高光譜遙感影像分類(lèi)算法并行處理設(shè)計(jì)與實(shí)現(xiàn)

秦飛龍, 郭　科, 柳炳利, 周仲禮, 程賓洋, 武　進(jìn)

(成都理工大學(xué) 數(shù)學(xué)地質(zhì)四川省重點(diǎn)實(shí)驗(yàn)室,成都 610059)

?

高光譜遙感影像分類(lèi)算法并行處理設(shè)計(jì)與實(shí)現(xiàn)

秦飛龍, 郭科, 柳炳利, 周仲禮, 程賓洋, 武進(jìn)

(成都理工大學(xué) 數(shù)學(xué)地質(zhì)四川省重點(diǎn)實(shí)驗(yàn)室,成都 610059)

[摘要]探討高光譜遙感影像分類(lèi)算法處理遙感影像速度。通過(guò)光譜角度匹配(SAM)、光譜相關(guān)系數(shù)匹配(SCM)、信息散度匹配(SIDM)、光譜波形匹配(SWM)進(jìn)行并行化改造設(shè)計(jì)，將改造的并行化算法應(yīng)用到湖北大冶遙感影像數(shù)據(jù)分類(lèi)處理中，結(jié)果表明并行化算法能夠有效完成高光譜遙感影像分類(lèi)，數(shù)據(jù)量增大，并行化處理速度加快，數(shù)據(jù)量為158×382×1 092時(shí)，SAM并行處理速度是串行處理速度的25.68倍、SCM為25.41倍、SIDM為17.55 倍、SWM為23.68倍。并行分類(lèi)算法處理遙感影像分類(lèi)速度較串行分類(lèi)算法處理快。

[關(guān)鍵詞]并行設(shè)計(jì);高光譜影像;分類(lèi)算法

高光譜遙感圖像對(duì)人類(lèi)社會(huì)帶來(lái)了大量空間影像數(shù)據(jù)相關(guān)信息，在地質(zhì)、氣候、環(huán)境、軍事、農(nóng)業(yè)等領(lǐng)域起著廣泛應(yīng)用。高光譜處理技術(shù)最關(guān)鍵環(huán)節(jié)就是給高光譜數(shù)據(jù)分類(lèi)處理。高光譜遙感影像礦物填圖[1]是建立在遙感圖像分類(lèi)的基礎(chǔ)上，結(jié)合高光譜圖像自身特點(diǎn)，對(duì)所選區(qū)域的目標(biāo)進(jìn)行劃分與確認(rèn)的過(guò)程。不同種類(lèi)的地物在遙感影像上的亮度值、像元值以及空間變化規(guī)律都不相同[2]，在遙感領(lǐng)域中通過(guò)這些差異對(duì)遙感圖像進(jìn)行分類(lèi)并提供地物依據(jù)。隨著高光譜遙感影像空間分辨率和波譜分辨率的日益增高，高光譜遙感影像的數(shù)據(jù)量變得越來(lái)越巨大，常用的高光譜遙感影像分類(lèi)算法在處理大數(shù)據(jù)高光譜影像時(shí)效果不明顯，運(yùn)算速度慢，這使得高光譜遙感影像分類(lèi)技術(shù)在處理實(shí)際海量數(shù)據(jù)時(shí)效果不佳，從而有必要對(duì)高光譜分類(lèi)算法進(jìn)行改進(jìn)，提高分類(lèi)處理速度。高光譜遙感影像光譜具有分辨率高、遙感影像任意一個(gè)像元點(diǎn)的光譜特征曲線精細(xì)、波長(zhǎng)范圍寬、數(shù)據(jù)具有定量性等特點(diǎn)[3]，對(duì)高光譜影像分類(lèi)處理更不容易。然而要得到好的分類(lèi)效果，必須對(duì)高光譜數(shù)據(jù)進(jìn)行擴(kuò)充，顯然就得提高分類(lèi)運(yùn)算速度。因此，本文以4種常見(jiàn)的高光譜遙感影像分類(lèi)算法為例進(jìn)行并行處理，可以把遙感影像分類(lèi)處理的速度提高幾十倍，實(shí)現(xiàn)大規(guī)模的高光譜遙感影像數(shù)據(jù)分類(lèi)。

