CN111815520A - 一种基于gpu-cuda编码模型的遥感影像快速处理方法 - Google Patents
一种基于gpu-cuda编码模型的遥感影像快速处理方法 Download PDFInfo
- Publication number
- CN111815520A CN111815520A CN202010288113.1A CN202010288113A CN111815520A CN 111815520 A CN111815520 A CN 111815520A CN 202010288113 A CN202010288113 A CN 202010288113A CN 111815520 A CN111815520 A CN 111815520A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- image
- gpu
- processing
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011068 loading method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/28—Indexing scheme for image data processing or generation, in general involving image processing hardware
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于GPU‑CUDA编码模型的遥感影像快速处理方法,首先利用GPU‑CUDA编程模型对获取的遥感图像进行处理,然后基于分布式递归最小二乘法的自适应滤波对处理后的所述遥感影像进行滤波降噪,提高遥感图像的质量和准确度;再次,通过基于GPU的全局配准并行算法对降噪后的所述遥感影像进行配准,除去重叠边界的裂缝,提高图像处理的效率;最后,通过并行分割处理对遥感影像进行分割,使得获得的分割单元内部呈现高度的一致性,且单元之间的相异性程度也尽可能呈现比较高的水平,从而输出较好的遥感影像。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于GPU-CUDA编码模型的遥感影像快速处理方法。
背景技术
高分辨率遥感影像具备海量、多源、异构的外部特征和高维、多尺度、非平稳内部特性,是名副其实的大数据。传统的中低分辨率遥感影像解译体系,无法有效地分析高分辨率遥感影像的复杂特征。高分辨率遥感影像作为关系着国计民生的应急和减灾应用的空间大数据,对遥感图像的分类与识别算法处理的精度、智能化水平、实时性和处理效率提出了较高的要求。然而,由于遥感影像背景的复杂性和对象的多样性,目前国内外遥感图像的分类与识别相关方法大多针对特定时空条件,具有较大的局限性,距工程化应用尚有很大发展空间。在复杂背景容易造成目标检测虚警率过高问题,视觉显著性的利用是目标检测重要手段,但是降噪、特征提取和目标检测一般计算量大,图像处理的效率低,导致输出的遥感影像较差。
发明内容
本发明的目的在于提供一种基于GPU-CUDA编码模型的遥感影像快速处理方法,输出较好的遥感影像。
为实现上述目的,本发明提供了一种基于GPU-CUDA编码模型的遥感影像快速处理方法,包括:
利用GPU-CUDA编程模型对获取的遥感图像进行处理;
基于分布式递归最小二乘法的自适应滤波对处理后的所述遥感影像进行滤波降噪;
基于GPU的全局配准并行算法对降噪后的所述遥感影像进行配准;
通过并行分割处理对所述遥感影像进行分割,完成图像处理。
其中,所述利用GPU-CUDA编程模型对获取的遥感图像进行处理,包括:
将获取的遥感图像输入GPU-CUDA编程模型中,利用所述GPU-CUDA编程模型中的网格、块和线程对输入的所述遥感图像进行并行处理。
其中,所述基于分布式递归最小二乘法的自适应滤波对处理后的所述遥感影像进行滤波降噪,包括:
初始化所述遥感图像中的节点后,在每个时刻,对每个节点利用分布式递归最小二乘法进行局部更新迭代,得到局部估计值,同时将所述节点与领域节点进行标量传递,判断所述局部估计值是否收敛。
其中,所述基于分布式递归最小二乘法的自适应滤波对处理后的所述遥感影像进行滤波降噪,还包括:
若所述局部估计值不收敛,则重新进行局部更新迭代,直至所述局部估计值收敛;若所述局部估计值收敛,则将所有的所述局部估计值进行平均加权融合。
其中,所述基于GPU的全局配准并行算法对降噪后的所述遥感影像进行配准,包括:
通过CPU端将获取的所述遥感图像转换为像素矩阵,并利用描点计算出定位参数后,同时将参考图像素矩阵、配准图像素矩阵、定位参数以及特征点序列加载到GPU端。
