异构计算环境下遥感图像并行变化检测关键技术研究

With the continuous development of remote sensing technology, how to efficiently handle remote sensing data acquired by sensors,carried on airborne, spaceborne or landborne platform,has become a hot topic. But it is time-consuming for the existing change detection algorithms to process large-scale remote sensing image in many emerging applications. Therefore, through the analysis of change detection model and MapReduce paradigm, a parallel change detection framework is proposed. In order to further improve the computational efficiency of each computing node, according to the characteristics of CPU and GPU，we propose MapReduce-based parallel remote sensing image change detection algorithm in heterogeneous computing environments. Parallel task scheduling strategy based on evolutionary computation combined with different memetic mechanism in heterogeneous computing environment is designed, which can maximize utilize parallel computing resources to minimum running time of parallel change detection algorithm. On CPU/GPU cluster, the software of MapReduce-based parallel remote sensing image change detection will be implemented, and it efficiently utilizes the GPU memory hierarchy for performance enhancement. Finally, we verify the performance of the algorithm on large-scale real remote sensing images and analyze algorithms speedup and parallel scalability.

随着遥感技术的不断发展，如何高效处理空-天-地一体化对地观测系统获取的遥感大数据成为热点。本课题针对应急任务下大规模遥感图像变化检测算法运算量大难以实时应用的难题，在分析变化检测模型和MapReduce并行计算思想基础上，提出并行变化检测框架。为提高并行变化检测框架中每个计算节点的计算效率，根据CPU擅长处理复杂逻辑功能和GPU擅长处理计算密集型任务的特点，提出异构计算环境下基于MapReduce的并行遥感图像变化检测算法。基于进化计算和memetic算法中不同学习机制设计异构计算环境下的并行任务调度策略，以最大化利用并行计算资源达到缩短并行变化检测算法运行时间的目的。在异构计算集群上设计并建立基于MapReduce的遥感图像并行变化检测验证软件，采用存储优化等方法优化软件性能，在大规模真实遥感图像上进行仿真，并分析算法的加速比和并行可扩展。

近年来，由于空-天-地一体化对地观测系统的传感器数量剧增和成像分辨率的提高，人类社会已经进入了遥感大数据时代。在大数据背景下，传统的遥感图像变化检测算法难以满足越来越高的实时性需求。异构计算及MapReduce分布式模型作为新一代并行计算技术迅速渗透到各个领域，他们分别针对计算密集型和数据密集型任务设计，为大规模遥感图像的快速处理提供了新的思路。. 本项目旨在探索利用异构计算及MapReduce分布式模型来提高SAR 图像变化检测的计算效率。主要开展了以下的研究内容： 1、研究异构计算环境下的无监督SAR图像变化检测算法，设计了并行快速全局K-均值算法并分析其在不同异构计算环境下的性能可移植性，针对Intel 众核处理架构设计了并行FLICM算法并验证了其并行性能。2、研究了基于大数据MapReduce分布式模型的无监督SAR图像变化检测算法，在Hadoop和Spark平台上对所设计的算法进行了仿真并分析了其在处理大规模遥感图像时的性能可扩展性； 3、针对SAR图像变化检测预处理问题，提出了并行非局部均值去噪算法和并行免疫克隆选择算法；4、建立并行SAR图像变化检测软件系统，使得研究项目能够在现实的应用中发挥出一定的效果。. 通过本项目的研究，有效地提高了算法的计算速度，缩短了计算时间，为大数据时代的遥感图像变化检测提供了新的技术方案。