研究目的
为在CUDA上开发高光谱图像分类的属性剖面并行实现方案，旨在相比CPU实现缩短执行时间。
研究成果
与CPU版本相比，扩展属性剖面的GPU实现显著缩短了执行时间（最高加速达48倍），从而能够对高光谱图像进行实时处理。该方法有效建模了空间信息并提高了分类精度，在遥感领域具有扩展至其他属性和应用的潜力。
研究不足
该实现仅限于特定属性（面积和标准差），若不做修改可能无法推广至其他属性。大型数据集在GPU上的内存限制要求进行波段处理，这可能会影响效率。本研究仅使用两个数据集，限制了其普适性。
1：实验设计与方法选择：
该方法基于洪水与过滤流程（无需构建最大树结构），采用CUDA在GPU上并行实现，包含小波特征提取以减少光谱波段，以及属性滤波进行空间信息建模。
2：样本选择与数据来源：
使用两个数据集——帕维亚中心高光谱图像（1096×715像素，102个波段）和圣地亚哥地区多光谱图像（10748×12288像素，8个波段）。
3：实验设备与材料清单：
配备Intel Core i7微处理器、16GB内存的个人计算机，搭载8GB全局显存的Nvidia GTX 1070 GPU。软件包括用于分类的CUDA C++和LIBSVM。
4：实验流程与操作步骤：
包含小波特征提取、连通域标记、属性初始化与更新、区域合并、根节点查找及属性剖面构建。内核在GPU上执行，采用特定内存管理（全局/纹理/常量/共享内存）。
5：数据分析方法：
测量并比较GPU与CPU实现的执行时间，通过RBF核SVM结合交叉验证评估分类精度。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
GPU
GTX 1070
Nvidia
Parallel processing of attribute profiles for hyperspectral image classification
-
Software
CUDA C++
Nvidia
Implementation of GPU kernels for parallel computation
-
Microprocessor
Core i7
Intel
Host processing for CPU comparisons and overall system control
-
Sensor
ROSIS-03
Acquisition of hyperspectral image data for the Pavia Centre dataset
-
Sensor
WV110
Acquisition of multispectral image data for the Santiago area dataset
-
Library
LIBSVM
Support vector machine classification of the processed images
-
登录查看剩余4件设备及参数对照表
查看全部
