【技术实现步骤摘要】
一种高光谱遥感图像分类的并行化加速算法
本专利技术属于遥感图像处理领域，尤其涉及一种基于流形学习降维的高光谱遥感图像分类方法。
技术介绍
由于流形学习算法能够很好保持波段之间非线性的局部结构信息，基于流形学习的分类方法已经被广泛应用于高光谱影像分类处理。然而由于流形学习算法高复杂性，特别是特征分解部分，能够达到正比于像素点数三次方的级别，大大降低了流形学习算法的运算效率，不利用基于此类方法的实时应用。目前，国内外对提高图像处理速度的研究主要集中在提高数据传输速度、优化算法策略和合理数据结构这三方面。采用并行处理的方式可以在保证运算精度的情况下实现对数据的实时处理。通过对算法的并行化，可以数十倍甚至上百倍的提高数据处理的速度，实现大规模、高吞吐率的高光谱遥感影像数据处理。因此，基于GPU的高光谱遥感影像并行处理在保证图像质量的同时，能够大幅提高图像处理速度，满足实际工程的实时需求。
技术实现思路
本专利技术主要是将流形学习降维算法移植到GPU平台，保证降维矢量正确性的同时，大大加快高光谱图像处理速度。本专利技术涉及的并行化加速算法技术问题主要是通过下述算法方案得以解决的：引入隐式重启Lanczos方法。隐式重启Lanczos方法是求解大型稀疏对成矩阵端部特征问题的一种正交投影方法。通过初始向量逐步构造Krylov子空间的正交基，利用小规模投影矩阵的特征对近似初始矩阵的特征对。同时，利用合理的重启策略解决基向量正交性损失带来的数值偏差问题。该方法的引入能够很好的解决流形降维算法中特征对的计算问题，且利于移植到GPU平台进行并行优化。引入压缩稀疏行格式存储大型稀疏矩...
【技术保护点】
1.一种高光谱遥感图像分类的并行化加速算法，其特征在于，包含以下步骤：ISOMAP流形学习算法认为当数据集具有嵌入流形结构时，可以根据保距映射来获得观测空间数据集在低维结构的对应描述，假设数据是位于嵌入高维空间RD中的d维流形之上，ISOMAP假设存在等距度量的图来度量分布在流形上的数据点之间的距离；如果Xi和Xj分布在流形上的点，G(Xi，Xj)是这两个点之间的测地线距离，则存在一个度量函数f满足如下关系：||f(Xi)‑f(Xj)||＝G(Xi，Xj) (1)步骤1，构建邻接图，利用k最邻近构建邻接图G；步骤2，在邻接图上用点与点之间的最短路径模拟测地线距离；dG(Xi，Xj)＝min{dG(Xi，Xj)，dG(Xi，Xl)+dG(Xl，Xj)} (2)步骤3，构建分解矩阵，将点与点之间的测地线距离作为两个数据点之间的距离度量，作为距离矩阵的输入，转化距离矩阵为特征分解矩阵；
【技术特征摘要】
1.一种高光谱遥感图像分类的并行化加速算法，其特征在于，包含以下步骤：ISOMAP流形学习算法认为当数据集具有嵌入流形结构时，可以根据保距映射来获得观测空间数据集在低维结构的对应描述，假设数据是位于嵌入高维空间RD中的d维流形之上，ISOMAP假设存在等距度量的图来度量分布在流形上的数据点之间的距离；如果Xi和Xj分布在流形上的点，G(Xi，Xj)是这两个点之间的测地线距离，则存在一个度量函数f满足如下关系：||f(Xi)-f(Xj)||＝G(Xi，Xj)(1)步骤1，构建邻接图，利用k最邻近构建邻接图G；步骤2，在邻接图上用点与点之间的最短路径模拟测地线距离；dG(Xi，Xj)＝min{dG(Xi，Xj)，dG(Xi，Xl)+dG(Xl，Xj)}(2)步骤3，构建分解矩阵，将点与点之间的测地线距离作为两个数据点之间的距离度量，作为距离矩阵的输入，转化距离矩阵为特...
【专利技术属性】
技术研发人员：杜博，
申请(专利权)人：武汉嫦娥信息科技有限公司，
类型：发明
国别省市：湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。