基于GPGPU技术快速提取数字表面模型

介绍一种基于通用计算图形处理单元（GPGPU）技术快速提取数字表面模型（DSM）的方法,探讨了使用LiDAR和摄影测量方法获取数字表面模型的不同特点,并通过分别使用CPU和GPU技术获取一个大面积山区数字表面模型的案例对比,证明了基于CUDA架构的数字表面模型提取方法是有效和可行的。     

分布式计算技术在大地测量数据处理中的应用

大规模测量数据的快速处理是当今基于卫星定位技术的大地测量数据处理面临的问题,应用分布式计算技术带来的高性能计算能力解决该问题受到国内外越来越多的关注。本文从应用需求、并行计算模型和系统建立等方面对分布式计算技术在大地测量领域的应用进行了探讨与总结;并在基于网络环境的分布式计算平台下实现了对法方程叠加的分布融合,最后通过算例验证了分布式计算技术的高效性和实用性。     

共享内存环境下的干涉合成孔径声呐复图像配准及优化方法

提出了一种共享内存环境下的干涉合成孔径声呐（interferometric synthetic aperture sonar,InSAS）复图像配准优化方法。首先在分析复图像配准算法各处理步骤计算特点和并行性的基础上,针对粗配准和精配准计算中大量的滑动窗口计算操作,根据相邻窗口数据之间的关系进行了计算方法优化设计;然后采用OpenMP指令对粗配准、精配准、复图像插值和干涉相位提取计算步骤进行了并行化设计和计算任务分配,以充分利用多核计算资源加速复图像配准过程;最后通过InSAS复图像的并行配准试验验证了所提方法的正确性和高效性。     

集群技术下的实景三维建模

计算机集群技术的出现为倾斜摄影测量中实景三维自动化建模时遇到的计算资源匮乏问题提供了解决途径。本文论述了集群在实景三维建模中的两种应用模式：基于物理并行计算的集群和基于逻辑并行计算的集群;阐述了在逻辑并行计算的集群模式下ContextCapture软件进行实景三维建模的流程;提出了该集群模式下子测区划分的5个原则：起降点原则、飞行高度原则、建筑物密度/植被密度原则、最大计算量原则、航线角度原则,并有效控制了划子区后的精度问题。最后,本文利用实验室多台普通PC机实现了某测区实景三维集群建模,结果表明：该方法自动化建立模型精度满足测区需求,可有效加快自动化建模速度,降低生产成本。     

可扩展的迭代自组织分析并行处理算法

随着遥感影像数据量的增加,传统非监督分类迭代自组织分析(ISODATA)算法的运算将十分耗时,应用并行计算技术能够有效解决该性能瓶颈。针对现有基于并行计算模型MapReduce的遥感迭代自组织分析并行算法存在的局限性,提出一种可扩展的基于MapReduce的迭代自组织分析并行处理算法。该算法通过其包含的全局子采样算法、聚类中心点集合过滤算法以及聚类映射算法,有效克服了现有并行算法中存在的不足。实验结果表明,在同等规模遥感计算中,该算法效率高于现有并行处理算法,具有良好的加速比,且在处理更大的影像块时具有更高的精度。     

结合多种分解策略的遥感影像去相关拉伸并行处理方法

提出了一种结合多种分解策略的遥感影像去相关拉伸并行处理方法,该方法根据不同步骤的特点采用不同任务分解策略:计算波段统计信息采用按波段进行任务分解,计算协方差矩阵采用按波段对进行任务分解,进行线性变换采用按数据块进行任务分解,实现了全过程的并行处理。在两台分别安装Windows 7和Linux操作系统的多核计算机下进行了OMIS机载高光谱影像和ASTER卫星影像的去相关拉伸并行处理实验,通过合理配置CPU核数和磁盘系统等,常用的12 ~ 16核计算机可取得最高约8倍的整体加速比。同时分析了影响整体加速性能的因素,给出了多核计算机用于遥感影像去相关拉伸并行处理的使用建议。     

基于GPU的SIFT特征点快速匹配

影像匹配是计算机视觉及数字摄影测量的核心问题,基于特征的SIFT匹配算法由于其较强的匹配能力和良好的健壮性成为研究的热点.但SIFT算子的多量性及提取特征点维度较高的特点,直接影响了匹配速度.因此,本文利用GPU强大的并行处理能力,就SIFT特征点匹配在GPU上的设计与实现进行了详细的介绍,并通过对比实验说明利用GPU对SIFT特征点进行匹配所带来的优势.     

遥感影像在最大极值范围的并行稳定匹配

针对目前立体影像匹配时普遍存在的配准稳定性与配准精度不能同时兼顾问题,该文采用金字塔和分块策略,首先在多尺度空间下进行粗匹配,获得大量的初始特征点集;然后通过限制金字塔影像的阶数对初始特征点进行坏点剔除和滤点均匀化来获得良好的初始特征点;最后通过进行分块影像并行化SIFT算法匹配来实现精确匹配,提高效率.实验结果证明,此遥感立体影像并行稳定匹配方法能够提高匹配的效率,对影像的旋转、缩放和视角变换具有更强的抵抗性,其配准精度较高,适用于大范围的遥感立体影像的匹配.     

兴趣点选取的路网分割并行计算法

兴趣点,又称POI(points of interest)是网络地图、导航地图中重要的表达要素,包括餐饮、娱乐、金融机构、旅游景点、地标建筑、加油站、停车场等人们日常生活中最为经常使用的信息。其数据的准确性、属性的丰富程度、表达的清晰度及其实时显示效率都将影响地图的服务质量。当前POI表达存在许多问题,特别是在用户搜索特定信息时,由于查询结果数据量较大,造成POI的叠置、压盖等,这一问题严重影响了用户对POI信息的查询与检索。地图综合提供了大量的算子算法以实现点或点群要素的选取,但是它们在综合效率方面亟待提高。面向矢量数据处理的并行计算,其数据划分不仅需要满足负载均衡、划分算法高效等要求,而且对于划分后各部分数据在计算前后拓扑关系的保持也显得尤为重要。兴趣点与路划网络是密切相关的要素,两者之间存在着相互依存的空间关系。本文提出基于路划网眼划分兴趣点的方法,既能保证兴趣点的划分效率,又能保证不同分区内POI选取计算的正确性。选择点选取算法中的"圆"增长算法,采用典型试验区域的路划网眼数据,基于不同节点数划分兴趣点数据,实现兴趣点选取并行计算。试验证明,该方法不仅保证了兴趣点划分的均衡性,而且可以提高兴趣点选取计算效率。通过这一研究,对面向矢量数据的地理信息分析、地图制图综合等复杂算法的并行计算具有重要意义。     

并行地图叠加分析中基于数据分解的负载均衡方法研究

地图叠加分析是一种计算密集型算法,并行化计算可以加快算法执行速度。本文研究并行化地图叠加分析中的负载均衡方法。首先针对并行算法中的IO竞争情况,定义了负载均衡指数;然后基于分治法分解空间数据,将并行系统下的地理要素分而治之,将Hilbert空间索引作为集群系统中各节点分配数据的依据,最终实现并行地图叠加分析系统中的数据负载均衡,为地图叠加分析算法中的数据并行策略提供可能性。结果表明,利用空间索引分治的负载均衡方法建立索引速度快,调度系统可以将计算任务明确分配到各计算节点。