遙感圖像分類方法-文獻(xiàn)綜述

遙感圖像分類方法研究綜述摘要本文概述了遙感圖像分類的概念和原理，詳細(xì)探討了傳統(tǒng)的遙感分類方法，對各種方法的進(jìn)行了定性的比較與分析。然后介紹了分別基于GPU、計(jì)算機(jī)集群和刀片機(jī)服務(wù)器的三種加快分類速度的途徑，最后展望了遙感圖像分類方法的發(fā)展方向和研究熱點(diǎn)。關(guān)鍵詞：遙感；圖像分類；監(jiān)督分類；非監(jiān)督分類；GPU；機(jī)群系統(tǒng)；刀片機(jī).引言在遙感圖像處理的研究中，無論是專業(yè)信息提取，地物變化預(yù)測，還是專題地圖制作等都離不開分類。遙感圖像分類有類別多，混合度大和計(jì)算量大的特點(diǎn)，分類方法的優(yōu)劣直接關(guān)系到分類的精度和速度。由于遙感圖像本身的空間分辨率以及“同物異譜”和“異物同譜”現(xiàn)象的存在，往往出現(xiàn)較多的錯(cuò)分、漏分現(xiàn)象，導(dǎo)致分類精度不高小如何實(shí)現(xiàn)圖像分類識(shí)別并滿足一定的分類精度，是當(dāng)前遙感圖像研究中的一個(gè)關(guān)鍵問題，也是研究的焦點(diǎn)②。.遙感圖像分類原理遙感圖像通過亮度值或像素值的高低差異及空間變化表示不同地物的差異，如不同類型的植被、土壤、建筑物及水體等，這也是區(qū)分不同地物的理論依據(jù)。利用光譜特征（地物電磁波輻射的多波段測量值）或紋理等空間結(jié)構(gòu)特征，按照某種規(guī)則就能對地物在遙感圖像上的信息進(jìn)行識(shí)別與分類。圖像分類的目標(biāo)就是通過對各類地物波譜特征的分析選擇特征參數(shù)，將特征空間劃分為不相重疊的子空間，進(jìn)而把影像內(nèi)諸像元?jiǎng)澐值礁髯涌臻g去，從而實(shí)現(xiàn)分類⑶。.傳統(tǒng)分類方法遙感影像的計(jì)算機(jī)分類方法可分為兩種：統(tǒng)計(jì)判決分類和句法模式識(shí)別。前者通過對研究對象進(jìn)行大量的統(tǒng)計(jì)分析，抽出反映模式的本質(zhì)特點(diǎn)、特征而進(jìn)行識(shí)別。后者則需要了解圖像結(jié)構(gòu)信息，從而對其進(jìn)行分類。傳統(tǒng)的分類方法一般為統(tǒng)計(jì)判決分類，如最大似然法、K均值法等。近年來發(fā)展的分類新方法則多采用句法方法，如專家系統(tǒng)法和決策樹分類法等。根據(jù)是否已知訓(xùn)練樣本的分類數(shù)據(jù)，統(tǒng)計(jì)模式方法可分為監(jiān)督分類、非監(jiān)督分類。下面將具體介紹監(jiān)督分類、非監(jiān)督分類以及其它分類（如模糊分類和人工神經(jīng)網(wǎng)絡(luò)分類）的典型算法及其主要步驟。監(jiān)督分類監(jiān)督分類是一種常用的精度較高的統(tǒng)計(jì)判決分類，在已知類別的訓(xùn)練場地上提取各類訓(xùn)練樣本,通過選擇特征變量、確定判別函數(shù)或判別規(guī)則，把圖像中的各個(gè)像元點(diǎn)劃歸到各個(gè)給定類⑷。常用的監(jiān)督分類方法有最小距離分類、平行六面體分類、最大似然分類等。主要步驟包括：（1）選擇特征波段；（2）選擇訓(xùn)練區(qū)；（3）選擇或構(gòu)造訓(xùn)練分類器；（4）對分類精度進(jìn)行評價(jià)。最小距離分類最小距離分類的基本思想是按照距離判決函數(shù)計(jì)算象素點(diǎn)與每一個(gè)聚類中心的光譜距離，將該像素點(diǎn)歸到距離最近的類別。該分類方法的距離判決函數(shù)是建立在歐氏距離的基礎(chǔ)上的，公式如下：d(%,Mj=[￡(晨—時(shí)次)2片K=1其中n為波段數(shù)(維數(shù))，K是某一特征波段，i是聚類中心數(shù)，M,是第i類樣本均值，M.k是第i類中心第k波段的象素值，d(%,M)是象素點(diǎn)x到第i類中心乂,的距離。最小距離判別方法的具體步驟如下：(1)確定地區(qū)和波段；(2)選擇訓(xùn)練區(qū)；(3)根據(jù)各訓(xùn)練區(qū)圖像數(shù)據(jù)，計(jì)算Mj；(4)將訓(xùn)練區(qū)外圖像像元逐類代入等式計(jì)鈿(招M)按判別規(guī)則比較大小，將像元?dú)w到距離最小的類別；(5)產(chǎn)生分類圖像；(6)檢驗(yàn)結(jié)果，如果錯(cuò)誤較多，重新選擇訓(xùn)練區(qū)；(7)輸出專題圖像。