qū)域，另一方面對于試驗2中的片云、薄云區(qū)域，本文方法有相對較好的檢測效果。

如表3所示，本文方法查準率、錯誤率均優(yōu)于傳統(tǒng)多光譜閾值方法。說明相對于傳統(tǒng)多光譜閾值方法，本文方法具有更好的云識別能力和更高的云檢測精度。

圖8 試驗2結果Fig.8 Results of experiment 2

結果試驗1試驗2多光譜閾值法本文方法多光譜閾值法本文方法查準率0.82460.87450.96600.9735錯誤率0.03470.03000.04610.0451

3.3 處理性能對比試驗

為驗證單模組嵌入式GPU平臺下采用多線程并行與CUDA并行協(xié)作的加速策略的合理性，統(tǒng)計處理耗時如表4所示。

表4 加速策略耗時對比

為了客觀評價性能優(yōu)化效果，假設算法總的計算量為M，優(yōu)化前后耗時分別為Ts和Te，加速比指標S定義如下

(10)

對于在軌處理系統(tǒng)而言，相同性能下，器件的功耗是非常重要的考慮因素。假設PC服務器與嵌入式平臺的功耗分別為Ps和Pe，考慮能耗的綜合加速比指標定義如下

(11)

由于特定應用在特定平臺上執(zhí)行期間的能耗難以精確統(tǒng)計，本文直接采用不同平臺核心部件的熱設計功耗值作為Ps和Pe，分別為85 W和30 W(7.5×4組)。相應的，Spower值雖然并不十分嚴謹，但是仍然具備重要的參考意義。表5統(tǒng)計了各組、各數(shù)據(jù)段的生成，表6統(tǒng)計了處理耗時及加速比，其中數(shù)據(jù)生成耗時由行數(shù)乘以該組數(shù)據(jù)的行積分時間計算而來。

上述流式計算處理時間線如圖9所示。結果表明，本文提出的解決方案，對于相機持續(xù)流入的原始影像數(shù)據(jù)不存在數(shù)據(jù)堆積現(xiàn)象，可滿足在軌實時處理需求。

3.4 算法遷移正確性

為驗證本文方案的正確性，以PC服務器輸出的二值影像為真值，統(tǒng)計其與嵌入式GPU平臺輸出的結果間的均方根誤差

(12)

表6 加速比統(tǒng)計

注：處理時間按照“處理完畢時刻-數(shù)據(jù)生成完畢時刻”計算，并非各段數(shù)據(jù)處理時間之和。

圖9 流式計算時間線Fig.9 Timeline of stream computing

表7 均方根誤差統(tǒng)計

4 結 論

在機器視覺與數(shù)字攝影測量相結合的背景下，數(shù)據(jù)量和計算量的同時增長凸顯了智能攝影測量面臨的效率問題。探索既能夠合理解決精度與效率問題，又具有一定可推廣性的處理方法具有重要的示范意義。本文以對精度與效率同時敏感的衛(wèi)星在軌實時數(shù)據(jù)處理領域為例，針對光學衛(wèi)星影像云覆蓋率高的特點，結合機器視覺中“自底向上”的圖像理解控制策略，提出一種基于流式計算的高分辨率光學衛(wèi)星影像高精度在軌實時云檢測方法，采用適合在軌搭載的嵌入式GPU實現(xiàn)實時流式計算，為后續(xù)的智能攝影測量處理提供輸入的同時，也為后續(xù)處理提供可供借鑒的高性能處理方案。在此前提下，完成了高分辨率光學影像預處理與基于SLIC超像素的高精度云檢測等算法的移植和深度優(yōu)化工作，采用了一種“多模組-多線程-CUDA”三級協(xié)作的流式計算架構，處理性能獲得了顯著的提升。

