基于GPU的快速影像匹配

随着图形处理器(GPU)的飞速发展和计算同一设备架构(CUDA)的推出,GPU的并行性和可编程性不断增强,本文提出了一种基于CUDA的Harris算子影像匹配并行处理方法,在GPU中完成对影像的灰度化、Harris角点提取、重采样、灰度相关匹配,并从线程分配、内存使用、共享存储器等方面进行优化。实验结果表明,该方法与CPU串行处理方法相比,其速度得到了明显提升。     

基于GPGPU的并行影像匹配算法

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。     

一种基于SVM的无人机影像中单个建筑物的角点检测方法

针对目前无人机影像中单个建筑物角点的检测现状,提出了一种基于支持向量机(SVM)的无人机影像中建筑物的角点检测方法。首先对4个波段的无人机影像进行多尺度分割,计算影像的NDVI,通过植被与非植被区域的波谱差异剔除植被的影响。其次,用面向对象分类法将"建筑物块"从影像中提取出来,对"建筑物块"区域用Harris算子进行边缘检测,形成建筑物边缘点集数据。随后通过设计高斯径向基将边缘样本点映射到高维特征空间,构建特征向量,采用边缘点集训练SVM分类模型,最终通过SVM分类模型从粗提取的边缘点集中检测出正确的建筑物角点,实现了单个建筑物的角点提取。     

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。     

面向影像匹配的SUSAN角点检测

在分析比较现有角点提取算法的基础上,将SUSAN算法用于提取高分辨率影像的角点及影像匹配。针对试验中原算法在不规则纹理区提取大量冗余角点及对强边缘敏感等问题,提出按照影像局部和整体对比度的关系自适应计算灰度差阈值,使用矩形模板从边界上确定USAN区域(核值相似区)可能的范围,再检测角点的改进思路。试验证明改进后算法提取的角点位置更为准确,有效剔除了原算法检测结果中的冗余角点,提高了影像匹配速度。     

自适应分块加权Wallis并行匀色

针对区域范围内多幅待镶嵌影像之间的色彩差异问题,提出一种基于GPU的分块加权Wallis并行匀色算法。首先,根据变异系数对影像自适应分块并利用双线性插值确定每一个像素的变换参数,利用加权Wallis变换消除影像间的色彩差异。然后,为了控制区域整体的匀色质量,利用Voronoi图和Dijkstra算法确定影像间的处理顺序。最后,利用GPU技术进行并行任务设计并从配置划分、存储器访问和指令吞吐量等方面进行优化,提高算法运算效率。实验结果表明,本文方法既能有效地消除影像间色彩差异,又能消除影像间的对比度差异。与CPU串行算法相比,GPU并行算法显著减少了计算时间,加速比最高达到60倍以上。     

一种无人机影像分块的亚像素角点快速检测算法

为满足无人机(unmanned aerial vehicle,UAV)影像角点快速检测的需要,针对Harris角点检测算法提取的角点是像素级的、且存在定位不精确和计算效率低的问题,提出了一种改进的、适用于无人机影像的角点检测算法.该算法首先根据最近邻域和对角邻域方向相似像素点特征数目初步筛选角点;然后对无人机影像进行分块处理,进行Harris自适应角点检测;最后,利用加权最小二乘欧几里德距离实现了亚像素角点的快速精确定位.实验验证了该算法的有效性和可行性,所检测的角点分布均匀,显著提高了角点检测速度.     

基于角点的高分辨率遥感影像建筑物提取

几何结构是高分辨率遥感影像中人工地物区别于其他地物目标的突出特征。针对高分辨率遥感影像中建筑物提取的问题,提出一种基于角点这一几何结构特征的建筑物自动提取方法。该方法无需事先标记训练数据,而是通过计算影像的建筑物指数来直接获取建筑物位置。首先利用基于模板的角点检测算子提取影像中的角点;其次综合角点的位置、角度和显著性等信息,利用空间投票的统计方法计算影像中每个像素属于建筑物的概率;最后经过阈值分割得到建筑物提取结果。实验采用了自主收集的影像分辨率为0.5 m的Spacenet65数据集进行测试。结果表明,提出的方法能够准确提取出高分辨率遥感影像中的不同类型的建筑物。     

利用改进的DCCD和SIFT描述符的影像匹配方法

提出一种基于改进的DCCD(double-cirele-based corner detector, )和SIFT(scale invariant feature transform)描述符的影像匹配方法。在特征点检测阶段,首先采用改进的DCCD快速检测影像上的关键点,然后确定关键点的主方向,生成特征点。在特征点描述阶段,采用SIFT描述符描述特征点。在特征点匹配阶段,分别采用BBF(best bin first)算法和RANSAC(随机采样一致性)算法进行特征点粗匹配和误匹配特征点剔除。实验结果表明,与基于Harris角点和SIFT描述符的影像匹配方法相比,该方法在匹配速度和准确率方面得到了提高。     

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。     

基于单应矩阵约束的黑白棋盘格角点提取

针对Harris算子提取棋盘格角点存在的问题,提出基于单应矩阵的黑白棋盘格角点提取方法.方法首先通过人机交互确定角点提取范围以及计算单应矩阵;然后根据单应矩阵将物方平面上其他点映射到影像上以确定初始的角点位置;最后以初始点位为基准,根据最小距离法确定最终Harris算子角点提取结果.实验结果表明,文中提出算法能有效提取黑白棋盘格角点.     

遥感影像CVA变化检测的CUDA并行算法设计

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。     

基于机群的并行匹配算法

随着卫星遥感技术的发展,需要快速地将卫星遥感图像数据转化为用户需要的信息,并行图像处理技术是解决“快速”的重要途径。并行程序的性能与计算机体系结构密切相关,不但取决于CPU,还与系统架构、指令结构、存储部件的存取速度等因素有关。一般意义上,提高并行程序的性能采用粗粒度并行,指令级优化(ILP)和存储优化等技术。作为尝试,本文讨论了在工业标准化机群上采用软件式共享存储系统做的并行影像匹配方法,以影像匹配算法为例子,讨论了如何在粗粒度并行、指令级优化(ILP)和存储优化三个方面提高图像处理的计算速度。     

基于角点检测的遥感图像几何质量评价方法

为分析图像压缩过程对遥感图像几何质量的影响,提出一种新的基于图像角点检测的图像几何质量评价方法.首先介绍经典Harris角点检测算法,然后针对Harris算法定位精度不高的缺点改进Harris算法:对角点响应函数进行曲面拟合后求拟合曲面极值点,以此作为图像亚像素级角点坐标,最后将改进的Harris算法应用到遥感图像几何...     

基于相对定向和三角形约束的近景影像匹配

针对近景影像自动相对定向过程中初匹配点对中误匹配率较大的情况,将基于三角形约束方法引入近景影像匹配.首先利用Harris算子提取特征点集,经初匹配后运用基于RANSAC方法和P-H算法的相对定向构建核线几何得到内点集,删除误匹配点生成同名Delaunay三角网;在同名三角形的约束下通过缩小Harris特征点阈值得到新内...     

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.     

月面巡视探测器立体影像的多核CPU并行快速匹配

月面巡视探测器立体影像的摄影测量处理是获取月面三维信息实现巡视器定位导航的重要手段之一。影像匹配是地面近景摄影测量实现自动化处理的关键,本文研究了基于积分影像的单机多核并行匹配算法,实现了月面巡视器模拟影像的快速匹配。试验表明该方法能显著地缩短匹配时间,达到较高的加速比和效率。