最小距離分類有計(jì)算量相對較小，分類速度快的優(yōu)點(diǎn)并能適用于樣本較少的情況。缺點(diǎn)是分類精度相對其它監(jiān)督分類方法較低。平行六面體分類平行六面體分類是通過設(shè)定在各軸上的一系列分割點(diǎn)，將多維特征劃分成對應(yīng)不同類別的互不重疊的特征子空間的分類方法。通過選取訓(xùn)練區(qū)詳細(xì)了解分類類別的特征，并以較高的精度設(shè)定每個(gè)分類類別的光譜特征上限值和下限值，構(gòu)成特征子空間⑻。對于一個(gè)未知類別的像素點(diǎn)，它的分類取決于它落入哪個(gè)類別特征子空間中。如落入某個(gè)特征子空間中，則屬于該類，如落入所有特征子空間中，則屬于未知類型。因此平行六面體分類要求訓(xùn)練區(qū)樣本的選擇必須覆蓋所有的類型。這種方法的優(yōu)點(diǎn)有：快捷簡單，因?yàn)閷γ恳粋€(gè)范本的每一波段與數(shù)據(jù)文件值進(jìn)行對比的上下限都是常量;對于一個(gè)首次進(jìn)行的跨度較大的分類，這一判別規(guī)則可以很快縮小分類數(shù)，避免了更多的耗時(shí)計(jì)算，節(jié)省了處理時(shí)間。缺點(diǎn)是由于平行六面體有“角”，因此象素點(diǎn)在光譜意義上與模板的平均值相差很遠(yuǎn)時(shí)也可能被分類。最大似然分類最大似然分類利用了遙感數(shù)據(jù)的統(tǒng)計(jì)特征，假定各類別的分布函數(shù)為正態(tài)分布，在多變量空間中形成橢圓或橢球分布，根據(jù)各方向上散布情況不同按正態(tài)分布規(guī)律用最大似然判別規(guī)則進(jìn)行判決，得到較高準(zhǔn)確率的分類結(jié)果。分類公式如下：D=ln(aj—[0.5ln(|Co%|)]—[T(Co%t)(X—MJ]其中，D是加權(quán)距離(可能性)，C是某一特征類型，X’為象素的測量向量，Mg是類型(3的樣本平均向量，4是任一象素屬于類型C的百分概率(缺省為1.0，或根據(jù)先驗(yàn)知識(shí)輸入)，C。%是類型C的樣本中的象素的協(xié)方差矩陣。具體的分類流程如下：(1)確定需要分類的地區(qū)和使用的波段和特征分類數(shù)，檢查所用各波段或特征分量是否相互已經(jīng)位置配準(zhǔn)；(2)根據(jù)已掌握的典型地區(qū)的地面情況，在圖像上選擇訓(xùn)練區(qū)；(3)計(jì)算參數(shù)：根據(jù)選出的各類訓(xùn)練區(qū)的圖像數(shù)據(jù)，計(jì)算Mc和CovC，確定先驗(yàn)概率%(4)分類：將訓(xùn)練區(qū)以外的圖像像元逐個(gè)代入公式，對于每個(gè)像元，分幾類就計(jì)算幾次；最后比較大小，選擇最大值得出類別；(5)產(chǎn)生分類圖：給每一類別規(guī)定一個(gè)值，如分成10類，可規(guī)定每一類對應(yīng)的值分別為1,2,3,???，10。分類后的像元值便用類別值代替并進(jìn)行著色，最后得到的分類圖像就是專題圖像；（6）檢驗(yàn)結(jié)果，如果分類中錯(cuò)誤較多，需要重新選擇訓(xùn)練區(qū)再作以上各步，直到結(jié)果滿意為止。雖然最大似然法的分類精度較高，但是計(jì)算量大，分類時(shí)間長，而且對輸入的數(shù)據(jù)有一定要求（最大似然是參數(shù)形式的，意味著每一輸入波段必須符合正態(tài)分布）。非監(jiān)督分類非監(jiān)督分類是在沒有先驗(yàn)類別知識(shí)的情況下，根據(jù)圖像本身的統(tǒng)計(jì)特征及自然點(diǎn)群的分布情況來劃分地物類別的分類處理。這類方法以圖像的統(tǒng)計(jì)特征為基礎(chǔ)，能夠獲得圖像數(shù)據(jù)內(nèi)在的分布規(guī)律。因?yàn)榉潜O(jiān)督分類不需要對待分類的地區(qū)有已知知識(shí)或進(jìn)行實(shí)地考察，相對監(jiān)督分類而言有更廣的應(yīng)用范圍。主要的方法有K均值分類和ISODATA分類。1（均值分類K均值分類的基本思想是通過迭代，逐次移動(dòng)各類的中心，直至得到最好的分類結(jié)果為止。