1高光譜遙感影像分類(lèi)算法

目前，高光譜遙感影像分類(lèi)的算法[4-6]比較廣泛，但分類(lèi)算法大體上分為2種：一種是根據(jù)遙感圖像統(tǒng)計(jì)特性構(gòu)建分類(lèi)模型進(jìn)行分類(lèi);另一種是通過(guò)地物物理光學(xué)性質(zhì)的不同而進(jìn)行地物分類(lèi)，它的主要分類(lèi)依據(jù)是利用地物物理光學(xué)性質(zhì)的光譜曲線來(lái)識(shí)別地物。通過(guò)地物物性的分類(lèi)方法是運(yùn)用最廣的方法，原因是該分類(lèi)算法的匹配既可全波長(zhǎng)范圍內(nèi)比較，也可以是特定波段的分波長(zhǎng)范圍光譜或光譜組合參量。4種常用的高光譜礦物填圖算法[光譜角度匹配(SAM)、光譜相關(guān)系數(shù)匹配(SCM)、信息散度匹配(SIDM)、光譜波形匹配(SWM)][7]就屬于地物物性分類(lèi)算法。

光譜角度匹配原理

(1)

光譜相關(guān)系數(shù)匹配原理

(2)

信息散度匹配原理

S(x,y)=D(x‖y)+D(y‖x)

(3)

光譜波形匹配原理

F=

(4)

2高光譜遙感影像分類(lèi)算法并行設(shè)計(jì)

2.1波譜庫(kù)數(shù)據(jù)重采樣

大部分高光譜遙感影像分類(lèi)算法要求待分類(lèi)的高光譜遙感影像與波譜庫(kù)數(shù)據(jù)具有相同的波段數(shù)，然而實(shí)際情況下這兩種數(shù)據(jù)相同情況很少，需要對(duì)波譜庫(kù)數(shù)據(jù)進(jìn)行重采樣。波譜庫(kù)數(shù)據(jù)重采樣要求波譜庫(kù)數(shù)據(jù)采樣的波段范圍包含在待分類(lèi)高光譜遙感影像的波段范圍內(nèi)。有研究者采用簡(jiǎn)單的線性插值的方式來(lái)完成對(duì)波譜庫(kù)數(shù)據(jù)的重采樣[7]。如果待分類(lèi)的高光譜影像有N個(gè)波段，波譜庫(kù)中有M種礦物，則將進(jìn)行N×M次插值運(yùn)算。由于每種礦物的插值運(yùn)算是相互獨(dú)立的，所以本文采用的并行策略是在GPU中產(chǎn)生M個(gè)線程，每個(gè)線程負(fù)責(zé)一種礦物的光譜重采樣。

2.2分類(lèi)算法的并行策略設(shè)計(jì)

由分類(lèi)算法表達(dá)式(1)、(2)、(3)和(4)知待分類(lèi)的高光譜遙感影像中各個(gè)像元點(diǎn)與波譜庫(kù)礦物的計(jì)算是相互獨(dú)立的，即各像元點(diǎn)與波譜庫(kù)中礦物的計(jì)算結(jié)果只與該像元點(diǎn)在各個(gè)波長(zhǎng)段的反射率值相關(guān)，而與其他像元點(diǎn)的反射率值無(wú)關(guān)。4種高光譜礦物分類(lèi)算法的并行計(jì)算是以高光譜遙感影像的像元為核心，分別計(jì)算每一個(gè)像元與波譜庫(kù)中的各類(lèi)礦物的值(SAM為夾角余弦值、SCM為兩者之間的相關(guān)系數(shù)值、SIDM為兩者之間的信息散度值、SWM為兩者之間的擬合度)，采用并行策略設(shè)計(jì)是根據(jù)待分類(lèi)高光譜影像的像元點(diǎn)數(shù)目在GPU中產(chǎn)生相同的線程數(shù)目，每個(gè)線程通過(guò)計(jì)算一個(gè)像元點(diǎn)與波譜庫(kù)中各種礦物的對(duì)應(yīng)關(guān)系來(lái)對(duì)該像元進(jìn)行分類(lèi)。分類(lèi)并行算法流程如下(圖1)：(1)讀取待分類(lèi)的高光譜遙感影像，讀取參考光譜數(shù)據(jù)(經(jīng)過(guò)重采樣后的數(shù)據(jù))。(2)數(shù)據(jù)初始化，完成對(duì)設(shè)備端的內(nèi)存分配，將遙感數(shù)據(jù)拷貝到設(shè)備端內(nèi)存。(3)調(diào)用相應(yīng)的內(nèi)核函數(shù)完成計(jì)算，線程數(shù)目與像元點(diǎn)數(shù)目相同。(4)將計(jì)算結(jié)果由設(shè)備端內(nèi)存拷貝到內(nèi)存。

圖1　分類(lèi)算法并行處理流程圖Fig.1　The parallel processing flow chart ofthe classification algorithm

