遥感影像GPU并行化处理技术与实现方法

论文摘要

可编程图形处理器(GPU)具有强大的并行处理能力,可被看作为一个单指令流多数据流(SIMD)的流式处理器。本文针对遥感影像并行化处理的迫切需求,结合GPU强大的并行处理能力,提出了一种基于GPU的遥感影像并行化处理思路和实现方法。本文的研究既充分挖掘了现有计算机显卡可编程GPU的计算能力,提高了图像处理速度;又为我们提供了一个低成本的并行机编程试验平台。本文主要内容包括:1.在综述遥感影像并行化处理的迫切性、可能性和研究现状的基础上,总结了并行化处理的模式和主要的并行化处理系统;并对GPU的发展历史、体系结构、编程模型及通用计算的主要应用领域进行了论述。2.在深入分析GPU并行化处理特点的基础上,提出了一种GPU并行化处理的基本流程,设计并实现了一个遥感影像GPU并行化处理框架,并对其中的关键技术、优化措施和性能评价等问题进行研究。3.针对GPU自身的设计特点和图像处理算法的复杂程度,重点研究了遥感影像像素级处理算法的GPU并行化实现方法,并结合部分典型操作(监督分类、卷积运算、几何变换和离散小波变换)分别对像素级处理的点运算、局部运算和全局运算进行GPU并行化处理实验,验证了GPU并行化处理能力。4.设计并实现了一个基于GPU的遥感影像并行化处理原型系统GPUParImage。通过本文的研究可以得出结论:GPU对于细粒度的像素级数据并行问题具有明显的计算优势,特别是对计算密集型的算法(如监督分类等)并行加速效果更加明显。但是,其编程灵活性还需要进一步提高。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 研究现状
• 1.2.1 GPU的计算优势
• 1.2.2 GPU的典型应用领域
• 1.2.3 GPU在图像处理方面的应用
• 1.2.4 遥感影像并行化处理的其他实现方法
• 1.3 主要研究内容与论文组织
• 第二章 遥感影像并行化处理技术与可编程图形处理器
• 2.1 遥感影像并行化处理技术
• 2.1.1 遥感影像数据与算法分析
• 2.1.2 遥感影像的并行处理模式
• 2.2 可编程图形处理器（GPU）
• 2.2.1 GPU的发展历史
• 2.2.2 GPU的体系结构
• 2.2.3 GPU的编程模型
• 2.3 本章小结
• 第三章 遥感影像GPU并行处理框架设计
• 3.1 GPU编程思想
• 3.1.1 GPU并行性分析
• 3.1.2 常见图像处理操作的GPU并行化分析
• 3.2 遥感影像GPU并行化处理流程、框架、关键技术
• 3.2.1 遥感影像GPU并行处理流程
• 3.2.2 遥感影像GPU并行处理框架
• 3.2.3 遥感影像GPU并行处理的关键技术
• 3.3 遥感影像GPU并行处理的主要瓶颈及优化措施和性能评价方法
• 3.3.1 遥感影像GPU并行处理的主要瓶颈及优化措施
• 3.3.2 遥感影像GPU并行处理的性能评价方法
• 3.4 本章小结
• 第四章 基于GPU的遥感影像并行化处理实现方法
• 4.1 遥感影像处理算法分析
• 4.2 点运算的GPU并行化实现
• 4.2.1 算法分析
• 4.2.2 GPU并行化实现方法
• 4.2.3 试验
• 4.3 局部运算的GPU并行化实现
• 4.3.1 遥感图像卷积运算的GPU并行化
• 4.3.2 遥感图像几何变换重采样操作的GPU并行化
• 4.4 全局运算的GPU并行化实现
• 4.4.1 算法描述
• 4.4.2 GPU并行化实现方法
• 4.4.3 试验
• 4.5 本章小结
• 第五章 遥感影像GPU并行化处理原型系统GPUParImage
• 5.1 系统概述
• 5.2 系统设计思想与原则
• 5.3 系统主要功能与运行界面
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 作者简历 攻读硕士学位期间完成的主要工作
• 致谢