1、目前，高光譜遙感的應(yīng)用領(lǐng)域涵蓋了地球科學(xué)的各個方面，成為對地觀測、地圖繪制、資源勘探、災(zāi)害調(diào)查、軍事偵察等遙感應(yīng)用領(lǐng)域的新型技術(shù)手段。高光譜圖像分類是高光譜圖像分析的重要內(nèi)容之一，由于高光譜圖像分類處理具有數(shù)據(jù)量大、算法復(fù)雜度高等特點，現(xiàn)有串行分類算法的執(zhí)行效率往往較低，很難滿足高光譜圖像處理中實時分類的需求。近年來，隨著高性能計算技術(shù)的進(jìn)步，GPU(Graphic Processing Unit)通用計算技術(shù)在科學(xué)計算領(lǐng)域得到了迅速發(fā)

2、展。與CPU相比，GPU擁有更強(qiáng)的并行計算能力和更高的浮點處理能力等優(yōu)點，為加速高光譜圖像分類處理提供了新的有效途徑。
　　空譜聯(lián)合的高光譜圖像分類方法，在利用像元光譜信息的同時，充分考慮高光譜圖像空間上下文信息，能夠取得較高的分類精度，但空間信息的加入，亦進(jìn)一步增加了分類算法的計算量。如何在保證分類精度的同時提高算法執(zhí)行效率，是高光譜遙感信息處理領(lǐng)域一個亟待解決的關(guān)鍵問題。本文在分析高光譜圖像分類原理及GPU并行計算基礎(chǔ)上，基于

3、GPU/CUDA架構(gòu)針對空譜聯(lián)合的高光譜圖像分類進(jìn)行了并行優(yōu)化研究，并通過對比實驗，分析驗證了算法的有效性和高效性。論文的主要工作包括:
　　首先，針對基于空間相關(guān)性正則化的稀疏表示分類方法，設(shè)計了基于GPU的并行優(yōu)化方法?；诳臻g相關(guān)性正則化的稀疏表示分類方法，在稀疏表示分類模型基礎(chǔ)上通過添加空間相關(guān)性約束項，有效提高了稀疏表示方法的分類效果，然而該方法需要在訓(xùn)練字典中為每一個測試樣本搜索表示該樣本的原子，算法復(fù)雜度較高。本文在

4、對串行算法性能分析的基礎(chǔ)上，通過任務(wù)分解和存儲器訪問優(yōu)化等，對計算量較大的求解過程進(jìn)行了并行優(yōu)化，有效提高了算法的分類效率，并利用實際高光譜數(shù)據(jù)進(jìn)行了實驗分析驗證。
　　其次，設(shè)計了基于GPU/CUDA的空譜聯(lián)合核稀疏表示分類并行優(yōu)化方法。核稀疏表示適用于非線性可分高光譜數(shù)據(jù)分類的問題，空譜聯(lián)合核稀疏表示分類方法，在核稀疏表示分類框架下，利用鄰域濾波核來描述相鄰像元的空間相似性，進(jìn)一步提高了分類效果。本文利用GPU上大規(guī)模并行線程

5、，加速核矩陣和分類模型的求解過程，并設(shè)計訪存優(yōu)化策略減少CPU和GPU間的數(shù)據(jù)交互。與CPU平臺上串行和多核并行算法的實驗對比，驗證了上述優(yōu)化方法的有效性和高效性。
　　第三，在CPU+GPU異構(gòu)平臺上設(shè)計了基于稀疏表示和馬爾科夫場空間先驗的有監(jiān)督分類的并行優(yōu)化方法。馬爾科夫場是對圖像空間信息建模的有效工具，在貝葉斯分類框架下，將基于l1/2正則化的稀疏表示方法與馬爾科夫場空間先驗相結(jié)合進(jìn)行分類，能夠進(jìn)一步提高分類精度。本文根據(jù)算

6、法特點，對基于稀疏表示和馬爾科夫場空間先驗的有監(jiān)督分類計算過程，進(jìn)行了合理的任務(wù)分配和存儲優(yōu)化，綜合利用CPU的邏輯控制能力和GPU的并行計算能力，提高算法執(zhí)行效率。與串行算法相比，并行優(yōu)化后的算法取得了較高的加速比。
　　最后，針對高光譜遙感信息處理的實時應(yīng)用需求，本文在貝葉斯框架下對基于稀疏多項式邏輯回歸(SMLR)的高光譜圖像分類方法進(jìn)行了并行優(yōu)化研究，通過對算法迭代過程的并行化重構(gòu)，設(shè)計實現(xiàn)了一個實時并行分類方法，滿足了目