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。     

基于均值-标准差的K均值初始聚类中心选取算法

遥感图像分类是遥感图像处理中长期存在的一个难题，针对不同的传感器图像，不同的应用需求，选择合适的分类算法非常重要。在分类中不仅要考虑分类的精度，而且要考虑分类效率。本文研究了K均值算法的初始聚类中心的选择对算法本身聚类精度及效率的影响，提出了一种高效高精度的初始聚类中心选取方案，实验结果表明。利用该算法进行地表分类，效率比ENVI的K-Means（K均值）模块高。     

改进K均值聚类的点云林木胸径提取

针对现有胸径提取精度不够高、自动化程度低等不足,基于地基激光雷达胸径切片点云数据,该文提出了一种改进K均值聚类的林木胸径提取方法.利用约束条件优化初始种子点的选择原则,避免随机种子点选择造成聚类结果陷入局部最优;采用拐点法自适应确定聚类目标类别数目,提高单木胸径点分割的自动化程度;根据点云与类别中心统计参数识别并剔除非目标对象点,通过圆模型参数求解实现胸径值计算.结果 表明:改进后的K均值聚类能快速实现林木胸径点的批量化提取,无须林木数目、样地大小等先验知识,具有自动化程度高、抗噪性强的优势.该研究对地基激光雷达在林业资源调查及生产管理应用具有一定的实际应用参考价值.     

步态特征提取的K均值聚类自适应判别

针对微惯性零速修正算法中步态特征的准确提取,以及步态特征的无规律性成为制约行人导航系统中步态信息提取与辨识的问题,该文提出一种基于K均值聚类自适应的行人步态特征辨别方法。分析行人步态规律并通过设定角速率阈值法对步态特征进行初判后,采用K均值聚类自适应算法设定时间阈值并将误判的步态进行纠正。为验证该算法的普适性,分别针对不同测试个体和同一个体5组不同行走速度条件下的步态特征判别实验,结果表明,本文提出的步态自适应判别方法对不同个体具有良好的适应性;为进一步验证K均值自适应步态判别算法对人员位置解算的准确性,分别开展圆形及400m跑道闭合行走实验,对比不同行走路径对应的位置误差可看出,解算位置误差虽然随行走距离增大而增加,但其相对误差均不超过2%。     

K均值聚类进行多个粗差定位

本文针对多个粗差探测与定位问题,应用智能信息处理技术中的K均值聚类算法,把对观测值的粗差定位转化为对该组观测值进行分类。依据粗差的出现约占观测总数的1%-10%,确定算法的一层终止条件为所有观测值分配为两类且其中对象较少的一类为粗差类;再引入方差比作为算法的二层终止条件,粗差类和非粗差类的方差比达到或超过试验倍数后,则接受初始聚类结果并最终结束算法。算法对早期的聚类分析方法定位粗差进行了改进和完善,其双重终止条件的应用,进一步提高了粗差探测的可靠性。     

聚类阈值结合动态K值的蓝牙室内定位算法

针对固定阈值的动态K近邻算法定位时未能有效剔除距离较远参考点的问题,该文提出了基于聚类阈值结合动态K值的算法:①在离线阶段建立聚类指纹库,并在每个聚类子块中设定聚类阈值;②在线阶段根据待测点信号确定其所处的聚类子块和对应的阈值,由信号强度的欧氏距离和聚类阈值选取K个信号距离最小的参考点;③以信号距离倒数为权重计算坐标加权平均,作为定位结果。实验分析得出,与固定阈值的动态K值算法的平均定位误差为2.64m;聚类阈值结合动态K值算法的平均定位误差为1.12m,降低了57.6%,并且点位误差在1m和2m内的可信度分别为42.3%和77.8%。聚类阈值结合动态K值算法能够较好地剔除距离较远的参考点,可以有效提高蓝牙指纹定位的精度。     

基于GPU的S63标准电子海图数据解密算法

S63标准采用Blowfish算法对原始海图数据加密后发行,数据的解密成为电子海图系统数据转换和更新中一个耗时的过程。为提高数据处理的速度,针对Blowfish分组密码算法的特点,提出一种利用图形处理器（GPU）的海图并行解密算法,并采用数据传输和处理的同步技术进行了优化。测试表明,采用GPU的并行解密算法是纯CPU串行处理的9.8倍。该算法不仅可大大加快海图数据转换和更新过程,对地理信息系统海量数据处理也有一定的借鉴价值。     

基于K均值聚类的高光谱遥感影像分类研究

讨论了信息熵和均匀光谱间隔(USS)两种无监督高光谱影像波段选择方法,分析比较了基于K均值聚类的欧氏距离、相关系数以及光谱角3种相似性度量。实验表明,利用USS对高光谱影像降维,采用将欧氏距离作为相似性度量的K均值聚类方法进行影像分类,所得到的分类结果精度较高,计算时间较短。     

遥感影像正射纠正的GPU-CPU协同处理研究

提出了一种基于CUDA的遥感影像正射纠正GPU-CPU协同处理方法,以实现重采样操作的GPU细粒度并行化。根据GPU的并行结构和硬件特点,采用执行配置优化技术提高warp占有率,利用共享存储器优化减少对效率低下的全局存储器中坐标变换系数的重复访问,通过纹理存储器代替全局存储器优化对原始影像数据的访问。实验结果表明,并行算法能够充分发挥GPU的并行处理能力,利用GeForce 9500 GT显卡,对大小为6 000像素×6 000像素的全色影像进行多项式纠正对比实验,最邻近灰度内插重采样和双线性灰度内插重采样的最终加速比分别能够达到8倍和10倍以上。     

