面向对象的多特征分级CVA遥感影像变化检测

变化矢量分析CVA方法在中低分辨率遥感影像变化检测中已得到广泛应用,但由于高分辨率遥感影像存在不同地物尺度差异大、不同类别地物光谱相互重叠的问题,因此对于高分影像的变化检测具有局限性。为提高高分影像变化检测精度,提出了一种面向对象的多特征分级CVA变化检测方法,首先,利用基于区域邻接图的影像分割方法分别对两时相遥感影像进行多尺度分割,提取分割图斑的光谱、纹理和形状特征;然后,在各级尺度下,分别运用随机森林方法进行特征选择,计算CVA变化强度图;最后,根据信息熵对多级变化强度图进行自适应融合,利用Otsu阈值法检测变化区域,并与仅考虑光谱特征的分级CVA变化检测方法、像元级多特征CVA变化检测方法以及仅考虑光谱特征的像元级CVA变化检测方法进行比较分析。实验表明:与比较方法相比,本文方法的变化检测精度较高,误检率和漏检率较低。     

基于GPU的遥感影像加速处理算法

随着图形处理器(GPU)计算功能的日益强大,人们不再满足仅仅用它来做图形处理,而是越来越多地将其应用在通用计算方面。在遥感影像融合的很多算法中,影像数据都可以被并行的处理。本文针对融合处理中的遥感影像数据源为GPU设计了具有数据级并行性的输入流,介绍了利用OpenGL着色语言在GPU中实现融合算法的过程,实验结果表明基于GPU的IHS融合算法的处理速度在数据量较大时较之基于CPU的算法有明显的优势,而且这种优势随图像数据量的增加而越来越明显。     

基于可编程GPU的遥感影像快速处理研究

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。     

结合变化向量分析和直觉模糊聚类的遥感影像变化检测方法

针对多时相遥感影像变化检测存在数据不确定性、检测精度不高等问题，提出了一种结合变化向量分析（CVA）和直觉模糊C均值聚类算法（IFCM）的多时相遥感影像变化检测方法. 首先通过CVA构建两个时相遥感影像的差异影像；然后采用直觉模糊C均值聚类算法对差异影像进行聚类得出变化区域和未变化区域；最后对变化检测结果进行二值化处理并进行精度评价. 选取两个时相的高分一号遥感影像和Szada数据集影像作为实验数据. 实验结果表明，采用提出的方法可有效解决传统方法存在的数据不确定性问题，变化检测精度达到了95.92%和92.70%，是一种可行的遥感影像变化检测方法. 研究结果可用于森林动态变化监测、土地复垦利用规划变化分析以及灾损评估.      

粒子群算法及多阈值指数熵的遥感影像变化检测方法研究

在遥感影像检测中,一般采用多变化阈值来提高检测精度,但会导致运算量的增加。为解决该问题,提出利用粒子群算法及多阈值指数熵的遥感影像变化检测新方法。首先采用影像差值法构造差异影像;然后提出利用粒子群和多阈值指数熵的遥感影像分割方法,并将其用于对差异影像进行分割获取变化区域;最后对选取的实验数据进行变化检测,并与基于模糊C均值、双阈值指数熵、三阈值指数熵的非监督变化检测方法进行比较。实验结果显示,提出的变化检测方法其精度为94.77%,本案方法是一种有效地、可靠的遥感影像变化检测方法。     

多波段信息融合的遥感影像变化检测

传统遥感影像变化检测方法大多基于单波段信息,难以完整检测影像的变化信息。针对该问题,提出了一种基于马尔可夫随机场模型(MRF)的多波段遥感影像变化检测方法,利用MRF模型融合所有波段的变化信息。在求解MRF模型参数的过程中,引入MoLC与EM混合模型进行迭代计算。实验结果表明,本文方法的检测精度优于现有的变化检测方法,并且稳定性良好。     