需要預(yù)先設(shè)定聚類中心的個(gè)數(shù)（這在一定程度上限制了該算法的應(yīng)用），逐次移動(dòng)各類的中心，使聚類域中所有樣本到聚類中心的距離平方和最小，直至各類的中心不再移動(dòng)（或移動(dòng)的范圍小于設(shè)定的閾值）或達(dá)到規(guī)定的迭代次數(shù)時(shí)停止分類。其主要步驟如下：（1）確定類別數(shù)并各類的初始中心：Z1（0）,Z2（0），…，Z/0），K為類別數(shù)。初始中心的選擇對聚類結(jié)果有一定影響，一般通過以下方法選取：①根據(jù)問題的性質(zhì)，用經(jīng)驗(yàn)的方法確定類別數(shù)K，從數(shù)據(jù)中找出直觀上看來比較適合的K個(gè)類的初始中心；②將全部數(shù)據(jù)隨機(jī)地分為K個(gè)類別，將這些類別的重心作為K個(gè)類的初始中心；（2）擇近歸類:將所有像元按照與各中心的距離最小的原則分到K個(gè)聚類中心；（3）計(jì)算新中心：待所有樣本第i次劃分完畢后，重新計(jì)算新的集群中心與。+1）,j=1,2,…,K；（4）如果聚類中心不變或小于設(shè)定的閾值，則算法收斂，聚類結(jié)束；否則回到步驟（2），進(jìn)入下一次迭代；下圖描述了K均值分類過程中各類中心移動(dòng)的過程。聚類中心數(shù)大初始聚類中心的選擇、樣本輸入的次序，以及樣本的幾何特性等均可能影響k均值算法的進(jìn)行過程。對這種算法雖然無法證明其收斂性，但當(dāng)各類之間彼此遠(yuǎn)離時(shí)這個(gè)算法所得的結(jié)果是令人滿意的。由于K均值分類有實(shí)現(xiàn)過程簡單，分類速度較快的優(yōu)點(diǎn)，在遙感圖像分類應(yīng)用中有著重要的作用。3.2.2ISODATA分類ISODATA（IterativeSelf-OrganizingDataAnalxsisTechniquesA）分類也稱為迭代自組數(shù)據(jù)分析算法，它與K均值分類類似，都是通過迭代移動(dòng)各類的中心，直到得到最好的分類結(jié)果。差別在于:第一，它不是調(diào)整一個(gè)樣本的類別就重新計(jì)算一次各類樣本的均值，而是在每次把所有樣本都分類完畢之后才重新計(jì)算一次各樣本的均值。所以，K均值分類可看作逐個(gè)樣本修正法，ISODATA分類可看作成批樣本修正法；第二，該算法不僅可以通過調(diào)整樣本所屬類別完成樣本的聚類分析，而且可以自動(dòng)地進(jìn)行類別的“合并”與“分裂”，從而得到類別數(shù)比較合理的聚類結(jié)果。這種方法不受初始聚類組的影響，對識(shí)別蘊(yùn)含于數(shù)據(jù)中的光譜聚類組非常有效，前提是重復(fù)足夠的次數(shù)。缺點(diǎn)是比較費(fèi)時(shí)，因?yàn)榭赡芤习俅微汀Ｆ渌诸惙椒：诸愡b感圖像中的像元不一定由單純的一種地物信息構(gòu)成，因此，用傳統(tǒng)的“硬”分類方法（如前面提到的監(jiān)督分類和非監(jiān)督分類，每個(gè)像元?dú)w為單一類別）進(jìn)行圖像分類，無法獲得較高的精度。一種較好的解決辦法就是采用以模糊理論為基礎(chǔ)的模糊分類法。模糊分類允許根據(jù)各類型的百分比函數(shù)，將一個(gè)像元?dú)w到幾個(gè)類別。模糊分類具有過程靈活簡便、主觀影響小、適應(yīng)面廣等優(yōu)點(diǎn)。但仍存在如下問題（1）算法性能依賴于參數(shù)的初始化；（2）大數(shù)據(jù)量時(shí)算法嚴(yán)重耗時(shí)。針對于這些問題學(xué)者們進(jìn)行了很多研究，并取得了重要成果，主要研究內(nèi)容有隸屬函數(shù)確定、模糊模式識(shí)別匹配（分類）、模糊推理、模糊方法與統(tǒng)計(jì)方法的結(jié)合、模糊方法與人工神經(jīng)網(wǎng)絡(luò)的結(jié)合、模糊動(dòng)態(tài)識(shí)別等1。］。人工神經(jīng)網(wǎng)絡(luò)分類人工神經(jīng)網(wǎng)絡(luò)分類是利用計(jì)算機(jī)模擬人類學(xué)習(xí)的過程，建立輸入與輸出數(shù)據(jù)之間聯(lián)系的程序。在模仿人腦學(xué)習(xí)的過程中，通過進(jìn)行重復(fù)的輸入和輸出訓(xùn)練來增強(qiáng)和修改輸入和輸出數(shù)據(jù)之間的聯(lián)系［11］。