论文部分内容阅读
随着卫星技术的发展,遥感影像的分辨率和数据量正在急剧增长,对遥感影像的处理技术提出了更高的要求。近几十年来越来越多的研究人员投入到遥感分类方法的研究,使得分类精度不断提高,应用领域日益广泛。特别是地统计方法的引入,使得不少研究人员开始注意到地物空间关系对遥感影像分类的影响。k-NN方法是常用的最近邻分类器,易于与地统计模型相结合,将地物空间关系特征引入该分类器可提高分类精度。与此同时,许多领域对海量遥感数据处理的时效性也提出了更高要求,高效并行化遥感影像处理是解决这一问题的有效途径。因此,开发高精度的并行遥感分类器是遥感研究领域的一个重要发展方向。本文根据地理学第一定律和并行计算思想,提出了gwk-NN并行遥感分类器。具体而言,在常用的传统k-NN分类器的基础上结合地统计模型,建立地理加权的gwk-NN分类器,并采用数据并行、任务并行和双重并行等三种模式,从算法和数据两方面对分类器进行了并行化。其中,数据并行采用对等式,任务并行采用主从式,双重并行则混合使用了对等式与主从式并行方式。在此基础上,以SPOT 5遥感影像作为实验数据,选择地物类别典型、空间连续性好的区域进行试验,对gwk-NN并行遥感分类器的分类精度和性能进行了测试。结果表明:(1)gwk-NN分类器优于k-NN、最大似然法(ML)、神经网络(NN)和支持向量机(SVM)等传统分类器,分类精度得到显著提高,噪声明显减少甚至消失,而且方法同样简单、易用;(2)gwk-NN并行分类器在双重并行模式下性能最好,实用性明显增强。在该模式单机环境下,分类器的加速比最大达到了6.59,并行效率为82.4%,明显优于数据并行和任务并行模式下的分类器性能。综上所述,本文在以下两方面有所创新:(1)将不同的地统计模型与k-NN分类器结合得到新型gwk-NN分类器,明显改善了传统k-NN分类器的分类精度;(2)将并行计算引入遥感影像分类,对gwk-NN分类器进行并行化改进,提高了gwk-NN分类器的分类性能。