基于CPU和GPU协同处理的光学卫星遥感影像正射校正方法

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。     

基于改进决策树算法的山区遥感影像变化检测方法

为了能够精准检测山区遥感影像变化,提出一种基于改进决策树算法的山区遥感影像变化检测方法。利用K-SVD算法始化处理过完备字典,采用带有噪声的山区遥感影像训练字典,通过学习获取的字典稀疏表示含噪山区遥感影像,得到每个小块影像的稀疏表示系数,平均处理小块影像,获得去噪后的山区遥感影像。采用邻域相关分析技术获取描述上下文信息的邻域相关影响,通过邻域像素间的相关性展开模板匹配得到匹配误差。同时根据方向梯度信息提取山区遥感影像的结构特征,将邻域相关影像、匹配误差和结构特征输入改进后的决策树算法,将其作为分类属性,检测出山区遥感影像变化,实现山区遥感影像变化检测。实验结果表明,所提方法可有效检测出山区遥感图像的变化,并且检测500个样本图像的时间仅为335.4 s,因此,该方法可以获取准确率更高且检测时间更短的山区遥感影像变化检测结果。     

CPU和GPU协同的多光谱影像快速波段配准方法

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。     

建筑物变化的多特征融和及随机多图综合检测法

针对遥感影像建筑物变化检测过程中存在构造的差异影像凸显建筑物效果不理想 、提取训练样本质量差及分类精度低等问题,本文从差异影像构造、高质量训练样本提取及分类方法等3方面进行研究,提出一种基于多特征融合及随机多图的遥感影像建筑物变化检测方法.首先,把通过CVA获取不同时相遥感影像光谱特征差异图、纹理特征(灰度共生矩阵法)差异图及通过求差获取不同时相遥感影像形态学建筑物指数特征差异图、最佳尺度分割后的形状特征差异图按照一定比例相加来构造差异影像,从而有效凸显建筑物变化信息;然后采用构造的变分去噪模型对差异影像进行去噪处理,利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值算法对显著性图选取阈值得到的粗变化检测图进行预分类,从而获取高质量建筑物及非建筑物训练样本;最后,把从遥感影像及特征影像上提取建筑物和非建筑物训练样本的邻域特征引入随机多图分类模型中进行标签训练,并利用训练好的随机多图分类器对粗变化检测图进行建筑物变化检测,从而得到高精度的建筑物变化检测结果.为了验证本文方法的有效性,选择同源及多源遥感影像进行试验分析.试验结果表明,本文方法可以检测出更多建筑物变化信息及较少的非建筑物变化信息,同时Com值、Cor值及FM值也明显高于其他比较方法.     

基于CUDA的高效并行遥感影像处理

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...     

基于多GPU的Harris角点检测并行算法

提出了一种基于多图形处理器(graphic processing unit,GPU)设计思想的Harris角点检测并行算法,使用众多线程将计算中耗时的影像高斯卷积平滑滤波部分改造成单指令多线程(single instruction multi-ple thread,SIMT)模式,并采用GPU中共享存储器、常数存储器和锁页内存机制在统一计算设备架构(com-pute unified device archetecture,CUDA)上完成影像角点检测的全过程。实验结果表明,基于多GPU的Har-ris角点检测并行算法比CPU上的串行算法可获得最高达60倍的加速比,其执行效率明显提高,对于大规模数据处理呈现出良好的实时处理能力。     

