高光谱数据高性能计算.pptVIP

高光谱分辨率遥感（HyperspectralRemote Sensing）：用很窄（10-2λ）而连续的光谱通道对地物持续遥感成像的技术。在可见光到短波红外波段其光谱分辨率高达纳米(nm)数量级，通常具有波段多的特点，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的，因此高光谱遥感又通常被称为成像光谱（Imaging Spectrometry）遥感。 高光谱图像立方体 空间成像的同时，记录下成百个连续光谱通道数据 从每个像元均可提取一条连续的光谱曲线 波段多，且每个波段都可能需要单独提出以进行分析 成像系统参数各自不同，需要兼容多种波段参数设置的光谱数据 图谱合一，需要将变化性很强的光谱维数据与空间维数据很好的结合 辅助数据和属性复杂，种类繁多 随着技术发展，波段数不断增加 数据处理和分析要针对连续的光谱曲线，而不是灰度图 存在混合光谱，需要通过像元光谱解混提取地物信息 ENVI ERDAS PCI Geomatica HIPAS 对高光谱数据高性能处理的研究较少 集群 计算节点同质 网格 计算节点异质 GPU 新的硬件技术 集群和网格硬件架构和调度方法不同，但数据处理算法基本一致 节点增加，通讯压力增加，加速比增速放缓 CPU和GPU执行PPI算法的对比，时间单位为s AVIRIS数据，1939*677像素，224波段 空域划分能保证每个像素的光谱向量不被分割，是较好的划分方法： 空域划分符合人们的习惯，且高光谱图像处理常常要求针对每个像素的光谱向量进行相同的操作，因此相同的串行算法可以在多个区域并行重复使用 光谱域划分会导致大量的数据通信，不利于大规模的高性能并行计算 VS 光谱域划分 空域划分 高光谱数据高性能计算适合采用空域划分的方式，适宜采用剖分体系进行组织 需要根据高光谱数据的特点设计剖分索引表，解决大区域数据提取、区域光谱曲线提取、波段提取等问题 采用高光谱数据专用的计算模版，如端元模版，表达该区域内可能出现的地物类别信息 高光谱剖分影像库 依托剖分存储集群 按面片剖分影像 快速提取某一波段(？影像内部若仍延续剖分结构，以像素为单位(BIP),则难以实现；需要按波段序存储，即BSQ方式) 高光谱剖分索引大表 提供以任意属性或相关信息为关键词的数据快速检索 高光谱剖分模版库 控制点、端元、目标光谱信息等 剖分计算集群 与一般剖分计算的区别在于请求数据时的参数在面片基础上还要加上光谱波段 高光谱索引大表详细设计 高光谱模版库的详细设计 * 遥感端元：遥感的影像分辨率比较低，尤其是多光谱和高光谱的分辨率都是几十上百米，所以在一个像元里包含的地物比较多，以混合光谱的形式显示在一个像元里。端元就相当于一个像素里的亚像元，只包含一种地物的光谱信息。根据多光谱或高光谱的高光谱分辨率可以提取出来。 端元只包含一种地物信息，一般的像元都为混合像元，包括多种地物，在进行混合像元分解的时候，可以对一个像元中包括的几种端元进行定量描述，求得每个像元中几种端元在这个像元中的面积百分比，即端元的丰度。 * 这里是否能对光谱进行划分，要视具体需求而定。如果算法要求针对每个像素的整个光谱曲线进行处理，那么适合只在空间域进行划分；如果算法针对光谱的不同部分有不同的处理，则可进行多面片、多光谱的并行操作。 * * 遥感端元：遥感的影像分辨率比较低，尤其是多光谱和高光谱的分辨率都是几十上百米，所以在一个像元里包含的地物比较多，以混合光谱的形式显示在一个像元里。端元就相当于一个像素里的亚像元，只包含一种地物的光谱信息。根据多光谱或高光谱的高光谱分辨率可以提取出来。 端元只包含一种地物信息，一般的像元都为混合像元，包括多种地物，在进行混合像元分解的时候，可以对一个像元中包括的几种端元进行定量描述，求得每个像元中几种端元在这个像元中的面积百分比，即端元的丰度。 * 这里是否能对光谱进行划分，要视具体需求而定。如果算法要求针对每个像素的整个光谱曲线进行处理，那么适合只在空间域进行划分；如果算法针对光谱的不同部分有不同的处理，则可进行多面片、多光谱的并行操作。 *