随着遥感技术的快速发展,遥感图像出现了高时间分辨率、高空间分辨率和高光谱分辨率的三高特点,这使得遥感图像数据量呈现快速海量增长趋势。与此同时,随着现实应用需求的精度要求不断提高,遥感图像处理算法也不断向着计算更复杂、处理更精确的方向发展。而在实际应用中,有些应用又需要实时或者接近实时的处理速度。因此,遥感图像数据处理速度面临着巨大的挑战。在高性能计算领域,CPU-GPU异构混合执行模式是体系结构方向最新的研究成果。GPU(Graphic Process Unit)具有计算单元众多等优点,在计算处理能力方面比CPU具有优势,但在逻辑控制等方面不如CPU。CPU-GPU就是结合CPU与GPU各自的优点而提出的一种新的处理模式。已有的加速处理遥感图像的研究主要集中在使用多核CPU并行处理方式上,本文从新的CPU-GPU异构执行模式出发,选取遥感图像处理过程中配准与融合两个重要步骤,研究其基于GPU的遥感图像并行处理算法及其优化技术。一方面,通过研究通用的并行模型、合理的数据划分,将标准的串行处理程序在保证有效性的前提下移植到GPU上高效执行,另一方面,结合CPU-GPU体系结构特点,研究特定的面向遥感应用的GPU优化技术。具体说来,本文主要工作与贡献有以下几点:1.深入研究了CPU-GPU异构执行模式。新发展的CPU-GPU异构模式有多种执行平台,相比较而言, NVIDA公司GPU编程语言是基于C语言的扩展,更利于程序员快速掌握并充分的发挥GPU的执行性能。因此本文选取了NVIDIA GPU为开发平台,对应的NVIDA CUDA编程语言为开发工具。2.深入研究了遥感图像配准与融合理论。基于小波分解的全局配准算法计算精度高,但耗时较长,因此本文选取了分别基于相关系数与互信息两种相似性测度的小波分解全局配准算法进行并行设计与实现;融合算法种类多,每种算法都在某方面有优势,耗时少的精度不高,精度高的耗时长,因此本文选取了直接融合算法、HPF融合算法、BROVEY变换融合算法、YIQ变换融合算法与IHS变换小波增强融合算法五种计算精度不断提高耗时逐渐增长的典型融合算法进行并行设计与实现。3.研究并设计实现了配准与融合的GPU高性能并行处理算法。对选取的这些配准与融合算法,结合GPU并行执行数据的模式与特点,从通用的并行映射模型、合理的数据划分方式与并行实现的正确性等方面进行并行设计,开发出了高效率的并行算法。实验结果表明,实现的并行算法执行性能得到了显著提升,取得了良好的并行加速比。4.研究并实现了遥感图像GPU高性能处理算法程序面向存储级的优化策略。GPU具有多层次的存储结构,对其合理有效的利用可以进一步提升执行性能。本文结合GPU体系结构特点与处理数据方式,研究了遥感图像应用面向GPU存储级的优化策略,同时研究了这些策略的可扩展性与适应性。实验结果表明,这些优化策略能够很好的适应遥感图像GPU高性能处理领域,对其他领域的应用优化也提供了借鉴。