A Parallel Scheme for Large‐scale Polygon Rasterization on CUDA‐enabled GPUs

This research develops a parallel scheme to adopt multiple graphics processing units (GPUs) to accelerate large‐scale polygon rasterization. Three new parallel strategies are proposed. First, a decomposition strategy considering the calculation complexity of polygons and limited GPU memory is developed to achieve balanced workloads among multiple GPUs. Second, a parallel CPU/GPU scheduling strategy is proposed to conceal the data read/write times. The CPU is engaged with data reads/writes while the GPU rasterizes the polygons in parallel. This strategy can save considerable time spent in reading and writing, further improving the parallel efficiency. Third, a strategy for utilizing the GPU's internal memory and cache is proposed to reduce the time required to access the data. The parallel boundary algebra filling (BAF) algorithm is implemented using the programming models of compute unified device architecture (CUDA), message passing interface (MPI), and open multi‐processing (OpenMP). Experimental results confirm that the implemented parallel algorithm delivers apparent acceleration when a massive dataset is addressed (50.32 GB with approximately 1.3 × 10⁸ polygons), reducing conversion time from 25.43 to 0.69 h, and obtaining a speedup ratio of 36.91. The proposed parallel strategies outperform the conventional method and can be effectively extended to a CPU‐based environment.     

CPU/GPU near real-time preprocessing for ZY-3 satellite images: Relative radiometric correction,MTF compensation,and geocorrection

ZY-3 is the first high-accuracy civil stereo-mapping optical satellite of China. It greatly improves China’s optical satellite image resolution with a boom in data volume, calling for new challenges in processing real-time applications. On the other hand, using central processing unit (CPU)/graphic processing unit (GPU) to resolve data-intensive remote sensing problems becomes a hot issue. In this paper, we present an approach for CPU/GPU near real-time preprocessing of ZY-3 satellite images, focusing on three key processors: relative radiometric correction (RRC), modulation transfer function compensation (MTFC), and geocorrection (GC). First, basic GPU implementation issues are addressed to make the processors capable of processing with GPU. Second, three effective GPU specific optimizations are applied for further improvement of the GPU performance. Furthermore, to fully exploit the CPU’s computing horsepower within the system, a CPU/GPU workload distribution scheme is proposed, in which CPU undertakes partial computation to share the workloads of GPU. The experimental result shows that our approach achieved an overall 48.84-fold speedup ratio in ZY-3 nadir image preprocessing (the corresponding run time is 11.60 s for one image), which is capable of meeting the requirement of near real-time response to the applications that follow. In addition, with the supportability of IEEE 754–2008 floating-point standard in the Fermi type GPU, preprocessing ZY-3 images with our CPU/GPU processors could maintain the quality of image preprocess as done traditionally with CPU processors.     

面向对象的遥感影像变化检测方法

针对变化检测区域内变化区域与未变化区域面积比例较低时,通过常规的阈值计算无法在变化检测中确定准确的变化阈值问题,该文提出了一种带样本选择的面向对象遥感影像变化检测方法。该方法首先对多时相遥感影像进行多尺度分割获取像斑,并采用变化向量分析法计算像斑的差异度;然后,自适应选择训练样本,结合基于期望最大化算法和贝叶斯最小误差率理论的阈值计算方法,采用独立阈值法确定变化阈值;最后,利用变化阈值对差异影像进行二值分割,并获取变化检测结果。实验结果表明该文方法在变化检测精度上优于常规方法。     

基于GPU并行计算的巨幅遥感影像坐标转换研究与实现

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。     

基于变化向量分析（CVA）的土地利用／覆盖变化动态监测（Ⅱ）—变化类型的确定方法

以光谱直接比较为基础的变化向量分析法是一种非常有效的土地利用／覆盖变化动态监测方法，在双窗口变步长阈值搜寻方法确定变化和非变化像元的基础上，提出了参考图像分类并结合变化向量方向余弦最小距离分类的变化类型确定方法，同时应用该方法在北京市海淀区进行了实验研究，得到了较为理想的结果。变化类型的判断精度达到70％以上，显示了新方法的优越性和技术可行性。     

面向对象的遥感变化检测研究

通过分析传统的遥感变化检测方法存在的问题,提出了面向对象的遥感变化检测方法。本文利用某地ETM+两个时相的遥感影像,将面向对象和传统变化检测方法进行定性定量的比较,从而得出面向对象的遥感变化检测方法的优势。该方法采用了基于相邻影像区域合并异质性最小的面向对象的多尺度分割方法和模糊分类的方法对变化检测图像进行处理,从而提高了变化检测结果的精度。最终得到较理想的实验分析结果。