CN108765259B - 一种基于gpu的高光谱图像ratgp和rosp并行优化方法 - Google Patents

一种基于gpu的高光谱图像ratgp和rosp并行优化方法 Download PDF

Info

Publication number
CN108765259B
CN108765259B CN201810463888.0A CN201810463888A CN108765259B CN 108765259 B CN108765259 B CN 108765259B CN 201810463888 A CN201810463888 A CN 201810463888A CN 108765259 B CN108765259 B CN 108765259B
Authority
CN
China
Prior art keywords
gpu
rosp
ratgp
function
end member
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810463888.0A
Other languages
English (en)
Other versions
CN108765259A (zh
Inventor
于纯妍
宋梅萍
安东
张建祎
王玉磊
李森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201810463888.0A priority Critical patent/CN108765259B/zh
Publication of CN108765259A publication Critical patent/CN108765259A/zh
Application granted granted Critical
Publication of CN108765259B publication Critical patent/CN108765259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于GPU的高光谱图像RATGP和ROSP并行优化方法，其中，该方法包括：采用基于GPU的RATGP算法进行端元提取；采用基于GPU的ROSP算法进行丰度估计。其中基于GPU的RATGP算法，通过递归形式进行计算，不需要复杂的矩阵求逆的计算过程，将算法中大规模的矩阵计算转化成在GPU中并行计算，在保证精度的同时，大大增加算法的效率。基于GPU的ROSP算法在实时高光谱解混处理中，使得期望解混的端元信号会逐步增强，更加满足高光谱遥感图像丰度估计的实时性需求，实现了保证精度的同时大大提升算法的效率。