其中,所述基于GPU的全局配准并行算法对降噪后的所述遥感影像进行配准,还包括:
通过所述GPU端的各线程根据所述特征点和大略匹配点建立参考图目标窗口和配准图目标窗口,并利用相似系数计算所述参考图目标窗口和所述配准图目标窗口的相似度,同时将所有达到设定相似度对应的匹配点组成匹配点序列回传至所述CPU端。
其中,所述通过并行分割处理对所述遥感影像进行分割,完成图像处理,包括:
获取配准后的所述遥感图像并计算配准并行环境,利用主程序将基于条形数据分解策略划分后的影像块分发至从进程,并记录进程号与所述影像块之间的对应关系。
其中,所述通过并行分割处理对所述遥感影像进行分割,完成图像处理,还包括:
判断所述主程序发送的数据是否是影像块,若不是影像块,则结束进程;若是影像块,则统计局部信息,并利用所述主进程对通过规约运算得到的各所述从进程的局部信息进行汇总,同时将运算得到的全局信息通过广播的方式传输至所述从进程。
其中,将运算得到的全局信息通过广播的方式传输至所述从进程后,所述方法还包括:
利用所述从进程,将根据所述全局信息对所述影像块进行后处理后,传输至所述主进程,并根据所述影像块与所述进程号之间的映射关系将所述影像块写入输出影像的对应位置,同时发出结束标志,依次结束所有所述从进程和所述主进程,完成图像处理。
本发明的一种基于GPU-CUDA编码模型的遥感影像快速处理方法,首先利用GPU-CUDA编程模型对获取的遥感图像进行处理,然后基于分布式递归最小二乘法的自适应滤波对处理后的所述遥感影像进行滤波降噪,提高遥感图像的质量和准确度;再次,通过基于GPU的全局配准并行算法对降噪后的所述遥感影像进行配准,除去重叠边界的裂缝,提高图像处理的效率;最后,通过并行分割处理对遥感影像进行分割,使得获得的分割单元内部呈现高度的一致性,且单元之间的相异性程度也尽可能呈现比较高的水平,从而输出较好的遥感影像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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是本发明提供的一种基于GPU-CUDA编码模型的遥感影像快速处理方法的步骤示意图。
图2是本发明提供的基于GPU-CUDA编码模型的遥感影像快速处理方法的流程示意图。
图3是本发明提供的GPU-CUDA编码模型结构示意图。
图4是本发明提供的CUDA工作流程图。
图5是本发明提供的基于GPU的全局配准并行算法流程图。
图6是本发明提供的基于全局的遥感影像并行分割流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1,本发明提供一种基于GPU-CUDA编码模型的遥感影像快速处理方法,包括:
S101、利用GPU-CUDA编程模型对获取的遥感图像进行处理。
具体的,将获取的遥感图像输入GPU-CUDA编程模型中,利用所述GPU-CUDA编程模型中的网格、块和线程对输入的所述遥感图像进行并行处理,其中,所述GPU-CUDA编程模型主要由三部分组成,有效利用了GPU的全部计算能力。网格、块和线程构建CUDA体系结构,其结构如图3所提供的GPU-CUDA编码模型结构示意图所示,CUDA能够执行大量的并行线程。线程按块分组,块按线程分组。在这三个层次的层次结构中,执行在同一层次的实体之间是独立的。网格是一组线程块,每个线程块可以独立执行。块被组织为线程的3D数组,每个块都有唯一的块ID。线程由内核函数执行,每个线程都有一个唯一的线程ID。块的总大小限制为1024个线程。
CUDA工作流程如图4所示。GPU线程比CPU线程更轻。CUDA程序从主机执行开始。内核函数生成大量线程来执行数据并行。在启动内核之前,所有必需的数据都会从主机传输到已分配的设备内存。CPU启动内核函数,然后将执行流移动到设备。结果数据将传输回主机进行进一步处理,其中,GPU为图像处理器,CUDA即Compute Unified DeviceArchitecture,是一种运算平台。
CUDA程序的串行部分在CPU上执行,并行部分通过内核函数在GPU上启动指定线程块和线程数量的网格,GPU执行时采用SIMT(Single Instruction Multiple Thread,单指令多线程)模式,即GPU端并行执行的程序称为内核程序,而在CPU端执行的程序被称为宿主程序,宿主程序控制内核程序的启动、数据交互以及少量串行计算,提高了图像的处理效率。
S102、基于分布式递归最小二乘法的自适应滤波对处理后的所述遥感影像进行滤波降噪。
具体的,在基于GPU-CUDA并行编码模型上进行分布式递归最小二乘算法的自适应滤波处理,从而对遥感影像降噪,初始化所述遥感图像中的节点k=1,2,…,N,并设置初始值:
