共查询到17条相似文献，搜索用时 203 毫秒
1.
随着航空航天遥感技术的不断发展,以遥感影像为代表的栅格数据分辨率越来越高,遥感影像处理呈现出数据量大、复杂度高的特点。近年来,通用GPU的运算性能不断提高为加速密集运算提供了新的途径,目前,采用GPU并行技术进行遥感影像处理成为新的研究热点。本文提出了基于GPU并行计算的巨幅遥感影像坐标转换方法,实践证明,相比于传统的转换方法基于GPU的算法有较为明显的提速。 相似文献
2.
遥感影像CVA变化检测的CUDA并行算法设计 总被引：1，自引：1，他引：0
随着遥感影像数据量以及复杂程度的日益增加,遥感图像的快速处理成为实际应用过程中亟需解决的问题。为了实现遥感影像的实时变化检测,针对基于变化矢量分析CVA的变化检测算法,设计了一种基于统一计算设备构架CUDA的并行处理模型。首先利用地理空间数据提取库GDAL实现大数据量遥感影像的分块读取、操作和保存;其次将基于变化矢量分析的变化检测过程分为变化强度检测、映射表构建和变化方向检测,并借助CUDA C将变化矢量分析算法的3个步骤嵌入到CPU和GPU组成的异构平台上进行实验;最后利用该模型对不同数据量的遥感影像进行CVA变化检测并作对比分析。实验结果表明:与CPU串行相比,基于GPU/CUDA的遥感影像CVA的变化检测速度提高了10倍左右;在一定程度上,达到了实时变化检测的效果。 相似文献
3.
基于CUDA的高效并行遥感影像处理 总被引：2，自引：1，他引：1
近年来,随着空间遥感技术的发展,使得遥感影像数据呈几何级数增长,遥感影像的处理面临数据量大、密集度高、计算复杂度高和运算量大等问题。在分析最新GPU（图形处理单元）的并行架构和统一计算设备架构（CUDA）灵活的可编程性的基础上,提出了一种基于CUDA的遥感影像的高效处理方法,以遥感影像处理中常用的快速傅里叶变换、边缘检... 相似文献
4.
5.
基于CPU和GPU协同处理的光学卫星遥感影像正射校正方法 总被引：2，自引：0，他引：2
本文系统地探讨了基于CPU和GPU协同处理的光学卫星遥感影像正射校正方法。首先使用“层次性分块”策略设计了基于CPU和GPU协同处理的正射校正方法,然后通过配置选择优化和存储层次性访问等手段进一步提高了方法执行效率。在Tesla M2050 GPU上对资源三号卫星下视全色影像进行正射校正的实验结果表明,本文方法大幅提高了光学卫星遥感影像正射校正效率,与传统串行正射校正算法相比,加速比最高达到110倍以上,相应的处理时间压缩至5s以内,可满足对大数据量光学卫星遥感影像进行快速正射校正的要求。 相似文献
6.
对吉林一号光学卫星的应急快速处理方法研究 总被引：1，自引：0，他引：1
《测绘地理信息》2017,(4)
在CPU/GPU协同处理框架下,系统地探讨了光学遥感影像高性能处理方法。首先,实现光学卫星数据处理算法的GPU高效映射,将MTF补偿、传感器校正(包括波段配准和影像拼接)、系统几何校正等算法高效映射至GPU并行执行;在此基础上,为充分利用CPU高频化优势和加速I/O运算,利用Ramdisk技术在内存盘处理程序数据与结果输出,利用Intel C++Compiler编译优化框架。在GeForce GT 755M(GPU)、Mobile Quad Core Intel Core i7-4700MQ(CPU)的Windows系统环境下,对吉林一号卫星全色影像和多光谱影像原始数据进行0~2级产品的光学遥感影像预处理。实验结果表明,与传统预处理算法相比,此高性能算法的处理时间缩短到了40s以下,最高加速比达到11.216,可满足对海量光学卫星遥感影像数据的应急快速处理需求。 相似文献
7.
8.
自然灾害发生后,由于救灾的紧迫性,应急测绘保障要求我们第一时间提供处理后的灾区影像,但是现阶段我们仅能做到原始影像的快速获取,无法有效地快速处理遥感影像。本文研究了图形处理器(GPU)的并行可编程性和CUDA编程模型特征,通过对遥感影像正射纠正,快速傅里叶变换(FFT)和高斯差分算法的CUDA编程设计,在GPU上实现这三种算法的快速并行处理,并与CPU结果对比,证明GPU能够在数据精度和CPU保持一致的基础上大幅缩短遥感影像处理时间,加速比可以达到一个数量级。 相似文献
9.
遥感影像融合关键技术探讨 总被引：1，自引：1，他引：0
随着遥感技术的发展,越来越多的不同传感器的遥感影像相继出现,为用户提供不同空间分辨、不同时相与多光谱信息的海量遥感影像数据成为现实。不同数据源的数据各自显示了自身的优势和局限,同时也造成了信息冗余。如何有效的利用这些多源影像数据是目前人们所关注的问题,进而影像融合问题被提出来。多源遥感影像融合是遥感图像处理和信息获取领域的一门新技术,所以在影像融合过程中需要进一步研究其中的关键技术。本文对遥感影像融合过程中的关键技术进行了详尽的分析和探讨。 相似文献
10.
随着遥感影像数据量的飞速增长,传统的串行波段配准方法已无法满足大数据多光谱影像的实时配准需求。针对该问题,提出了一种CPU和GPU协同的多光谱影像快速波段配准方法。首先进行计算量和并行度分析,将同名点匹配和微分纠正映射至GPU执行,仿射变换系数拟合仍驻留在CPU执行。其次通过核函数任务映射和基本设置,使算法步骤在GPU上可执行,并设计了3种性能优化方法(访存优化、指令优化、传输计算堆叠),进一步提高了波段配准的执行效率。在NVIDIA Tesla M2050 GPU和Intel Xeon E5650 CPU组成的实验平台上,对遥感26号卫星多光谱影像的实验表明,使用该方法加速后的波段配准执行时间仅为3.25 s,与传统串行方法相比,加速比达到了32.32倍,可以满足大数据多光谱影像的近实时配准需求。 相似文献
11.
基于GPGPU的并行影像匹配算法 总被引：7，自引：1，他引：6
提出一种基于GPGPU的CUDA架构快速影像匹配并行算法,它能够在SIMT模式下完成高性能并行计算。并行算法根据GPU的并行结构和硬件特点,采用执行配置技术、高速存储技术和全局存储技术三种加速技术,优化数据存储结构,提高数据访问效率。实验结果表明,并行算法充分利用GPU的并行处理能力,在处理1280×1024分辨率的8位灰度图像时可达到最高多处理器warp占有率,速度是基于CPU实现的7倍。CUDA在高运算强度数据处理中呈现出的实时处理能力和计算能力,为进一步加速影像匹配性能和GPU通用计算提供了新的方法和思路。 相似文献
12.
<正>射纠正是生成正射影像的关键步骤。随着国产卫星不断发射升空,国产卫星遥感影像的数据量急剧增加,正射纠正的处理速度越来越受到关注。传统的卫星遥感影像正射纠正多采用串行固定分块策略进行纠正,效率较低,单景处理时间长,单位时间内正射纠正的生产达不到要求,而GPU高性能加速对计算机硬件的要求较高,在实际生产中并没有很好地使用。本文在分析正射纠正算法并行性的基础上,提出了多核并行分块自适应正射纠正方法,能够在台式机和普通笔记本上高效计算,极大地提高了正射纠正的效率,获得了一定的加速比,很好地满足了实际生产要求。 相似文献
13.
Fang Huang Yinjie Chen Li Li Ji Zhou Xicheng Tan 《International Journal of Digital Earth》2019,12(3):328-353
The mean shift image segmentation algorithm is very computation-intensive. To address the need to deal with a large number of remote sensing (RS) image segmentations in real-world applications, this study has investigated the parallelization of the mean shift algorithm on a single graphics processing unit (GPU) and a task-scheduling method with message passing interface (MPI)+OpenCL programming model on a GPU cluster platform. This paper presents the test results of the parallel mean shift image segmentation algorithm on Shelob, a GPU cluster platform at Louisiana State University, with different datasets and parameters. The experimental results show that the proposed parallel algorithm can achieve good speedups with different configurations and RS data and can provide an effective solution for RS image processing on a GPU cluster. 相似文献
14.
Tianjun Wu Liegang Xia Jiancheng Luo Xiaocheng Zhou Xiaodong Hu Jianghong Ma Xueli Song 《Journal of the Indian Society of Remote Sensing》2018,46(11):1805-1814
In high-resolution remote sensing image processing, segmentation is a crucial step that extracts information within the object-based image analysis framework. Because of its robustness, mean-shift segmentation algorithms are widely used in the field of image segmentation. However, the traditional implementation of these methods cannot process large volumes of images rapidly under limited computing resources. Currently, parallel computing models are generally employed for segmentation tasks with massive remote sensing images. This paper presents a parallel implementation of the mean-shift segmentation algorithm based on an analysis of the principle and characteristics of this technique. To avoid the inconsistency on the boundaries of adjacent data chunks, we propose a novel buffer-zone-based data-partitioning strategy. Employing the proposed data-partitioning strategy, two intensively computation steps are performed in parallel on different data chunks. The experimental results show that the proposed algorithm effectively improves the computing efficiency of image segmentation in a parallel computing environment. Furthermore, they demonstrate the practicality of massive image segmentation when computer resources are limited. 相似文献
15.
研究了一种基于数据划分的遥感影像并行处理的路径优化算法,用于解决将并行技术应用于海量遥感影像分布式存储和处理领域时其处理模型所具有的多路可达性所引起的路径动态、最优选择问题。在栅格数据可分解性分析及并行模型数据态、元素、相对信息量和映射等8个基本定义和6个性质的基础上,给出并行处理一般数学模型。以该模型为基础获得在一般并行处理情况下,以平均计算代价变量的比值作为控制横向并行与纵向并行选择方式的标志,并进一步给出四叉树索引并行生成、基于四叉树的目标检测并行处理等具体示例。最后,通过试验验证了算法的有效性,分析了算法的特点及影响因素。 相似文献
16.
17.
The Markov chain random field (MCRF) model is a spatial statistical approach for modeling categorical spatial variables in multiple dimensions. However, this approach tends to be computationally costly when dealing with large data sets because of its sequential simulation processes. Therefore, improving its computational efficiency is necessary in order to run this model on larger sizes of spatial data. In this study, we suggested four parallel computing solutions by using both central processing unit (CPU) and graphics processing unit (GPU) for executing the sequential simulation algorithm of the MCRF model, and compared them with the nonparallel computing solution on computation time spent for a land cover post-classification. The four parallel computing solutions are: (1) multicore processor parallel computing (MP), (2) parallel computing by GPU-accelerated nearest neighbor searching (GNNS), (3) MP with GPU-accelerated nearest neighbor searching (MP-GNNS), and (4) parallel computing by GPU-accelerated approximation and GPU-accelerated nearest neighbor searching (GA-GNNS). Experimental results indicated that all of the four parallel computing solutions are at least 1.8× faster than the nonparallel solution. Particularly, the GA-GNNS solution with 512 threads per block is around 83× faster than the nonparallel solution when conducting a land cover post-classification with a remotely sensed image of 1000?×?1000 pixels. 相似文献