Description

一种基于GPU的高光谱图像RATGP和ROSP并行优化方法
技术领域
本发明涉及高光谱遥感技术领域，特别是一种基于GPU的高光谱图像RATGP和ROSP并行优化方法。
背景技术
高光谱遥感以其具有较高空间分辨率的特点在地球科学领域广泛应用。而高光谱图像解混是高光谱领域的重要分支及研究热点。高光谱解混技术包含对地物信息(即端元)提取和丰度估计这两个主要步骤。但由于高光谱遥感数据规模大、计算复杂度高，使得数据处理效率成为制约技术进一步发展应用的瓶颈。
近年来，随着图形处理器(graphic processing unit,GPU)的发展，利用GPU并行计算的特性进行大规模数据运算，有效提提升了大量重复计算的工作效率。以RATGP(Recursive Automatic Target Generation Process，递归式的非监督式端元提取算法)和ROSP(Recursive Orthogonal Subspace Projection，并行计算的丰度估计算法)算法为例，将两种算法实际应用于端元提取和丰度估计中，根据算法的计算原理，运算过程中涉及大量的矩阵运算和迭代过程，采用CPU的串行方式十分费时，而GPU具有强大的并行处理能力，因此用GPU进行并行运算十分的必要。
因此亟待开发一种针对大规模矩阵运算的并行优化方法，对算法过程进行重构，有效提高算法的执行效率。
发明内容
针对现有技术发不足，本发明的目的是要提供一种基于GPU的高光谱图像RATGP和ROSP并行优化方法，通过减少CPU与GPU之间数据通信，有效提升并行运算效率。
本发明的技术方案如下：
一种基于GPU的高光谱图像RATGP和ROSP并行优化方法，其特征在于包括：采用基于GPU的RATGP算法进行端元提取；采用基于GPU的ROSP算法进行丰度估计。
根据本发明实施例的另一方面，还提供了一种基于GPU的高光谱图像RATGP和ROSP并行优化系统，包括：端元提取模块，用以根据基于GPU的RATGP算法进行端元提取；丰度估计模块，用以根据基于GPU的ROSP算法进行丰度估计。
根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述任意一项所述的方法。
根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的方法。
本发明公开了一种基于GPU的高光谱图像快速解混方法，其中包含端元提取和丰度估计两个部分，端元提取部分采用基于GPU的RATGP算法，其相较于传统的基于GPU并行计算的非监督式的端元提取算法(Automatic Target Generation Process，ATGP)，通过递归形式进行计算，不需要复杂的矩阵求逆的计算过程，将算法中大规模的矩阵计算转化成在GPU中并行计算，在保证精度的同时，大大增加算法的效率。丰度估计部分是获得相应端元在每一个混合像元中所占的比例。本发明采用的基于GPU的ROSP算法相较于传统的正交子空间投影算法，因为采用递归的形式进行计算，在实时高光谱解混处理中，非期望端元会随着数据处理的进展而不断的被找到，非期望的端元集合会逐步增大，使得期望解混的端元信号会逐步增强，更加满足高光谱遥感图像丰度估计的实时性需求，实现了保证精度的同时大大提升算法的效率。
附图说明
为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明优化方法流程图；
图2为基于GPU的RATGP算法流程图；
图3为基于GPU的ROSP算法流程图；
图4为实验的真实图像；
图5为RATGP-CPU与RATGP-GPU的对比情况；
图6为ATGP-GPU与RATGP-GPU对比情况；
图7为ROSP-CPU与ROSP-GPU的对比情况；
图8为OSP-GPU与ROSP-GPU的对比情况；
图9为含有3个非期望的端元ROSP-GPU丰度估计结果；
图10为含有6个非期望的端元ROSP-GPU丰度估计结果；
图11为含有18个非期望的端元ROSP-GPU丰度估计结果；
图12为含有30个非期望的端元ROSP-GPU丰度估计结果。
具体实施方式
为使本发明的实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：
如图1所示：一种基于GPU的高光谱图像RATGP和ROSP并行优化方法，其特征在于包括：
步骤一、采用基于GPU的RATGP算法进行端元提取。具体包括：
S101、根据工作要求设置想所要提取的端元数num，并在GPU端为混合像元R分配空间，利用cublasSetVector函数将高光谱混合像元R拷贝至GPU显存中，其中R＝{r1,r2,...ri,...,rl}，ri＝(r1 l,r2 l,...,rN l)T，l为波段数目，N为像元数目，r为高光谱图像中某一个混合像元的向量，设Up＝[t1,...,tj+1,...,tp-1,tp]由l个p向量组成的的端元矩阵，t为端元矩阵的某一个端元；
S102、令num＝1时，提取第一个端元t0。具体包括：
a.在GPU端，根据公式(1)将拷贝到显存的像元R进行点乘和行累加，为其运算配置处理核心，并进一步配置线程数及线程块数量以进行大规模矩阵并行运算，
t0＝arg{maxRRTR} (1)；