Wk,-1=0,Pk,-1=Π-1
Π=Πt/λt+1
其中,Πt表示埃尔米特矩阵
在每个时刻t,对每个节点k=1,2,…,N利用分布式递归最小二乘法进行局部更新迭代,得到局部估计值,
wk,t=Wk,-1,Pk,t=λ-1Pk,-1
其中,0<λ<1。
同时将所述节点与领域节点进行标量传递,判断所述局部估计值是否收敛,若所述局部估计值不收敛,则重新进行局部更新迭代,直至所述局部估计值收敛;若所述局部估计值收敛,则将所有的所述局部估计值进行平均加权融合,具体为:
局部估计:
平均加权融合:
基于分布式递归最小二乘法的自适应滤波不需要矩阵求逆,节点只需要知道邻域节点的估计wk,t,测量值dl(t)和测量系数ul,k。对于每一个新的测量,每个节点只需要和邻域节点进行2M+1个标量传递。
S103、基于GPU的全局配准并行算法对降噪后的所述遥感影像进行配准。
具体的,通过CPU端将获取的所述遥感图像即输入图像转换为像素矩阵,并利用描点计算出定位参数,这些统称为CPU端准备数据;然后同时将参考图像素矩阵、配准图像素矩阵、定位参数以及特征点序列加载到GPU端的存储器中。
通过所述GPU端的各线程根据所述特征点和大略匹配点为中心建立参考图目标窗口和配准图目标窗口,考虑到特征点分布的随机性,所有窗口并行计算时,线程的访问位置将覆盖全图,因而需要把整个图像信息加载到GPU端,其流程如图5所提供的基于GPU的全局配准并行算法流程图所示。然后并利用相似系数计算所述参考图目标窗口和所述配准图目标窗口的相似度,所述相似系数用来测量两幅图像的相似性,当相关系数达到最大值时,表示两幅图像处于配准位置。但是本发明中并不对全图进行相似性的测量,而是比较局部图像窗口的相关系数值获得单点的最佳匹配位置,相似系数的计算对象就是参考图和配准图中的两个图像窗口。最后将所有达到设定相似度即最大值所对应的匹配点组成匹配点序列回传至所述CPU端,所述CPU端输出匹配结果。
S104、通过并行分割处理对所述遥感影像进行分割,完成图像处理。
具体的,根据配准好的遥感影像对其进行分割,其流程如图6所提供的基于全局的遥感影像并行分割流程图所示,首先,获取配准后的所述遥感图像并计算配准并行环境,利用主程序将基于条形数据分解策略划分后的影像块,通过MPI分发至从进程,并记录进程号与所述影像块之间的对应关系,这里采用条形数据分解策略,包括按行分块和按列分块两种。
从进程接收主进程发送过来的数据,判断所述主程序发送的数据是否是影像块,若不是影像块,则结束进程;若是影像块,则从进程处理接收到的影像块,统计局部信息,通过规约即MPI约束将块局部信息发送给主进程;然后利用所述主进程对通过规约运算得到的各所述从进程的局部信息进行汇总,同时将运算得到的全局信息通过MPI广播的方式传输至所述从进程。
利用所述从进程,将根据所述全局信息对所述影像块进行后处理或者边缘衔接处理后,将处理完成的所述影像块传输至所述主进程,并根据所述影像块与所述进程号之间的映射关系将所述影像块写入输出影像的对应位置,同时所述主进程发出结束标志给所述从进程,依次结束所有所述从进程和所述主进程,即所有所述从进程结束以后,结束主进程,完成图像处理。
具体流程如图2所提供的基于GPU-CUDA编码模型的遥感影像快速处理方法的流程示意图所示,首先,对遥感影像进行选取,选择自己所要处理的影像。因遥感影像的数据较大,处理效率低,为了提高效率,将获取的遥感影像输入GPU-CUDA编码模型中进行处理;其次,通过分布式递归最小二乘算法的自适应滤波(即RLS自适应滤波)对遥感影像进行滤波降噪,提高遥感图像的质量和准确度;再次,通过基于GPU的全局配准并行算法进行配准,除去重叠边界的裂缝,提高图像处理的效率;最后,通过基于全局的遥感影像并行分割处理对遥感影像进行分割,得到处理后的影像,使得获得的分割单元内部呈现高度的一致性,且单元之间的相异性程度也尽可能呈现比较高的水平,从而输出较好的遥感影像。
本发明的一种基于GPU-CUDA编码模型的遥感影像快速处理方法,首先利用GPU-CUDA编程模型对获取的遥感图像进行处理,然后基于分布式递归最小二乘法的自适应滤波对处理后的所述遥感影像进行滤波降噪,提高遥感图像的质量和准确度;再次,通过基于GPU的全局配准并行算法对降噪后的所述遥感影像进行配准,除去重叠边界的裂缝,提高图像处理的效率;最后,通过并行分割处理对遥感影像进行分割,使得获得的分割单元内部呈现高度的一致性,且单元之间的相异性程度也尽可能呈现比较高的水平,从而输出较好的遥感影像。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (9)
1.一种基于GPU-CUDA编码模型的遥感影像快速处理方法,其特征在于,包括:
利用GPU-CUDA编程模型对获取的遥感图像进行处理;
基于分布式递归最小二乘法的自适应滤波对处理后的所述遥感影像进行滤波降噪;
基于GPU的全局配准并行算法对降噪后的所述遥感影像进行配准;
通过并行分割处理对所述遥感影像进行分割,完成图像处理。
2.如权利要求1所述的一种基于GPU-CUDA编码模型的遥感影像快速处理方法,其特征在于,所述利用GPU-CUDA编程模型对获取的遥感图像进行处理,包括:
将获取的遥感图像输入GPU-CUDA编程模型中,利用所述GPU-CUDA编程模型中的网格、块和线程对输入的所述遥感图像进行并行处理。
3.如权利要求2所述的一种基于GPU-CUDA编码模型的遥感影像快速处理方法,其特征在于,所述基于分布式递归最小二乘法的自适应滤波对处理后的所述遥感影像进行滤波降噪,包括:
初始化所述遥感图像中的节点后,在每个时刻,对每个节点利用分布式递归最小二乘法进行局部更新迭代,得到局部估计值,同时将所述节点与领域节点进行标量传递,判断所述局部估计值是否收敛。
4.如权利要求3所述的一种基于GPU-CUDA编码模型的遥感影像快速处理方法,其特征在于,所述基于分布式递归最小二乘法的自适应滤波对处理后的所述遥感影像进行滤波降噪,还包括:
若所述局部估计值不收敛,则重新进行局部更新迭代,直至所述局部估计值收敛;若所述局部估计值收敛,则将所有的所述局部估计值进行平均加权融合。
5.如权利要求4所述的一种基于GPU-CUDA编码模型的遥感影像快速处理方法,其特征在于,所述基于GPU的全局配准并行算法对降噪后的所述遥感影像进行配准,包括:
通过CPU端将获取的所述遥感图像转换为像素矩阵,并利用描点计算出定位参数后,同时将参考图像素矩阵、配准图像素矩阵、定位参数以及特征点序列加载到GPU端。
6.如权利要求5所述的一种基于GPU-CUDA编码模型的遥感影像快速处理方法,其特征在于,所述基于GPU的全局配准并行算法对降噪后的所述遥感影像进行配准,还包括:
通过所述GPU端的各线程根据所述特征点和大略匹配点建立参考图目标窗口和配准图目标窗口,并利用相似系数计算所述参考图目标窗口和所述配准图目标窗口的相似度,同时将所有达到设定相似度对应的匹配点组成匹配点序列回传至所述CPU端。
7.如权利要求6所述的一种基于GPU-CUDA编码模型的遥感影像快速处理方法,其特征在于,所述通过并行分割处理对所述遥感影像进行分割,完成图像处理,包括:
获取配准后的所述遥感图像并计算配准并行环境,利用主程序将基于条形数据分解策略划分后的影像块分发至从进程,并记录进程号与所述影像块之间的对应关系。
8.如权利要求7所述的一种基于GPU-CUDA编码模型的遥感影像快速处理方法,其特征在于,所述通过并行分割处理对所述遥感影像进行分割,完成图像处理,还包括:
判断所述主程序发送的数据是否是影像块,若不是影像块,则结束进程;若是影像块,则统计局部信息,并利用所述主进程对通过规约运算得到的各所述从进程的局部信息进行汇总,同时将运算得到的全局信息通过广播的方式传输至所述从进程。
9.如权利要求8所述的一种基于GPU-CUDA编码模型的遥感影像快速处理方法,其特征在于,将运算得到的全局信息通过广播的方式传输至所述从进程后,所述方法还包括:
利用所述从进程,将根据所述全局信息对所述影像块进行后处理后,传输至所述主进程,并根据所述影像块与所述进程号之间的映射关系将所述影像块写入输出影像的对应位置,同时发出结束标志,依次结束所有所述从进程和所述主进程,完成图像处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010288113.1A CN111815520B (zh) | 2020-04-14 | 2020-04-14 | 一种基于gpu-cuda编码模型的遥感影像快速处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010288113.1A CN111815520B (zh) | 2020-04-14 | 2020-04-14 | 一种基于gpu-cuda编码模型的遥感影像快速处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815520A true CN111815520A (zh) | 2020-10-23 |
CN111815520B CN111815520B (zh) | 2023-11-07 |
Family