所以，人工神經(jīng)網(wǎng)絡(luò)分類也可歸為監(jiān)督分類。人工神經(jīng)網(wǎng)絡(luò)主要由3個(gè)基本要素構(gòu)成，即處理單元、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)及訓(xùn)練規(guī)則，是由大量簡單的處理單元（神經(jīng)元）連接成的復(fù)雜網(wǎng)絡(luò)，能夠模仿人的大腦進(jìn)行數(shù)據(jù)接收、處理、貯存和傳輸。神經(jīng)網(wǎng)絡(luò)方法具有極強(qiáng)的非線性映射能力，可高速并行處理大量數(shù)據(jù)，而且具有自學(xué)習(xí)、自適應(yīng)和自組織能力。下圖為三層神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)圖。三層神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)圖］目前，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在遙感圖像分類處理中的應(yīng)用主要有單一的 BP（BackPropagation,反向傳播）網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、多層感知器、徑向基函數(shù)（RBF）網(wǎng)絡(luò)、Kohonen自組織特征分類器、Hybrid學(xué)習(xí)向量分層網(wǎng)絡(luò)等多種分類器。各種傳統(tǒng)分類方法的比較監(jiān)督分類的關(guān)鍵是訓(xùn)練樣本的選擇，訓(xùn)練樣本的質(zhì)量直接關(guān)系到分類能否取得良好的效果。在選擇訓(xùn)練樣本時(shí)要充分考慮研究區(qū)地物的光譜特征和分布區(qū)域特征并結(jié)合大量的野外調(diào)查，才能保證所選取的訓(xùn)練樣本具有較好的代表性。非監(jiān)督分類不需要對地面信息有詳細(xì)的了解，也不需要選擇訓(xùn)練樣本。能根據(jù)地物的光譜特征進(jìn)行分類，受人為因素的影響較少，而且算法成熟操作簡單。在初步分析圖像時(shí)，用非監(jiān)督分類的方法來研究數(shù)據(jù)的自然集群分布情況是很有價(jià)值的。兩種分類方法各有特點(diǎn)，實(shí)際應(yīng)用中應(yīng)充分考慮分類要求，如分類精度和速度，選擇合適的分類方法作為基礎(chǔ)算法。下表是上述分類方法的特點(diǎn)的總結(jié)。方法區(qū)別原理適應(yīng)條件特點(diǎn)效果局限性最小距離法元素到聚類中心距離最小每一個(gè)要識(shí)別的類有對應(yīng)的代表向量精度取決于對已知地物類型的了解和訓(xùn)練統(tǒng)計(jì)的精度計(jì)算簡便，可對像元順序掃描分類，效果較好對于類別重疊的情況，分類精度受到限制最大似然分類歸屬概率最大多數(shù)情況適用，但對出現(xiàn)概率低的類別可能影響精度建立一個(gè)判別函數(shù)集分類錯(cuò)誤小而精度高容易受到參數(shù)估計(jì)的限制平行六面體分類設(shè)定分割點(diǎn)將多維特征劃分成分別對應(yīng)不同分類類別的互不重迭的特征子空間通過選取訓(xùn)練區(qū)詳細(xì)了解分類類別（總體）的特征特征子空間快捷簡單，節(jié)省處理時(shí)間由于平行六面體有“角”，像素在光譜意義上與模板的平均值相差很遠(yuǎn)時(shí)可能被分類K均值分類所有樣本到聚類中心的距離平方和最小對待分類區(qū)域缺乏足夠了解聚類中心數(shù)K始終固定快速簡單，工作量小盲目的聚類；難以對產(chǎn)生的類別進(jìn)行控制ISODATA分類以初始類別為“種子”施行自動(dòng)迭代聚類的過程不便對分類區(qū)域進(jìn)行實(shí)地考察動(dòng)態(tài)調(diào)整類別數(shù)K當(dāng)類之間彼此遠(yuǎn)離時(shí)得的結(jié)果是令人滿意的當(dāng)多個(gè)地物類型的光譜特征類型差異很小時(shí)，分類的精度就會(huì)降低模糊分類利用像元的隸屬度函數(shù)進(jìn)行分類混合像元問題，界線不明顯的對象在單個(gè)像元中提取各類地物信息（類似于黑箱問題）進(jìn)行“準(zhǔn)純樣本”到“模糊樣本”的轉(zhuǎn)化可改善分類精度模糊樣本選取困難人工神經(jīng)網(wǎng)絡(luò)分類無參數(shù)分類器對待分類區(qū)域有足夠了解高維性、自組織性、模糊性和冗余性其分類精度優(yōu)于最大似然法若要提高訓(xùn)練精度需要多次迭代，非常費(fèi)時(shí)遙感圖像的分類算法很多，但還沒有一種算法是最普遍和最佳的，這主要是由于遙感圖像數(shù)據(jù)的復(fù)雜性決定的。