b.采用cublasIdamax函数提取端元t0所在的位置，并将端元t0通过cublasGetVector函数拷贝回CPU端存储到内存中，所述端元t0所在的位置为cublasIdamax函数提取出最大值所在的位置。
S103、令U0＝[t0]，利用公式(2)计算U0的正交子空间即
Figure GDA0001706949310000031
Figure GDA0001706949310000032
S104、在第p次递归令
Figure GDA00017069493100000415
在CPU端利用公式(3)计算Up的伪逆即
Figure GDA0001706949310000041
利用公式(4)来计算Up的正交子空间
Figure GDA0001706949310000042
并更新；
Figure GDA0001706949310000043
其中，
Figure GDA0001706949310000044
Figure GDA0001706949310000045
S105、由提取第p个端元即tp，当提取的端元数量p与所要要提取的端元数num相等时算法终止，否则执行步骤104并令p←p+1。具体包括：
a.在GPU端采用cudaMalloc函数为
Figure GDA0001706949310000046
分配大小为l*l的内存；
b.采用cublasSetVector函数将
Figure GDA0001706949310000047
更新出的结果拷贝到GPU显存中；
c.根据公式(5)计算r的值，并采用cublasDgemm函数进行矩阵乘法；
Figure GDA0001706949310000048
d.将上述计算结果代入到公式(1)求出端元tp，然后利用cublasGetVector函数拷贝回CPU端存放到内存中。如图2所示为本实施例中基于GPU的RATGP算法流程图。
步骤二、采用基于GPU的ROSP算法进行丰度估计。具体包括：
S201、首次递归计算
Figure GDA0001706949310000049
和
Figure GDA00017069493100000410
的值，具体地：
a.当第1次递归时令p＝1时，从第1个非期望端元开始记为m1，令U1＝[m1]，在CPU端通过公式(6)计算
Figure GDA00017069493100000411
的值，
Figure GDA00017069493100000412
其中，M＝[m1,m2,...,mi,...,mp-1,mp]为端元矩阵，且mi＝[mi 1,mi 2,...,mi l]T；
b.根据公式(7)计算
Figure GDA00017069493100000413
的值：
Figure GDA00017069493100000414
其中I为单位阵；
S202、当第p次递归时，计算
Figure GDA0001706949310000051
和
Figure GDA0001706949310000052
的值，具体地：
a.在CPU端利用公式(8)来计算
Figure GDA0001706949310000053
的值。
Figure GDA0001706949310000054
其中，Up-1＝[m1,m2,...,mp-1]为非期望的端元集合矩阵，且mp是第p个非期望的端元，则Up＝[Up-1mp]；
b.在GPU端，采用cudaMalloc函数为
Figure GDA0001706949310000055
和Up的值分配大小为(p*l)的空间，并利用cudaSetVector函数拷贝到显存中，利用cublasDgemm函数做并行化矩阵相乘，利用公式(9)做矩阵减法，并为其分配大小为32*32的线程和大小为(l+32-1)/32*(l+32-1)/32的线程块，进而求解
Figure GDA0001706949310000056
Figure GDA0001706949310000057
S203、求出第p个端元的丰度值
Figure GDA0001706949310000058
具体地：
a.在GPU端根据公式(10)求出第p个端元的丰度值，
Figure GDA0001706949310000059
b.将结果的丰度值利用cublasGetVector函数拷贝回CPU端的内存中。
S204、判断非期望的端元U是否更新，如更新则进入步骤S202并令p←p+1，否则算法终止。图3所示为本实施例中基于GPU的ROSP算法流程图。
下面通过具体实施例对本发明的技术方案及效果做进一步说明和验证：基于GPU的RATGP算法在真实图像上的验证
实验平台：本实施例采用的实验计算机为HP Z240Tower工作站，CPU配置Intel(R)Core(TM)i7-6700 4核3.4HZ，内存64GB，显卡为NVIDIA Quadro M2000。软件环境：windows7专业版操作系统，实验使用Visual Studio 2013集成开发环境和CUDA 7.5版本开发工具包。
实验数据：本实施例中实验部分采用了真实图像进行验证，图4采用的是拍摄于1997年美国内华达州的一个赤铜矿区的赤铜矿的图像，该图像大小为(350*350)像元，含有189个波段该图像，图4显示的是在第100个波段下的图像。
基于GPU的ATGP与RATGP并行设计对比：实验分别对ATGP-GPU、RATGP-CPU和RATGP-GPU三个方案提取从1到50个端元，并且计算算法之间的加速比，RATGP-CPU与RATGP-GPU对比结果如表1所示，ATGP-GPU与RATGP-GPU对比结果如表2所示。