ID=72847664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010288113.1A Active CN111815520B (zh) | 2020-04-14 | 2020-04-14 | 一种基于gpu-cuda编码模型的遥感影像快速处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815520B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113225491A (zh) * | 2021-04-01 | 2021-08-06 | 桂林电子科技大学 | 一种嵌入式多镜头全景视频成像方法及装置 |
CN113838057A (zh) * | 2021-09-24 | 2021-12-24 | 刘文平 | 高分sar图像分割计算性能和精度优化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799762A (zh) * | 2010-04-07 | 2010-08-11 | 中国科学院对地观测与数字地球科学中心 | 面向遥感图像处理算法的快速并行化编程模板方法 |
US20120177119A1 (en) * | 2011-01-07 | 2012-07-12 | Sony Corporation | Faster motion estimation in an avc software encoder using general purpose graphic process units (gpgpu) |
WO2012121269A1 (ja) * | 2011-03-09 | 2012-09-13 | 日本電信電話株式会社 | 画像処理方法,画像処理装置,映像符号化/復号方法,映像符号化/復号装置およびそれらのプログラム |
CN106971371A (zh) * | 2017-04-17 | 2017-07-21 | 梅非 | 基于并行计算和分布式存储的遥感影像自动化处理方法 |
CN106991665A (zh) * | 2017-03-24 | 2017-07-28 | 中国人民解放军国防科学技术大学 | 基于cuda图像融合并行计算的方法 |
WO2018040118A1 (zh) * | 2016-08-29 | 2018-03-08 | 武汉精测电子集团股份有限公司 | 一种基于GPU的TFT-LCD Mura缺陷检测的方法 |
US20180075605A1 (en) * | 2016-09-13 | 2018-03-15 | Intelligent Fusion Technology, Inc | Method and system for detecting multiple moving objects from real-time aerial images |
CN108629798A (zh) * | 2018-04-28 | 2018-10-09 | 安徽大学 | 基于gpu的图像快速配准方法 |
-
2020
- 2020-04-14 CN CN202010288113.1A patent/CN111815520B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799762A (zh) * | 2010-04-07 | 2010-08-11 | 中国科学院对地观测与数字地球科学中心 | 面向遥感图像处理算法的快速并行化编程模板方法 |
US20120177119A1 (en) * | 2011-01-07 | 2012-07-12 | Sony Corporation | Faster motion estimation in an avc software encoder using general purpose graphic process units (gpgpu) |
WO2012121269A1 (ja) * | 2011-03-09 | 2012-09-13 | 日本電信電話株式会社 | 画像処理方法,画像処理装置,映像符号化/復号方法,映像符号化/復号装置およびそれらのプログラム |
WO2018040118A1 (zh) * | 2016-08-29 | 2018-03-08 | 武汉精测电子集团股份有限公司 | 一种基于GPU的TFT-LCD Mura缺陷检测的方法 |
US20180075605A1 (en) * | 2016-09-13 | 2018-03-15 | Intelligent Fusion Technology, Inc | Method and system for detecting multiple moving objects from real-time aerial images |
