基于CUBLAS和CUDAMNF并行算法设计与优化.docVIP

基于CUBLAS和CUDAMNF并行算法设计与优化 　　摘 要：为实现高光谱影像数据快速降维，基于nVidia 的图像处理单元（graphic processing unit， GPU）研究最大噪声分数变换（Maximum Noise Fraction Rotation，MNF Rotation）降维算法的并行设计与优化，通过对加速热点并行优化，择优整合，设计并实现基于CUBLAS（CUDA Basic Linear Algebra Subprograms）库的MNF-L（MNF-on-Library）算法和基于CPU/GPU异构系统的MNF-C（MNF-on-CUDA）算法.实验结果显示MNF-L算法加速11.5～60.6倍不等，MNF-C算法加速效果最好，加速46.5～92.9倍不等.研究结果表明了GPU在高光谱影像线性降维领域的巨大优势. 　　关键词：图像处理单元；GPU性能优化；高光谱影像降维；最大噪声分数变换；协方差矩阵计算 　　中图分类号：TP391.4 文献标志码：A 　　Parallel Algorithm Design and Performance Optimization of Maximum Noise Fraction Rotation Based on CUBLAS and CUDA 　　ZHOU Haifang ，GAO Chang， FANG Minquan 　　（School of Computer， National University of Defense Technology， Changsha 410073， China ） 　　Abstract：To rapidly reduce the huge dimensions of hyperspectral image， this paper investigated the design and optimization of the parallel Maximum Noise Fraction （MNF） Rotation algorithm based on nVidia graphic processing units （GPUs）. In particular， a MNF-L （MNF-on-Library） algorithm based on the CUBLAS library functions and a MNF-C（MNF-on-CUDA） algorithm on the CPU/GPU heterogeneous system was presented by designing mapping schemes and parallel optimizing strategies. Experiment result shows that the MNF-L algorithm can obtain the speedups between 11.5 and 60.6， and the MNF-C algorithm can get the speedups between 46.5 and 92.9. Therefore， GPUs have a great advantage in reducing dimensions of hyperspectral images. 　　Key words： graphic processing unit； performance optimization for GPU； dimensionality reduction of hyperspectral image； maximum noise fraction rotation； covariance matrix calculation 　　高光?V遥感影像具有波段连续、光谱分辨率高的特点，能从其光谱空间中获取丰富的地物特征信息，因其“图谱合一”的优势，广泛应用于农业、林业、军事、环境科学、地质等各领域，具有很好的实用性和研究价值[1-2].在数据处理过程中，连续波段成像导致高光谱影像数据量庞大，且连续波段之间数据相关性强，信息冗余大，存储处理困难，为应用和分析带来不便，如产生维数灾难、Hughes现象等[3]，因此，数据降维应运而生. 　　怎样将高维空间数据映射到低维子空间，同时保持重要特征不被丢失是高光谱数据降维遵循的基本原则.高光谱影像降维主要涉及矩阵操作，如滤波、矩阵乘、协方差矩阵计算等，是典型的计算密集型和访存密集型过程，传统的降维过程一般采用串行方式进行，计算复杂度高，耗时长，无法满足各领域对高光谱数据及时处理的需求[4-5]. 　　2007年，nVidia公司发布统一计算