表1RATGP-CPU与RATGP-GPU对比结果
Figure GDA0001706949310000061
表2ATGP-GPU与RATGP-GPU对比结果
Figure GDA0001706949310000071
为了更明显的对比每一个算法的时间走势，把端元提取实验结果以折线图的形式表示，其中图5为RATGP-CPU与RATGP-GPU的对比情况，图6为ATGP-GPU与RATGP-GPU对比情况。
从表1和表2实验结果中不难看出，经过基于GPU的RATGP的算法与在CPU中的RATGP算法计算速度提速很多。在真实图像中在提取第50个端元的情况下，RATGP-CPU的计算时间为1643.472秒，而RATGP-GPU的计算时间17.489秒，加速比达到9倍；ATGP-GPU的计算时间为116.88秒，RATGP-GPU的计算时间17.489秒，加速比达到了6.6倍。
基于GPU的ROSP算法在真实图像上的验证
实验平台：实验计算机为HP Z240 Tower工作站，CPU配置Intel(R)Core(TM)i7-6700 4核3.4HZ,内存64GB，显卡为NVIDIA Quadro M2000。软件环境：windows 7专业版操作系统，实验使用Visual Studio 2013集成开发环境和CUDA 7.5版本开发工具包。
实验数据：实验部分采用了真实图像进行验证，图4采用的是拍摄于1997年美国内华达州的一个赤铜矿区的赤铜矿的图像，该图像大小为(350*350)，含有189个波段该图像，图4显示的是在第100个波段下的图像。
基于GPU的OSP与ROSP并行设计对比：实验对ROSP-CPU、OSP-GPU和ROSP-GPU三个方案进行对比，实验解混出由RATGP算法提取到的第1个端元，在解混期间会不断的向非期望的端元矩阵集合中(即Up)中加入新的端元，从已包含的3个端元开始一直加入新的端元直到第30个端元，并进行丰度估计记录时间并计算加速比。ROSP-CPU与ROSP-GPU对比结果如表3所示，OSP-GPU与ROSP-GPU对比结果如表4所示。
表3 ROSP-CPU与ROSP-GPU对比结果
Figure GDA0001706949310000081
Figure GDA0001706949310000091
表4 OSP-GPU与ROSP-GPU对比结果
Figure GDA0001706949310000092
为了更明显的对比每一个算法的时间走势，把实验结果以折线图的形式表示，其中图7为ROSP-CPU与ROSP-GPU的对比情况，图8为OSP-GPU与ROSP-GPU的对比情况。图9、图10、图11、图12分别表示在包含3、6、18、30个非期望的端元集合即Up情况下，基于GPU的ROSP算法解混由端元提取算法提取的第1个端元的灰度图像。通过ROSP-CPU、OSP-GPU、ROSP-GPU的加速比，不难看出在GPU的平台下ROSP算法具有更强的效率。
从表3和表4实验结果中不难看出，在含有30个非期望的端元时,ROSP-CPU的时间为30.790秒，而ROSP-GPU的时间为1.279秒，加速比达到了24倍；OSP-GPU的时间为3.069秒，而ROSP-GPU的时间为1.279秒，加速比达到了2.4倍。
本发明实施例还提供了一种基于GPU的高光谱图像RATGP和ROSP并行优化系统，其特征在于包括：端元提取模块，用以根据基于GPU的RATGP算法进行端元提取；丰度估计模块，用以根据基于GPU的ROSP算法进行丰度估计。需要说明的是，本发明实施例的基于GPU的高光谱图像RATGP和ROSP并行优化系统可以用于执行本发明实施例所提供的基于GPU的高光谱图像RATGP和ROSP并行优化方法；本发明实施例的基于GPU的高光谱图像RATGP和ROSP并行优化方法也可以通过本发明实施例所提供的基于GPU的高光谱图像RATGP和ROSP并行优化系统来执行。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于GPU的高光谱图像RATGP和ROSP并行优化方法，其特征在于包括：采用基于GPU的RATGP算法进行端元提取，具体包括：
S101、根据工作要求设置想所要提取的端元数num，并在GPU端为混合像元R分配空间，利用cublasSetVector函数将高光谱混合像元R拷贝至GPU显存中，其中R＝{r1,r2,...ri,...,rl}，ri＝(r1 l,r2 l,...,rN l)T，l为波段数目，N为像元数目，r为高光谱图像中某一个混合像元的向量，设Up＝[t1,...,tj+1,...,tp-1,tp]由l个p向量组成的的端元矩阵，t为端元矩阵的某一个端元；
S102、令num＝1时，提取第一个端元t0；
S103、令U0＝[t0]，利用公式(2)计算U0的正交子空间即
Figure FDA00027384008500000111
Figure FDA0002738400850000011
S104、在第p次递归令Up＝[Up-1,tp-1]，在CPU端利用公式(3)计算Up的伪逆即
Figure FDA0002738400850000012
利用公式(4)来计算Up的正交子空间
Figure FDA0002738400850000013
并更新；