從前面的敘述筆者得出了下面的結(jié)論：（1）與其它分類方法相比，監(jiān)督分類和非監(jiān)督分類算法最為簡單，應(yīng)用最為成熟。針對這些方法已經(jīng)開發(fā)出了應(yīng)用軟件，使用方便。(2)神經(jīng)網(wǎng)絡(luò)分類方法屬于非參數(shù)分類器，不需要統(tǒng)計(jì)分布的假設(shè)，因此要比傳統(tǒng)統(tǒng)計(jì)分類方法的應(yīng)用范圍廣泛。近年來，神經(jīng)網(wǎng)絡(luò)分類方法有了較大的發(fā)展，尤其是BP網(wǎng)絡(luò)分類方法，神經(jīng)網(wǎng)絡(luò)分類結(jié)果與傳統(tǒng)統(tǒng)計(jì)分類方法相比，分類結(jié)果精度有了明顯提高［13］。但其對樣本數(shù)量有一定要求，在樣本數(shù)量多時(shí)，精度較高，但耗費(fèi)時(shí)間長，在樣本數(shù)量少時(shí)因無法很好進(jìn)行參數(shù)的學(xué)習(xí)和調(diào)整，精度收到影響，因而仍未能在實(shí)際分類中廣泛應(yīng)用。(3)各種分類方法各有特點(diǎn)，在處理圖像分類問題時(shí)沒有唯一的“正確”方法。在具體分類時(shí)，需要根據(jù)被用來分析的數(shù)據(jù)的性質(zhì)、可獲得的計(jì)算機(jī)資源及分類數(shù)據(jù)的應(yīng)用采用特定的方法。必要時(shí)可綜合應(yīng)用多種方法，以提高分類的準(zhǔn)確率與精度。如李敏基于模概均值算法的遙感圖像變化檢測的研究提出了一種山函數(shù)與密度函數(shù)結(jié)合的聚類中心初始化算法；王崇倡等采用動(dòng)量一一自適應(yīng)學(xué)習(xí)速率調(diào)整算法對BP網(wǎng)絡(luò)算法進(jìn)行改進(jìn)，取得了良好效果；曾建潮構(gòu)建了一種全局收斂的改進(jìn)算法，對算法的速度進(jìn)化迭代方程作了相關(guān)的改進(jìn)。.三種硬件加速方法簡介遙感圖像處理具有數(shù)據(jù)量大、運(yùn)算密集、算法復(fù)雜等特點(diǎn)，如何快速、高效地處理遙感圖像成為遙感圖像處理技術(shù)研究的目標(biāo)之一。本文簡要介紹了從三種硬件的方向加快分類的方法，分別是GPU加速、機(jī)群系統(tǒng)加速和刀片機(jī)服務(wù)器加速，并對這些研究工作的特點(diǎn)進(jìn)行了簡要分析，最后總結(jié)了研究中存在的問題。GPU加速GPU(GraphicsProcessingUnit，圖形處理器)，是一種專門在個(gè)人電腦、工作站和一些移動(dòng)設(shè)備(如平板電腦、智能手機(jī)等)上進(jìn)行圖像運(yùn)算工作的微處理器。作為通用大規(guī)模并行處理器，GPU具有運(yùn)算密集、高度并行、體積小等特點(diǎn)，為加速遙感圖像處理提供了新的技術(shù)手段。GPU與CPU的差異GPU在計(jì)算能力上相對于CPU有明顯優(yōu)勢的原因在于兩者的設(shè)計(jì)目標(biāo)與體系結(jié)構(gòu)不同。如下圖所示，CPU的執(zhí)行單元采用了復(fù)雜的控制與分支預(yù)測以及大量的緩存來提高執(zhí)行效率,能夠面對盡可能多的通用處理事務(wù)，用于計(jì)算的算術(shù)邏輯單元ALU(ArithmeticLogicUnit)只占很小一部分。ControlALUMU[]RAM DltAKCPU GPUCPU與GPU架構(gòu)比較GPU則在有限的而積上提供更多的計(jì)算單元和很高的數(shù)據(jù)帶寬，通過大量計(jì)算單元的并行處理實(shí)現(xiàn)了更強(qiáng)大的計(jì)算能力。