3并行算法對(duì)實(shí)際高光譜遙感影像分類(lèi)處理

本文的光譜數(shù)據(jù)來(lái)源于《東天山的巖性光譜庫(kù)數(shù)據(jù)》，包含了226種礦物在2 101個(gè)波段長(zhǎng)度的反射率值。實(shí)驗(yàn)數(shù)據(jù)來(lái)自湖北大冶的一組高光譜遙感數(shù)據(jù)，數(shù)據(jù)量大小為：158×191×273、158×382×273、158×382×546、158×382×1092。高光譜遙感影像分類(lèi)算法的計(jì)算機(jī)CPU型號(hào)是intel core(TM)i7，其主頻為2.80 GHz，內(nèi)存為4.0 G，顯卡型號(hào)是NVIDIA GeForce 310M，操作系統(tǒng)為Windows 7 32。4種分類(lèi)算法的串行和并行程序編寫(xiě)工作是用Microsoft visual C++ 2008+和CUDA完成的。原始遙感影像顯示和分類(lèi)結(jié)果顯示是用IDL(interactive data language)可視化交互數(shù)據(jù)語(yǔ)言進(jìn)行圖形顯示。在實(shí)驗(yàn)時(shí)，SAM算法設(shè)定的分類(lèi)閾值為5°，SCM算法設(shè)定的分類(lèi)閾值為0.95，SIDM和SWM未設(shè)定分類(lèi)閾值。并行分類(lèi)算法處理原始高光譜影像(圖2)得到分類(lèi)結(jié)果如圖3。

圖2　原始高光譜影像Fig.2　The original hyperspectral image

為了能夠體現(xiàn)分類(lèi)算法的并行策略?xún)?yōu)越性，體現(xiàn)分類(lèi)算法并行化運(yùn)算速度，將4種分類(lèi)算法在并行設(shè)計(jì)與串行設(shè)計(jì)下進(jìn)行加速比顯示(圖4)。加速比是指在相同的軟硬件條件和數(shù)據(jù)量條件下同一種算法串行運(yùn)行時(shí)間和并行運(yùn)行時(shí)間之比。4種算法的加速比統(tǒng)計(jì)結(jié)果如表1所示。

由圖3可以看出，高光譜影像分類(lèi)算法并行設(shè)計(jì)處理能夠完成高光譜遙感影像圖像分類(lèi)，通過(guò)圖4和表1可以看出：并行設(shè)計(jì)算法完成遙感影像分類(lèi)運(yùn)算時(shí)間少、計(jì)算速度快，并行化處理的速度比串行處理的速度提高了幾十倍。隨著數(shù)據(jù)量的加大，加速效果也更為明顯。在數(shù)據(jù)量為158×382×1092時(shí)，4種算法的加速比：SAM為25.68倍、SCM為25.41倍、SIDM為17.55倍、SWM為23.68倍。從而并行化處理能夠快速完成高光譜海量數(shù)據(jù)分類(lèi)。

4結(jié) 論

圖3　并行分類(lèi)設(shè)計(jì)處理的結(jié)果Fig.3　The processed results by the parallel classification(A)SAM分類(lèi)結(jié)果; (B)SCM算法分類(lèi)結(jié)果; (C)SIDM算法分類(lèi)結(jié)果; (D)SWM算法分類(lèi)結(jié)果

圖4　4種算法加速比Fig.4　The speedups with 4 algorithms(A)SAM算法加速比; (B)SCM算法加速比; (C)SIDM算法加速比; (D)SWM算法加速比

算法數(shù)據(jù)量運(yùn)行時(shí)間/ms并行串行加速比算法數(shù)據(jù)量運(yùn)行時(shí)間/ms并行串行加速比SAMSCM158×191×27316.5735921.60158×382×27329.8371724.04158×382×54648.14113924.28158×382×109298.39252725.68158×191×27317.5735720.32158×382×27335.8474520.79158×382×54650.12121124.16158×382×1092105.78268825.41SIDMSWM158×191×27335.23408.6711.6158×382×27329.83964.4916.04158×382×546125.462105.216.78158×382×1092263.674627.417.55158×191×27330.12325.2910.8158×382×27362.151071.417.24158×382×546128.742482.219.28158×382×1092272.116443.623.68

本文通過(guò)高光譜遙感影像分類(lèi)算法深入研，提出相同的軟硬件條件和數(shù)據(jù)量條件下對(duì)同一算法分類(lèi)的運(yùn)算速度作出改進(jìn)，得出高光譜分類(lèi)算法的并行策略，將并行策略運(yùn)用到實(shí)際高光譜影像數(shù)據(jù)中，結(jié)果表明并行設(shè)計(jì)方案下高光譜各分類(lèi)算法能夠?qū)Ω吖庾V遙感影像數(shù)據(jù)進(jìn)行分類(lèi)處理，處理時(shí)間短，運(yùn)算速度快，對(duì)大數(shù)據(jù)高光譜遙感影像分類(lèi)處理具有重大意義。

[參考文獻(xiàn)]

[1] Liu K, Zhang L F, Qin H H,etal. Weighted spectral unmixing method for hyperspectral mineral mapping[J]. Journal of Remote Sensing, 2013, 17(3): 609-615.

