[发明专利]一种基于GPU-CUDA编码模型的遥感影像快速处理方法

说明书

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。

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。