遥感技术已成为草业科学研究的重要手段,在植被覆盖度估算中的应用不断加强。由于遥感成像传感器的局限性和同时获取高空间与光谱分辨率图像的成本较高,导致植被观测领域的高精度估测难以从单一的遥感数据中获得。因此,需要综合源图像...遥感技术已成为草业科学研究的重要手段,在植被覆盖度估算中的应用不断加强。由于遥感成像传感器的局限性和同时获取高空间与光谱分辨率图像的成本较高,导致植被观测领域的高精度估测难以从单一的遥感数据中获得。因此,需要综合源图像的关键信息,对不同分辨率的遥感图像数据进行融合,使融合后的图像具备更高的清晰度、更丰富的纹理和更详尽的光谱信息,从而提高植被覆盖度提取的精度。本研究以高分一号采集的全色、多光谱遥感图像为研究对象,对其进行了辐射定标、大气校正、正射校正、图像配准和裁剪一系列预处理,并使用主成分分析法(PCA)、亮度-色度-饱和度变换法(IHS)等7种基于分量替换的方法、Wavelet等5种基于多分辨率分析的方法、Pansharpening by convolutional neural networks(PNN)和PanNet两种基于深度学习的方法进行全色与多光谱遥感图像融合,并对比研究分析。针对最优融合算法PanNet进一步提出改进思路并加以验证,结果表明,改进后的PanNet算法的各项指标均优于改进前;最后将融合图像运用于植被覆盖度估算,证明了改进后PanNet遥感图像融合算法在植被覆盖度估算上的可操作性和优越性。展开更多
在图形处理器(GPU)上实现对角稀疏矩阵向量乘法(SpMV)可以充分利用GPU的并行计算能力,并加速矩阵向量乘法;然而,相关主流算法存在零元填充数据多、计算效率低的问题。针对上述问题,提出一种对角SpMV算法DIA-Dynamic(DIAgonal-Dynamic)...在图形处理器(GPU)上实现对角稀疏矩阵向量乘法(SpMV)可以充分利用GPU的并行计算能力,并加速矩阵向量乘法;然而,相关主流算法存在零元填充数据多、计算效率低的问题。针对上述问题,提出一种对角SpMV算法DIA-Dynamic(DIAgonal-Dynamic)。首先,设计一种全新的动态划分策略,根据矩阵的不同特征进行分块,在保证GPU高计算效率的同时大幅减少零元填充,去除冗余计算量;其次,提出一种对角稀疏矩阵存储格式BDIA(Block DIAgonal)存储分块数据,并调整数据布局,提高GPU上的访存性能;最后,基于GPU的底层进行条件分支优化,以减少分支判断,并使用动态共享内存解决向量的不规则访问问题。DIA-Dynamic与前沿Tile SpMV算法相比,平均加速比达到了1.88;与前沿BRCSD(Diagonal Compressed Storage based on Row-Blocks)-Ⅱ算法相比,平均零元填充减少了43%,平均加速比达到了1.70。实验结果表明,DIA-Dynamic能够有效提高GPU上对角SpMV的计算效率,缩短计算时间,提升程序性能。展开更多
文摘遥感技术已成为草业科学研究的重要手段,在植被覆盖度估算中的应用不断加强。由于遥感成像传感器的局限性和同时获取高空间与光谱分辨率图像的成本较高,导致植被观测领域的高精度估测难以从单一的遥感数据中获得。因此,需要综合源图像的关键信息,对不同分辨率的遥感图像数据进行融合,使融合后的图像具备更高的清晰度、更丰富的纹理和更详尽的光谱信息,从而提高植被覆盖度提取的精度。本研究以高分一号采集的全色、多光谱遥感图像为研究对象,对其进行了辐射定标、大气校正、正射校正、图像配准和裁剪一系列预处理,并使用主成分分析法(PCA)、亮度-色度-饱和度变换法(IHS)等7种基于分量替换的方法、Wavelet等5种基于多分辨率分析的方法、Pansharpening by convolutional neural networks(PNN)和PanNet两种基于深度学习的方法进行全色与多光谱遥感图像融合,并对比研究分析。针对最优融合算法PanNet进一步提出改进思路并加以验证,结果表明,改进后的PanNet算法的各项指标均优于改进前;最后将融合图像运用于植被覆盖度估算,证明了改进后PanNet遥感图像融合算法在植被覆盖度估算上的可操作性和优越性。
文摘在图形处理器(GPU)上实现对角稀疏矩阵向量乘法(SpMV)可以充分利用GPU的并行计算能力,并加速矩阵向量乘法;然而,相关主流算法存在零元填充数据多、计算效率低的问题。针对上述问题,提出一种对角SpMV算法DIA-Dynamic(DIAgonal-Dynamic)。首先,设计一种全新的动态划分策略,根据矩阵的不同特征进行分块,在保证GPU高计算效率的同时大幅减少零元填充,去除冗余计算量;其次,提出一种对角稀疏矩阵存储格式BDIA(Block DIAgonal)存储分块数据,并调整数据布局,提高GPU上的访存性能;最后,基于GPU的底层进行条件分支优化,以减少分支判断,并使用动态共享内存解决向量的不规则访问问题。DIA-Dynamic与前沿Tile SpMV算法相比,平均加速比达到了1.88;与前沿BRCSD(Diagonal Compressed Storage based on Row-Blocks)-Ⅱ算法相比,平均零元填充减少了43%,平均加速比达到了1.70。实验结果表明,DIA-Dynamic能够有效提高GPU上对角SpMV的计算效率,缩短计算时间,提升程序性能。