[2] 徐元進(jìn),胡光道,張獻(xiàn).基于窮舉法的高光譜遙感圖像地物識(shí)別研究[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2008,33(2):124-127.

Xu Y J, Hu G D, Zhang X. Object identification for hyperspectral image based on exhaustive method[J]. Geomatics and Information Science of Wuhan University, 2008, 33(2): 124-127. (In Chinese)

[3] 宋相法,焦李成.基于稀疏表示及光譜信息的高光譜遙感圖像分類(lèi)[J].電子與信息學(xué)報(bào),2012,34(2):268-272.

Sony X F, Jiao L C. Classification of hyperspectral remote sensing image based on sparse representation and spectral information[J]. Journal of Electronics & Information Technology, 2012, 34(2): 268-272. (In Chinese)

[4] 王坷,顧行發(fā),余濤,等.基于頻譜相似性的高光譜遙感圖像分類(lèi)方法[J].中國(guó)科學(xué),2013,43(4):407-416.

Wang K, Gu H F, Yu T,etal. Based on the classification algorithm of the hyperspectral remote sensing image on spectral similarity[J]. Science China, 2013, 43(4): 407-416. (In Chinese)

[5] 張敬,朱獻(xiàn)文,何宇.高光譜遙感圖像分類(lèi)算法中的應(yīng)用研究[J].計(jì)算機(jī)仿真,2012,29(2):281-284.

Zhang J, Zhu X W, He Y. Application of hyperspectral remote sensing images classification method[J]. Computer Simulation, 2012, 29(2): 281-284. (In Chinese)

[6] Kumar A S, Keerthi V, Manjunath A S,etal. Hyperspectral image classification by a variable interval spectral average and spectral curve matching combined algorithm[J]. International Journal of Applied Earth Observation and Geoinformation, 2010, 12(4): 261-269.

[7] 程賓洋.高光譜遙感蝕變礦物填圖算法并行設(shè)計(jì)與實(shí)現(xiàn)[D].成都:成都理工大學(xué)檔案館,2013.

Chen B Y. The Parallel Design and Implementation of Hyperspectral Remote Sensing Mineral Mapping Algorithm[D]. Chengdu: The Archive of Chengdu University of Technology, 2013. (In Chinese)

Parallel design and realization of classification algorithm of

hyperspectral remote sensing image

QIN Fei-long, GUO Ke, LIU Bing-li, ZHOU Zhong-li, CHENG Bin-yang, WU Jin

TheKeyLaboratoryofMathematicalGeologyinSichuan,

ChengduUniversityofTechnology,Chengdu610059,China

Abstract:This paper discusses the speed of the classification algorithm of hyperspectral remote sensing images. The classification algorithms of SAM, SCM, SIDM and SWM are designed by the parallel reconstruction method. The parallel reconstruction method is used to process the data of the hyperspectral remote sensing images which comes from Daye County in Hubei Province. The result shows that the parallel algorithm can effectively finish the classification of the images and the speed of the parallel processing is accelerated through increasing the amount of the image data. The parallel processing speed of SAM is 25.68 times, that of SCM is 25.41 times, that of SIDM is 17.55 times, and that of SWM is 23.68 times when the amount of data is 158×382×1092. The time of processing the remote sensing images by the parallel classification algorithm is shorter than that by the series classification algorithm.

Key words:concurrent design; hyperspectral image; classification algorithm

[文獻(xiàn)標(biāo)志碼][分類(lèi)號(hào)] O29: P627 A

DOI:10.3969/j.issn.1671-9727.2016.01.13

[文章編號(hào)]1671-9727(2016)01-0119-05

[收稿日期]2014-10-27。

[基金項(xiàng)目]2013高等學(xué)校博士學(xué)科點(diǎn)專(zhuān)項(xiàng)科研聯(lián)合資助項(xiàng)目(20135122110010); 國(guó)家自然科學(xué)基金資助項(xiàng)目(41272363); 地質(zhì)調(diào)查科技支撐計(jì)劃項(xiàng)目(12120114002001)。

[第一作者] 秦飛龍(1983-)，男，博士研究生,研究方向：地化勘探、數(shù)學(xué)地質(zhì), E-mail:lida_112@163.com。

[通信作者]柳炳利(1981-)，男，博士，講師,研究方向：地化勘探、數(shù)學(xué)地質(zhì), E-mail:22816707@qq.com。