2007年，NVIDIA推出了CUDA(ComputeUnifiedDeviceArchitecture)，它是第一種通過使用類C語言對GPU進(jìn)行編程開發(fā)的通用計(jì)算開發(fā)環(huán)境及其軟件體系［14］，提升了GPU的可編程性。GPU加速的三個(gè)方向從加速原理角度，大致可分為下面三種方法（1）基于數(shù)據(jù)分塊的多線程并行技術(shù)該技術(shù)的主要特點(diǎn)是對圖像數(shù)據(jù)進(jìn)行分塊和線程任務(wù)分配，讓每個(gè)線程負(fù)責(zé)處理其中一個(gè)數(shù)據(jù)塊，通過多線程并行工作的方式共同完成整個(gè)遙感圖像數(shù)據(jù)處理，下圖為示意圖?；跀?shù)據(jù)分塊的多線程并行示意圖輸基于數(shù)據(jù)分塊的多線程并行示意圖輸A數(shù)據(jù)站果數(shù)據(jù)JP（2）基于CUDA庫的并行加速技術(shù)通過調(diào)用CUDA函數(shù)庫中并行處理算法來實(shí)現(xiàn)遙感圖像的并行處理。（3）基于算法分解的協(xié)同并行技術(shù)對算法進(jìn)行拆分，將具有高密度數(shù)據(jù)計(jì)算特征的處理部分交給GPU處理，其他不宜GPU處理的部分（處理過程中存在較多的判斷、分支等邏輯處理步驟）交給CPU處理。GPU應(yīng)用存在的問題綜上所述，盡管GPU有強(qiáng)大的計(jì)算能力，對大多數(shù)遙感圖像處理算法適應(yīng)性較好，但由于GPU本質(zhì)上仍屬于協(xié)處理器性質(zhì)，但系統(tǒng)應(yīng)用中存在一些問題UM（1）數(shù)據(jù)存儲(chǔ)問題:遙感圖像GPU并行處理流程一般需要將數(shù)據(jù)一次性載入GPU顯存，其處理數(shù)據(jù)量受限于GPU顯存容量；（2）數(shù)據(jù)載入問題：GPU顯存包括全局存儲(chǔ)器、共享存儲(chǔ)器、紋理存儲(chǔ)器和常數(shù)存儲(chǔ)器，不同類型的存儲(chǔ)器具有不同的容量和讀寫速率，處理速度受限于所采用的存儲(chǔ)器類型；（3）數(shù)據(jù)I/O問題：GPU數(shù)據(jù)處理需要在顯存和內(nèi)存之間來回傳輸數(shù)據(jù)，處理性能受限于顯存與內(nèi)存之間的總線帶寬等。小結(jié)在很多科研領(lǐng)域，隨著對處理速度要求的提高和處理系統(tǒng)環(huán)境的限制（如外場作業(yè)），GPU和CPU協(xié)同工作不失為一種有效提升計(jì)算機(jī)運(yùn)算能力的途徑。有研究者提出了集群CPU并行處理系統(tǒng)的設(shè)想，通過將多個(gè)GPU集成為GPU處理服務(wù)器來加快運(yùn)算速度。但是，如何使GPU與CPU更協(xié)調(diào)地工作，從系統(tǒng)角度獲得更為優(yōu)化的整體處理流程，形成高效的快速處理系統(tǒng)，仍有待于未來的進(jìn)一步研究。機(jī)群系統(tǒng)加速從字面上理解，機(jī)群就是一組協(xié)同工作的計(jì)算機(jī)。它能夠?qū)⒐ぷ髫?fù)載從一個(gè)超載的系統(tǒng)（或節(jié)點(diǎn)）遷移到機(jī)群中的另一個(gè)系統(tǒng)（或節(jié)點(diǎn)）上，從而大大的提高了它的處理能力，甚至可以和專用計(jì)算機(jī)（小型機(jī)和大型機(jī)）相媲美，性價(jià)比卻遠(yuǎn)高于專用計(jì)算機(jī)［16］。在機(jī)群中，常見的硬件有：結(jié)點(diǎn)、網(wǎng)絡(luò)、存儲(chǔ)。軟件有:機(jī)群系統(tǒng)、節(jié)點(diǎn)系統(tǒng)、應(yīng)用支撐軟件。下圖為機(jī)群系統(tǒng)的結(jié)構(gòu)示意圖。典型的機(jī)群系統(tǒng)體系結(jié)構(gòu)編程環(huán)境和應(yīng)用程序好,書性和單一系筑E央象設(shè)施結(jié)點(diǎn)結(jié)點(diǎn)網(wǎng)絡(luò)接口典型的機(jī)群系統(tǒng)體系結(jié)構(gòu)編程環(huán)境和應(yīng)用程序好,書性和單一系筑E央象設(shè)施結(jié)點(diǎn)結(jié)點(diǎn)網(wǎng)絡(luò)接口內(nèi)存忌線 ］處理器環(huán)法互歐網(wǎng)絡(luò)機(jī)群系統(tǒng)的優(yōu)點(diǎn)顯而易見的是，機(jī)群系統(tǒng)能夠?qū)⒉煌吞?hào)、不同操作系統(tǒng)的計(jì)算機(jī)組合成機(jī)群對圖像分類進(jìn)行并行運(yùn)算，相對于一臺(tái)計(jì)算機(jī)而言，極大的提升了運(yùn)算的速度。