[发明专利]一种高光谱遥感图像分类的并行化加速算法

摘要

本发明属于遥感图像处理领域，尤其涉及一种高光谱遥感图像分类的并行化加速算法。本发明首先利用流形学习算法对图像进行降维处理，获得待分解特征矩阵；然后利用隐式重启Lanczos方法进行特征分解，其中通过调用GPU加速耗时巨大的矩阵运算模块，大大减少该运算耗时；最后，利用学习出来的嵌入矢量最为分类器输入，对高光谱影像进行分类处理。本发明充分利用算法特性结合GPU设备加速图像分类处理过程，巧妙运用压缩稀疏存储格式大大节省内存空间，既能保证学习到的嵌入矢量的精度要求，又使运算效率大幅度提高，满足了供应商的实时应用要求。

主权项

1.一种高光谱遥感图像分类的并行化加速算法，其特征在于，包含以下步骤：ISOMAP流形学习算法认为当数据集具有嵌入流形结构时，可以根据保距映射来获得观测空间数据集在低维结构的对应描述，假设数据是位于嵌入高维空间RD中的d维流形之上，ISOMAP假设存在等距度量的图来度量分布在流形上的数据点之间的距离；如果Xi和Xj分布在流形上的点，G(Xi，Xj)是这两个点之间的测地线距离，则存在一个度量函数f满足如下关系：||f(Xi)‑f(Xj)||＝G(Xi，Xj)       (1)步骤1，构建邻接图，利用k最邻近构建邻接图G；步骤2，在邻接图上用点与点之间的最短路径模拟测地线距离；dG(Xi，Xj)＝min{dG(Xi，Xj)，dG(Xi，Xl)+dG(Xl，Xj)}       (2)步骤3，构建分解矩阵，将点与点之间的测地线距离作为两个数据点之间的距离度量，作为距离矩阵的输入，转化距离矩阵为特征分解矩阵；步骤4，利用隐式重启Lanczos方法进行特征值分解；移植该算法到GPU，加速算法运行；AWm＝WmTm+fmem       (4)(Tm‑μ1I)(Tm‑μ2I)...(Tm‑μm‑kI)＝QR       (5)其中，A是步骤4的初始输入矩阵，Wm是迭代构造的正交基，通过公式(4)构造三对角矩阵Tm；利用公式(5)计算Tm的特征对作为输入矩阵A的近似，其中μi，i＝1，...，m表示为Tm矩阵的特征值；利用公式(6)对Lanczos方法隐式重启，实现特征对的精化；步骤5，利用步骤4分解获得特征对计算嵌入矢量；步骤6，利用步骤5获得的嵌入矢量作为KNN和SVM分类器的输入，进行分类处理。