Figure FDA0002738400850000014
其中，
Figure FDA0002738400850000015
Figure FDA0002738400850000016
S105、由提取第p个端元即tp，当提取的端元数量p与所要提取的端元数num相等时算法终止，否则执行步骤104并令p←p+1；
采用基于GPU的ROSP算法进行丰度估计，具体包括：
S201、首次递归计算
Figure FDA0002738400850000017
和
Figure FDA0002738400850000018
的值，具体地：
a.当第1次递归时令p＝1时，从第1个非期望端元开始记为m1，令U1＝[m1]，在CPU端通过公式(6)计算
Figure FDA0002738400850000019
的值，
Figure FDA00027384008500000110
其中，M＝[m1,m2,...,mi,...,mp-1,mp]为端元矩阵，且mi＝[mi 1,mi 2,...,mi l]T；
b.根据公式(7)计算
Figure FDA0002738400850000021
的值：
Figure FDA0002738400850000022
其中I为单位阵；
S202、当第p次递归时，计算
Figure FDA0002738400850000023
和
Figure FDA0002738400850000024
的值，具体地
a.在CPU端利用公式(8)来计算
Figure FDA0002738400850000025
的值，
Figure FDA0002738400850000026
其中，Up-1＝[m1,m2,...,mp-1]为非期望的端元集合矩阵，且mp是第p个非期望的端元，则Up＝[Up-1mp]，
b.在GPU端，采用cudaMalloc函数为
Figure FDA0002738400850000027
和Up的值分配大小为p*l的空间，并利用cudaSetVector函数拷贝到显存中，利用cublasDgemm函数做并行化矩阵相乘，利用公式(9)做矩阵减法，并为其分配大小为32*32的线程和大小为(l+32-1)/32*(l+32-1)/32的线程块，进而求解
Figure FDA0002738400850000028
Figure FDA0002738400850000029
S203、求出第p个端元的丰度值
Figure FDA00027384008500000210
具体地：
a.在GPU端根据公式(10)求出第p个端元的丰度值，
Figure FDA00027384008500000211
b.将结果的丰度值利用cublasGetVector函数拷贝回CPU端的内存中；
S204、判断非期望的端元U是否更新，如更新则进入步骤S202并令p←p+1，否则算法终止。
2.根据权利要求1所述的优化方法，其特征在于所述步骤S102具体包括：
a.在GPU端，根据公式(1)将拷贝到显存的像元R进行点乘和行累加，为其运算配置处理核心，并进一步配置线程数及线程块数量以进行大规模矩阵并行运算，
t0＝arg{maxRRT R} (1)；
b.采用cublasIdamax函数提取端元t0所在的位置，并将端元t0通过cublasGetVector函数拷贝回CPU端存储到内存中，所述端元t0所在的位置为cublasIdamax函数提取出最大值所在的位置。
3.根据权利要求2所述的优化方法，其特征在于所述步骤S105具体包括：
a.在GPU端采用cudaMalloc函数为
Figure FDA0002738400850000031
分配大小为l*l的内存；
b.采用cublasSetVector函数将
Figure FDA0002738400850000032
更新出的结果拷贝到GPU显存中；
c.根据公式(5)计算r的值，并采用cublasDgemm函数进行矩阵乘法；
Figure FDA0002738400850000033
d.将上述计算结果代入到公式(1)求出端元tp，然后利用cublasGetVector函数拷贝回CPU端存放到内存中。
4.一种基于GPU的高光谱图像RATGP和ROSP并行优化系统，其特征在于包括：用于实现如权利要求1所述的并行优化方法。
5.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至3中任意一项所述的方法。
6.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至3中任意一项所述的方法。
CN201810463888.0A 2018-05-15 2018-05-15 一种基于gpu的高光谱图像ratgp和rosp并行优化方法 Active CN108765259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810463888.0A CN108765259B (zh) 2018-05-15 2018-05-15 一种基于gpu的高光谱图像ratgp和rosp并行优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810463888.0A CN108765259B (zh) 2018-05-15 2018-05-15 一种基于gpu的高光谱图像ratgp和rosp并行优化方法