除此之外，機(jī)群系統(tǒng)還有下列優(yōu)點(diǎn)：（1）系統(tǒng)開發(fā)周期短：計(jì)算機(jī)系統(tǒng)大多采用商用工作站和通用LAN網(wǎng)絡(luò)，使主控節(jié)點(diǎn)管理系統(tǒng)相對容易上手，可靠性高。（2）系統(tǒng)總價(jià)低：構(gòu)成集群的工作站或PC機(jī)都是批量生產(chǎn)的，價(jià)格低廉。（3）節(jié)約系統(tǒng)資源：由于集群系統(tǒng)的結(jié)構(gòu)比較靈活，它可以將不同體系結(jié)構(gòu)，不同性能的工作站或PC機(jī)連在一起，用戶可以充分利用現(xiàn)有設(shè)備，節(jié)約系統(tǒng)資源，提高工作效率。（4）系統(tǒng)擴(kuò)展性好：機(jī)群系統(tǒng)大多使用通用網(wǎng)絡(luò)，系統(tǒng)擴(kuò)展性很強(qiáng)，而且對大小不同的顆粒度并行應(yīng)用都具有很好的效率。（5）易于升級(jí)：機(jī)群計(jì)算機(jī)在結(jié)點(diǎn)性能上可以同處理器發(fā)展保持同步，降低系統(tǒng)升級(jí)的費(fèi)用。機(jī)群系統(tǒng)的一些限制因素基于機(jī)群的高性能遙感處理技術(shù)需要將遙感處理的過程中的多任務(wù)合理拆分或者是將一個(gè)處理任務(wù)分解成幾個(gè)能獨(dú)立運(yùn)行的子任務(wù)，分配到集群的節(jié)點(diǎn)上，并行地執(zhí)行各個(gè)任務(wù)，進(jìn)而快速高效地處理遙感數(shù)據(jù)。所以，要進(jìn)行遙感機(jī)群處理有下面幾個(gè)限制因素：（1）通信開銷大：機(jī)群系統(tǒng)中每臺(tái)機(jī)器都有獨(dú)立的存儲(chǔ)器，各節(jié)點(diǎn)機(jī)器的內(nèi)存不共享，如果要進(jìn)行全局共享數(shù)據(jù)讀寫操作，必須通過機(jī)器間的通信來進(jìn)行數(shù)據(jù)傳輸；（2）體積大，不便于移動(dòng)；（3）有些任務(wù)不能進(jìn)行分解和并行化處理。小結(jié)快速貪吃算法、最小-最小算法、最大-最小算法和最大時(shí)間跨度算法都是較為常用的機(jī)群調(diào)度算法［17］。然而無論使用哪種調(diào)度算法，都有一個(gè)無法解決的問題。因?yàn)橐粋€(gè)機(jī)群管理系統(tǒng)可以控制的節(jié)點(diǎn)的總數(shù)是有限的，當(dāng)某個(gè)機(jī)群所擁有的計(jì)算機(jī)的總數(shù)接近或者達(dá)到極限時(shí)，運(yùn)算量也將達(dá)到極限，很難再提高整個(gè)機(jī)群的效率。為了解決上述問題，有研究者引入了異構(gòu)多機(jī)群系統(tǒng)的概念。將不同種類的機(jī)群結(jié)合起來，形成一個(gè)統(tǒng)一的，異構(gòu)的（這里提到的異構(gòu)是指機(jī)群管理系統(tǒng)之間的異構(gòu)，或者說調(diào)度異構(gòu)，而不是指計(jì)算機(jī)、操作系統(tǒng)、平臺(tái)之間異構(gòu)），更大的機(jī)群系統(tǒng)［16］，較好的解決了機(jī)群算法的問題。但是調(diào)度算法也變得更加復(fù)雜，這也是日后深入研究的方向之一。刀片機(jī)服務(wù)器加速刀片服務(wù)器是指在標(biāo)準(zhǔn)高度的機(jī)架式機(jī)箱內(nèi)可插裝多個(gè)卡式的服務(wù)器單元，是一種實(shí)現(xiàn)HAHD（HighAvailabilityHighDensity,高可用高密度）的低成本服務(wù)器平臺(tái)，為特殊應(yīng)用行業(yè)和高密度計(jì)算環(huán)境專門設(shè)計(jì)。下圖為刀片機(jī)服務(wù)器的示意圖。