選用兩組典型的高分二號含云高分辨率光學衛(wèi)星多光譜影像，從云檢測精度、處理性能、算法遷移正確性等方面對本文方案作了驗證。結果表明，在云檢測精度方面，相對傳統(tǒng)的多光譜閾值云檢測算法，本文采用的基于SLIC超像素的云檢測算法在云檢測精度和云識別能力方面具有更好的效果；在處理性能、功耗、體積等方面，本文提出的嵌入式流式計算方案相對傳統(tǒng)PC服務器具有明顯的優(yōu)勢，綜合加速比達14以上，具備在軌搭載的潛力。

由于嵌入式GPU平臺本身具有易于編程實現(xiàn)、開放性與可擴展性好等特點，針對特定的算法和流程選擇數(shù)量合適的模組，并制定合理的數(shù)據(jù)分塊策略后，本文提出的流式處理方案可進一步應用于其他機器視覺與數(shù)字攝影測量結合的高精度處理算法的效率提升。

參考文獻：

[1] 李德仁. 展望大數(shù)據(jù)時代的地球空間信息學[J]. 測繪學報, 2016, 45(4): 379-384. DOI: 10.11947/j.AGCS.2016.20160057.

LI Deren. Towards Geo-spatial Information Science in Big Data Era[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(4): 379-384. DOI: 10.11947/j.AGCS.2016.20160057.

[2] 李德仁, 沈欣, 龔健雅, 等. 論我國空間信息網(wǎng)絡的構建[J]. 武漢大學學報(信息科學版), 2015, 40(6): 711-715, 766.

LI Deren, SHEN Xin, GONG Jianya, et al. On Construction of China’s Space Information Network[J]. Geomatics and Information Science of Wuhan University, 2015, 40(6): 711-715, 766.

[3] 張兵. 智能遙感衛(wèi)星系統(tǒng)[J]. 遙感學報, 2011, 15(3): 415-431.

ZHANG Bing. Intelligent Remote Sensing Satellite System[J]. Journal of Remote Sensing, 2011, 15(3): 415-431.

[4] 李德仁, 王密, 沈欣, 等. 從對地觀測衛(wèi)星到對地觀測腦[J]. 武漢大學學報(信息科學版), 2017, 42(2): 143-149.

LI Deren, WANG Mi, SHEN Xin, et al. From Earth Observation Satellite to Earth Observation Brain[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2): 143-149.

[5] DAVIS C O, HORAN D M, CORSON M R. On-orbit Calibration of the Naval EarthMap Observer (NEMO) Coastal Ocean Imaging Spectrometer (COIS)[C]∥Proceedings Volume 4132, Imaging Spectrometry VI. San Diego, CA: SPIE, 2000: 250-259.

[6] VISSER S J, DAWOOD A S. Real-time Natural Disasters Detection and Monitoring from Smart Earth Observation Satellite[J]. Journal of Aerospace Engineering, 2004, 17(1): 10-19.

[7] HUANG Jingjin, ZHOU Guoqing. On-board Detection and Matching of Feature Points[J]. Remote Sensing, 2017, 9(6): 601.

[8] WU Yuanfeng, GAO Lianru, ZHANG Bing, et al. Embedded GPU Implementation of Anomaly Detection for Hyperspectral Images[C]∥Proceedings of SPIE 9646, High-performance Computing in Remote Sensing V. Toulouse, France: SPIE, 2015: 964608.

[9] 侯舒維, 孫文方, 鄭小松. 遙感圖像云檢測方法綜述[J]. 空間電子技術, 2014, 11(3): 68-76, 86.

HOU Shuwei, SUN Wenfang, ZHENG Xiaosong. Overview of Cloud Detection Methods in Remote Sensing Images[J]. Space Electronic Technology, 2014, 11(3): 68-76, 86.

[10] DINGUIRARD M, SLATER P N. Calibration of Space-multispectral Imaging Sensors: a Review[J]. Remote Sensing of Environment, 1999, 68(3): 194-205.

[11] DINGUIRARD M, HENRY P. Calibration of SPOT HRV Cameras[J]. Remote Sensing of Environment, 1993.