Publications (2)

Publication Number Publication Date
CN108765259A CN108765259A (zh) 2018-11-06
CN108765259B true CN108765259B (zh) 2021-01-15

Family

ID=64007857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810463888.0A Active CN108765259B (zh) 2018-05-15 2018-05-15 一种基于gpu的高光谱图像ratgp和rosp并行优化方法

Country Status (1)

Country Link
CN (1) CN108765259B (zh)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644393B (zh) * 2017-09-28 2020-03-06 大连海事大学 一种基于gpu的丰度估计算法的并行实现方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Theory of Recursive Orthogonal Subspace Projection for Hyperspectral Imaging;Meiping Song et al.;《IEEE Transactions on Geoscience and Remote Sensing》;20150116;第53卷(第6期);第3055-3072页 *
Recursive Automatic Target Generation Process for Unsupervised Hyperspectral Target Detection;Cheng Chao et al.;《2014 IEEE Geoscience and Remote Sensing Symposium》;20141106;第3598-3601页 *
高光谱图像解混方法的GPU并行设计研究;武平;《万方学位论文数据库》;20171102;摘要及正文第2.1.1节、2.2.3节、3.2节、4.1节 *

Also Published As

Publication number Publication date
CN108765259A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
US9396523B2 (en) Image restoration cascade
Ren et al. Face video deblurring using 3D facial priors
EP3963516B1 (en) Teaching gan (generative adversarial networks) to generate per-pixel annotation
KR101137753B1 (ko) 고속의 메모리 효율적인 변환 구현 방법
US9454806B2 (en) Efficient approximate-nearest-neighbor (ANN) search for high-quality collaborative filtering
US9196021B2 (en) Video enhancement using related content
CN109522902B (zh) 空-时特征表示的提取
Luo et al. Refusion: Enabling large-size realistic image restoration with latent-space diffusion models
WO2014144306A9 (en) Ensemble sparse models for image analysis and restoration
CN108875931B (zh) 神经网络训练及图像处理方法、装置、系统
Hedjazi et al. Efficient texture-aware multi-GAN for image inpainting
Mazumdar et al. A hardware-friendly bilateral solver for real-time virtual reality video
WO2023184181A1 (en) Trajectory-aware transformer for video super-resolution
Mahmoudi et al. Multi-CPU/multi-GPU based framework for multimedia processing
CN107644393B (zh) 一种基于gpu的丰度估计算法的并行实现方法
Park et al. A vision processor with a unified interest-point detection and matching hardware for accelerating a stereo-matching algorithm
CN108765259B (zh) 一种基于gpu的高光谱图像ratgp和rosp并行优化方法
CN107622498B (zh) 基于场景分割的图像穿越处理方法、装置及计算设备
Li et al. Feature pre-inpainting enhanced transformer for video inpainting
Zheng et al. Memory-efficient multi-scale residual dense network for single image rain removal
CN113807354B (zh) 图像语义分割方法、装置、设备和存储介质
Zhang et al. Image motion deblurring via attention generative adversarial network
CN108765382B (zh) 基于gpu的丰度估计并行计算方法
Pahwa et al. LVRNet: Lightweight Image Restoration for Aerial Images under Low Visibility
CN109961450B (zh) 图像二值化处理方法、装置、存储介质和电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant