高光譜遙感影像分類算法并行處理設計與實現

秦飛龍, 郭　科, 柳炳利, 周仲禮, 程賓洋, 武　進

(成都理工大學 數學地質四川省重點實驗室,成都 610059)

?

高光譜遙感影像分類算法并行處理設計與實現

秦飛龍, 郭科, 柳炳利, 周仲禮, 程賓洋, 武進

(成都理工大學 數學地質四川省重點實驗室,成都 610059)

[摘要]探討高光譜遙感影像分類算法處理遙感影像速度。通過光譜角度匹配(SAM)、光譜相關系數匹配(SCM)、信息散度匹配(SIDM)、光譜波形匹配(SWM)進行并行化改造設計，將改造的并行化算法應用到湖北大冶遙感影像數據分類處理中，結果表明并行化算法能夠有效完成高光譜遙感影像分類，數據量增大，并行化處理速度加快，數據量為158×382×1 092時，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。并行分類算法處理遙感影像分類速度較串行分類算法處理快。

[關鍵詞]并行設計;高光譜影像;分類算法

高光譜遙感圖像對人類社會帶來了大量空間影像數據相關信息，在地質、氣候、環境、軍事、農業等領域起著廣泛應用。高光譜處理技術最關鍵環節就是給高光譜數據分類處理。高光譜遙感影像礦物填圖[1]是建立在遙感圖像分類的基礎上，結合高光譜圖像自身特點，對所選區域的目標進行劃分與確認的過程。不同種類的地物在遙感影像上的亮度值、像元值以及空間變化規律都不相同[2]，在遙感領域中通過這些差異對遙感圖像進行分類并提供地物依據。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據量變得越來越巨大，常用的高光譜遙感影像分類算法在處理大數據高光譜影像時效果不明顯，運算速度慢，這使得高光譜遙感影像分類技術在處理實際海量數據時效果不佳，從而有必要對高光譜分類算法進行改進，提高分類處理速度。高光譜遙感影像光譜具有分辨率高、遙感影像任意一個像元點的光譜特征曲線精細、波長范圍寬、數據具有定量性等特點[3]，對高光譜影像分類處理更不容易。然而要得到好的分類效果，必須對高光譜數據進行擴充，顯然就得提高分類運算速度。因此，本文以4種常見的高光譜遙感影像分類算法為例進行并行處理，可以把遙感影像分類處理的速度提高幾十倍，實現大規模的高光譜遙感影像數據分類。

1高光譜遙感影像分類算法

目前，高光譜遙感影像分類的算法[4-6]比較廣泛，但分類算法大體上分為2種：一種是根據遙感圖像統計特性構建分類模型進行分類;另一種是通過地物物理光學性質的不同而進行地物分類，它的主要分類依據是利用地物物理光學性質的光譜曲線來識別地物。通過地物物性的分類方法是運用最廣的方法，原因是該分類算法的匹配既可全波長范圍內比較，也可以是特定波段的分波長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)、光譜相關系數匹配(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算法。

光譜角度匹配原理

(1)

光譜相關系數匹配原理

(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算法并行設計

2.1波譜庫數據重采樣

大部分高光譜遙感影像分類算法要求待分類的高光譜遙感影像與波譜庫數據具有相同的波段數，然而實際情況下這兩種數據相同情況很少，需要對波譜庫數據進行重采樣。波譜庫數據重采樣要求波譜庫數據采樣的波段范圍包含在待分類高光譜遙感影像的波段范圍內。有研究者采用簡單的線性插值的方式來完成對波譜庫數據的重采樣[7]。如果待分類的高光譜影像有N個波段，波譜庫中有M種礦物，則將進行N×M次插值運算。由于每種礦物的插值運算是相互獨立的，所以本文采用的并行策略是在GPU中產生M個線程，每個線程負責一種礦物的光譜重采樣。

2.2分類算法的并行策略設計

由分類算法表達式(1)、(2)、(3)和(4)知待分類的高光譜遙感影像中各個像元點與波譜庫礦物的計算是相互獨立的，即各像元點與波譜庫中礦物的計算結果只與該像元點在各個波長段的反射率值相關，而與其他像元點的反射率值無關。4種高光譜礦物分類算法的并行計算是以高光譜遙感影像的像元為核心，分別計算每一個像元與波譜庫中的各類礦物的值(SAM為夾角余弦值、SCM為兩者之間的相關系數值、SIDM為兩者之間的信息散度值、SWM為兩者之間的擬合度)，采用并行策略設計是根據待分類高光譜影像的像元點數目在GPU中產生相同的線程數目，每個線程通過計算一個像元點與波譜庫中各種礦物的對應關系來對該像元進行分類。分類并行算法流程如下(圖1)：(1)讀取待分類的高光譜遙感影像，讀取參考光譜數據(經過重采樣后的數據)。(2)數據初始化，完成對設備端的內存分配，將遙感數據拷貝到設備端內存。(3)調用相應的內核函數完成計算，線程數目與像元點數目相同。(4)將計算結果由設備端內存拷貝到內存。

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

3并行算法對實際高光譜遙感影像分類處理

本文的光譜數據來源于《東天山的巖性光譜庫數據》，包含了226種礦物在2 101個波段長度的反射率值。實驗數據來自湖北大冶的一組高光譜遙感數據，數據量大小為：158×191×273、158×382×273、158×382×546、158×382×1092。高光譜遙感影像分類算法的計算機CPU型號是intel core(TM)i7，其主頻為2.80 GHz，內存為4.0 G，顯卡型號是NVIDIA GeForce 310M，操作系統為Windows 7 32。4種分類算法的串行和并行程序編寫工作是用Microsoft visual C++ 2008+和CUDA完成的。原始遙感影像顯示和分類結果顯示是用IDL(interactive data language)可視化交互數據語言進行圖形顯示。在實驗時，SAM算法設定的分類閾值為5°，SCM算法設定的分類閾值為0.95，SIDM和SWM未設定分類閾值。并行分類算法處理原始高光譜影像(圖2)得到分類結果如圖3。

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

為了能夠體現分類算法的并行策略優越性，體現分類算法并行化運算速度，將4種分類算法在并行設計與串行設計下進行加速比顯示(圖4)。加速比是指在相同的軟硬件條件和數據量條件下同一種算法串行運行時間和并行運行時間之比。4種算法的加速比統計結果如表1所示。

由圖3可以看出，高光譜影像分類算法并行設計處理能夠完成高光譜遙感影像圖像分類，通過圖4和表1可以看出：并行設計算法完成遙感影像分類運算時間少、計算速度快，并行化處理的速度比串行處理的速度提高了幾十倍。隨著數據量的加大，加速效果也更為明顯。在數據量為158×382×1092時，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據分類。

4結 論

圖3　并行分類設計處理的結果Fig.3　The processed results by the parallel classification(A)SAM分類結果; (B)SCM算法分類結果; (C)SIDM算法分類結果; (D)SWM算法分類結果

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

算法數據量運行時間/ms并行串行加速比算法數據量運行時間/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

本文通過高光譜遙感影像分類算法深入研，提出相同的軟硬件條件和數據量條件下對同一算法分類的運算速度作出改進，得出高光譜分類算法的并行策略，將并行策略運用到實際高光譜影像數據中，結果表明并行設計方案下高光譜各分類算法能夠對高光譜遙感影像數據進行分類處理，處理時間短，運算速度快，對大數據高光譜遙感影像分類處理具有重大意義。

[參考文獻]

[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,胡光道,張獻.基于窮舉法的高光譜遙感圖像地物識別研究[J].武漢大學學報:信息科學版,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[J].電子與信息學報,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,余濤,等.基于頻譜相似性的高光譜遙感圖像分類方法[J].中國科學,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,朱獻文,何宇.高光譜遙感圖像分類算法中的應用研究[J].計算機仿真,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計與實現[D].成都:成都理工大學檔案館,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

[文獻標志碼][分類號] O29: P627 A

DOI:10.3969/j.issn.1671-9727.2016.01.13

[文章編號]1671-9727(2016)01-0119-05

[收稿日期]2014-10-27。

[基金項目]2013高等學校博士學科點專項科研聯合資助項目(20135122110010); 國家自然科學基金資助項目(41272363); 地質調查科技支撐計劃項目(12120114002001)。

[第一作者] 秦飛龍(1983-)，男，博士研究生,研究方向：地化勘探、數學地質, 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、數學地質, E-mail:22816707@qq.com。