[12] GELLMAN D I, BIGGAR S F, DINGUIRARD M C, et al. Review of SPOT-1 and-2 Calibrations at White Sands from Launch to the Present[C]∥Proceedings Volume 1938, Recent Advances in Sensors, Radiometric Calibration, and Processing of Remotely Sensed Data. Orlando, FL: SPIE, 1993: 118-125.

[13] PAHLEVAN N, SCHOTT J R. Characterizing the Relative Calibration of Landsat-7 (ETM+) Visible Bands with Terra (MODIS) over Clear Waters: the Implications for Monitoring Water Resources[J]. Remote Sensing of Environment, 2012, 125: 167-180.

[14] 潘志強, 顧行發(fā), 劉國棟, 等. 基于探元直方圖匹配的CBERS-01星CCD數(shù)據(jù)相對輻射校正方法[J]. 武漢大學學報(信息科學版), 2005, 30(10): 925-927.

PAN Zhiqiang, GU Xingfa, LIU Guodong, et al. Relative Radiometric Correction of CBERS-01 CCD Data Based on Detector Histogram Matching[J]. Geomatics and Information Science of Wuhan University, 2005, 30(10): 925-927.

[15] YI Lina, Zhang Guifeng, WU Zhaocong. A Scale-Synthesis Method for High Spatial Resolution Remote Sensing Image Segmentation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(10): 4062-4070.

[16] LI Deren, ZHANG Guifeng, WU Zhaocong, et al. An Edge Embedded Marker-Based Watershed Algorithm for High Spatial Resolution Remote Sensing Image Segmentation[J]. IEEE Transactions on Image Processing, 2010, 19(10): 2781-2787.

[17] REN X, MALIK J. Learning A Classification Model for Segmentation[C]∥Proceedings of the 9th IEEE International Conference on Computer Vision. Nice, France: IEEE, 2003: 10-17.

[18] VINCENT L, SOILLE P. Watersheds in Digital Spaces: An Efficient Algorithm Based on Immersion Simulations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1991, 13(6): 583-598.

[19] FELZENSZWALB P F, HUTTENLOCHER D P. Efficient Graph-based Image Segmentation[J]. International Journal of Computer Vision, 2004, 59(2): 167-181.

[20] ACHANTA R, SHAJI A, SMITH K, et al. SLIC Superpixels Compared to State-of-the-art Superpixel Methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11): 2274-2282.

[21] 董志鵬, 梅小明, 陳杰, 等. 簡單線性迭代聚類的高分辨率遙感影像分割[J]. 遙感信息, 2016, 31(6): 83-88.

DONG Zhipeng, MEI Xiaoming, CHEN Jie, et al. Image Segmentation of High Resolution Remote Sensing Imagery Based on Simple Linear Iterative Clustering[J]. Remote Sensing Information, 2016, 31(6): 83-88.

[22] FANG Liuyang, WANG Mi, LI Deren, et al. CPU/GPU Near Real-time Preprocessing for ZY-3 Satellite Images: Relative Radiometric Correction, MTF Compensation, and Geocorrection[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 87: 229-240.

[23] CHAPMAN B, JOST G, VAN DER PAS R. Using OpenMP: Portable Shared Memory Parallel Programming[M]. Cambridge: MIT Press, 2007.

[24] KIRK D B, HWU W M W. Programming Massively Parallel Processors: A Hands-on Approach[M]. 3rd ed. San Francisco, CA: Morgan Kaufmann, 2016.

[25] NVIDIA JETSON. A Little Goes A Long Way[EB/OL]. [2017-07-31]. http:∥www.nvidia.com/object/embedded-systems-dev-kits-modules.html.

[26] 譚凱, 張永軍, 童心, 等. 國產(chǎn)高分辨率遙感衛(wèi)星影像自動云檢測[J]. 測繪學報, 2016, 45(5): 581-591. DOI: 10.11947/j.AGCS.2016.20150500.

TAN Kai, ZHANG Yongjun, TONG Xin, et al. Automatic Cloud Detection for Chinese High Resolution Remote Sensing Satellite Imagery[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(5): 581-591. DOI: 10.11947/j.AGCS.2016.20150500.