CN106991665A (zh) * | 2017-03-24 | 2017-07-28 | 中国人民解放军国防科学技术大学 | 基于cuda图像融合并行计算的方法 |
CN106971371A (zh) * | 2017-04-17 | 2017-07-21 | 梅非 | 基于并行计算和分布式存储的遥感影像自动化处理方法 |
CN108629798A (zh) * | 2018-04-28 | 2018-10-09 | 安徽大学 | 基于gpu的图像快速配准方法 |
Non-Patent Citations (1)
Title |
---|
许雪贵;张清;: "基于CUDA的高效并行遥感影像处理", 地理空间信息, no. 06 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113225491A (zh) * | 2021-04-01 | 2021-08-06 | 桂林电子科技大学 | 一种嵌入式多镜头全景视频成像方法及装置 |
CN113838057A (zh) * | 2021-09-24 | 2021-12-24 | 刘文平 | 高分sar图像分割计算性能和精度优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111815520B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095370B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN111899168B (zh) | 一种基于特征增强的遥感影像超分辨率重建方法和系统 | |
CN114936979B (zh) | 一种模型训练方法、图像去噪方法、装置、设备及存储介质 | |
CN112861575A (zh) | 一种行人结构化方法、装置、设备和存储介质 | |
CN110838095B (zh) | 一种基于循环密集神经网络的单幅图像去雨方法和系统 | |
CN111815520A (zh) | 一种基于gpu-cuda编码模型的遥感影像快速处理方法 | |
CN116188805A (zh) | 海量图像的图像内容分析方法、装置和图像信息网络 | |
WO2023123919A1 (zh) | 数据处理电路、数据处理方法及相关产品 | |
CN116797533B (zh) | 电源适配器的外观缺陷检测方法及其系统 | |
CN111325697B (zh) | 一种基于张量本征变换的彩色图像修复方法 | |
CN117036737A (zh) | 基于信息熵、gms与lc显著检测的特征提取与匹配方法 | |
CN113111706B (zh) | 一种面向方位角连续缺失的sar目标特征解缠与识别方法 | |
CN113920320A (zh) | 一种面向典型有源干扰的雷达图像目标检测系统 | |
CN116229406B (zh) | 车道线检测方法、系统、电子设备及存储介质 | |
CN115760589A (zh) | 一种用于运动模糊图像的图像优化方法及装置 | |
CN112257807B (zh) | 一种基于自适应优化线性邻域集选择的降维方法及系统 | |
CN113888428A (zh) | 一种基于局部对比度的红外弱小目标检测方法及装置 | |
Zhang et al. | Transcending the limit of local window: Advanced super-resolution transformer with adaptive token dictionary | |
Yang et al. | SA-MVSNet: Self-attention-based multi-view stereo network for 3D reconstruction of images with weak texture | |
CN111340137A (zh) | 图像识别方法、装置及存储介质 | |
CN111143761A (zh) | 一种基于离散制造设备过程数据的矩阵补全方法 | |
Yang et al. | Monocular depth estimation with sharp boundary | |
CN115439566B (zh) | 一种基于存算一体架构的压缩感知系统及方法 | |
CN115439756A (zh) | 建筑物提取模型训练方法、提取方法、设备及存储介质 | |
CN116091922A (zh) | 一种基于图卷积的遥感图像显著性检测方法 |
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 |