刀片機(jī)服務(wù)器“刀片”們可以通過板載硬盤啟動(dòng)各自的操作系統(tǒng)（WindowsNT/2000、Linux等），類似于一個(gè)個(gè)獨(dú)立的服務(wù)器。管理員可以使用系統(tǒng)軟件將這些母板集合成一個(gè)服務(wù)器集群，在集群模式下，所有的母板可以連接起來提供高速的網(wǎng)絡(luò)環(huán)境，并同時(shí)共享資源，為相同的用戶群服務(wù)。刀片機(jī)服務(wù)器的優(yōu)點(diǎn)通過集合多個(gè)“刀片”，刀片機(jī)服務(wù)器便可在集群模式下集合這些母版的計(jì)算能力。由于結(jié)構(gòu)合理，刀片機(jī)服務(wù)器有以下優(yōu)點(diǎn)：（1）便于升級(jí)與維護(hù)：在集群中插入新的〃刀片〃，就可以提高整體性能。由于每塊刀片都支持熱插拔的，系統(tǒng)可以輕松地進(jìn)行替換，將維護(hù)時(shí)間減少到最小；（2）規(guī)模?。河捎谑∪チ藱C(jī)箱及交互設(shè)備，其重量、體積較計(jì)算機(jī)或服務(wù)器小得多；（3）穩(wěn)定性較高：內(nèi)置的負(fù)載均衡技術(shù)能有效提高服務(wù)器的穩(wěn)定性和核心網(wǎng)絡(luò)性能。刀片機(jī)服務(wù)器的不足盡管前面列舉了刀片機(jī)服務(wù)器的許多優(yōu)點(diǎn)，但是高密度的“刀片”設(shè)置也帶來了不少問題，主要如下：（1）發(fā)熱嚴(yán)重：一個(gè)刀片機(jī)箱的最大耗電量是8000瓦，需要額外提供良好的散熱和冷卻系統(tǒng)；（2）廠商標(biāo)準(zhǔn)不一：刀片機(jī)服務(wù)器沒有統(tǒng)一的標(biāo)準(zhǔn)，服務(wù)器刀片常常設(shè)計(jì)成只能在某家廠商自己的機(jī)箱里面運(yùn)行，通常只能使用同一家公司的全套設(shè)備；（3）密度高才有經(jīng)濟(jì)意義：算上機(jī)箱和通用服務(wù)的成本，每臺(tái)服務(wù)器的成本就會(huì)超過同等處理能力的獨(dú)立服務(wù)器系統(tǒng)。所以，只有通過增加刀片數(shù)分?jǐn)倷C(jī)箱的成本，才能有更好的經(jīng)濟(jì)意義。小結(jié)本章簡單介紹了三種加快分類速度的途徑：GPU、機(jī)群系統(tǒng)和刀片機(jī)服務(wù)器。三種途徑各有其特點(diǎn)：將具有高密度數(shù)據(jù)計(jì)算特征的處理部分交給GPU處理，GPU加速法屬于單個(gè)計(jì)算機(jī)級(jí)別的硬件加速；機(jī)群系統(tǒng)利用高速互聯(lián)網(wǎng)絡(luò)聯(lián)系一組或多組計(jì)算機(jī)進(jìn)行并行運(yùn)算，提升效果更明顯，但體積過大，不適用于野外工作；刀片機(jī)服務(wù)器體積小，運(yùn)算能力強(qiáng)大，但發(fā)熱嚴(yán)重，也是提升分類速度的一種有效方法。在實(shí)踐中，我們可以根據(jù)實(shí)際需要選擇合適的加速方法。.結(jié)語傳統(tǒng)的遙感圖像分類方法如目視解譯、監(jiān)督分類和非監(jiān)督分類，算法成熟、操作簡單仍然是目前應(yīng)用較多的方法。近年來發(fā)展起來的分類新方法，如決策樹分類法、綜合閾值法、專家系統(tǒng)分類法、多特征融合法以及基于頻譜特征的分類法等，能夠更準(zhǔn)確地提取出目標(biāo)地物，對圖像分類有不同程度的改進(jìn)，在實(shí)際應(yīng)用中通常和傳統(tǒng)分類方法結(jié)合起來使用。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，我們還可以從硬件角度去改善遙感圖像分類技術(shù)。本文介紹的GPU、機(jī)群系統(tǒng)和刀片機(jī)服務(wù)器是三種應(yīng)用較多，比較成熟的方法，主要從并行運(yùn)算的方向提升硬件設(shè)備的運(yùn)算能力。盡管這些方法已被實(shí)踐證明有效，但是如何確定調(diào)度算法，使硬件設(shè)備高效率地協(xié)同工作仍然是待解決的問題。遙感圖像的分辨率已有了很大提高，但圖像分類技術(shù)還跟不上遙感技術(shù)的發(fā)展。雖然不少研究者從不同角度出發(fā)提出了很多新的分類方法和改進(jìn)的途徑，但是沒有哪一