QTM格网空间中的球面Voronoi图并行生成算法

根据球面四元三角网（quaternary triangular mesh,QTM）的离散特征及图形处理器（graphics processing unit,GPU）的多线程原理,用距离的计算与比较代替传统的扩张操作,提出了一种基于QTM的球面Voronoi图并行生成算法,并给出了Voronoi边界提取算法。利用C++语言及统一计算设备架构（compute unified device architecture,CUDA）开发了实验系统。实验结果表明,本文算法能够在球面上快速生成点、线、面数据集的Voronoi图,且能够将Voronoi误差控制在两个格网以内。同时,GPU并行计算的使用,提高了算法的效率。     

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。     

一种基于GPU的DEM并行插值算法

采用Open CL框架下的CPU/GPU平台,借助GPU在并行浮点运算方面的巨大优势,提出了DEM并行插值算法;同时以反距离加权插值算法为例,分析了传统插值算法和并行插值算法之间的优缺点与适应性。最后,通过对比实验对两类算法进行了比较。实验表明,当插值点数较少时,GPU并行插值算法效率低于传统算法;然而,当插值点数很高时,并行插值算法的计算效率较传统插值算法有了显著提高,加速的效果甚至高达137倍。实验证明GPU并行插值算法具有很强的可行性。     

改进的模糊聚类遥感影像分割

聚类是数据挖掘的重要分支之一,引入模糊理论的模糊聚类分析为显示数据提供了模糊处理能力,在许多领域被广泛应用。本文应用考虑邻域关系的约束模糊C均值(Fuzzy C-Means with Constrains,FCM_S)算法,将邻域像素引入到目标函数中,进而有效地利用邻域像素信息,提高分割精度。本文应用FCM_S算法对模拟彩色纹理图像进行分割,计算其混淆矩阵,定性定量地与FCM算法进行对比分析,证明了该算法的鲁棒性。     

分带K-均值聚类的平面标靶定位

提出了一种分带K-均值聚类的平面标靶定位方法。根据标靶与测站距离的限制条件,推导了较大噪声点的剔除公式,在整体最小二乘拟合平面的基础上增加了噪声点二次剔除的方法,对经过噪声点剔除的点云数据进行分带、聚类处理。同时,对每一带的聚类中心进行均值化处理,得到每一带的中心点,通过求取不同带中心的均值来确定标靶中心点。实验结果表明,分带K-均值聚类的平面标靶定位模型较适合于平面标靶同名点确定。     

基于星载SAR影像的苏北地区海岸线提取研究

介绍了K-means聚类分割法和形态学处理,并对比了几种边缘算子;针对Prewitt算子和Roberts算子在像素点邻近区域内受噪声影响较大、边缘检测效果不佳的问题,选用Canny算子提取海岸线.首先对SAR影像进行K-means算法、形态学处理,再采用Canny算子提取海岸线.与其他边缘提取算法相比,该方法提取的海岸...     

一种K-均值聚类的改进算法及其应用

由于传统的K-均值聚类算法固有的特性,如对初始聚类中心的依赖性和对噪声点的敏感性,导致了其聚类结果的不稳定。文中基于k-dist图提出一种改进算法,算法首先去除数据集中的噪声点,然后从数据集中选取靠近点聚集区域、相距最远的k′个数据点作为初始簇中心。实验结果证明,文中算法能够很好地消除K-均值聚类算法对初始簇中心的依赖性,并能有效去除噪声点。     

改进蚁群算法的三维激光点云聚类方法

为了提高点云聚类方法的效率和精度,本文提出了一种蚁群优化投影寻踪算法。试验采用机载LiDAR点云数据,通过构建蚁群算法中信息素系数更新的对数反正切函数模型来减少所需的信息素更新系数的迭代次数,不断优化的投影寻踪方向投影,提高寻找最佳投影方向的连续空间的效率,实现了树木和建筑的分割。试验使用人工方法对比评估树木和建筑物的位置和数量的准确性。     

基于GIS的河南省县级城市空间聚类研究与实现

将GIS与空间聚类算法相结合,可以从空间数据集中发现对象的凝聚趋势、分布规律和发展方向,并可进一步挖掘分析,从而获取更加概括和精练的信息。本文以河南省108个县级城市为研究对象,对其三年的人口及从业人员等状况进行聚类分析。采用系统聚类中的离差平方和法,以欧式距离的平方作为度量标准,对变量以Z得分作为转换标准,最终把样本划分为5类,并制作聚类划分结果专题地图。结合聚类分析和聚类分布图,进一步证实了空间聚类在县级城市空间分析中的可用性,能为河南县级城市的发展规划制定提供重要依据。     

利用CUDA的地图代数局部算子优化

本文针对地图代数局部算子的传统实现方法应用于海量栅格数据计算时效率低下的问题,从串行算法的并行化映射、计算机图形处理器资源的自适应参数调整等多角度来研究地图代数空间并行算法的实现机制,总结出地图代数局部算子在GPU并行处理架构上的通用求解步骤。实验结果表明,该方法在大数据量处理时较CPU加速效果明显。     

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。