高性能计算在高光谱遥感数据处理中的应用研究
|
摘要
高光谱遥感是遥感技术的前沿，其蕴含的丰富波谱数据使得地物的定量检测成为可能[1]。在“遥感找矿面临的新挑战”为主要议题的第302次香山科学会议上，一致认为高光谱遥感技术增强了遥感的对地观测能力和地物识别能力，极大的提高了遥感技术的定量化处理能力[2]。高光谱遥感技术使遥感从对地物的鉴别发展到可对地物的直接识别阶段，利用高光谱遥感数据进行矿产探测是遥感技术应用的主要方向之一，已经广泛地应用于资源勘查、灾害监控和环境监测等方面。随着我国“高分”专项的实施以及“资源一号”02C卫星的成功发射和在轨运行，高光谱数据源获取的瓶颈问题将逐步得到解决。
高光谱遥感数据包括了空间、辐射和光谱三重信息[3]，行业应用中的数据量已经达到TB级，已经达到海量数据级别。数据的海量特性严重制约了应用的拓展和实际工程应用效率的提高。如大小为30000*30000的卫星遥感图像，如果采用传统的串行方式进行校正，其运算量将达到数百亿次浮点乘加操作；大量数据操作和处理的复杂性决定了高光谱遥感图像数据处理具有很强的计算性，普通计算机和价格昂贵的专用硬件系统远远无法满足遥感数据处理日益增长的需求。此外，高光谱遥感图像的预处理、校正、分类、填图等应用算法十分复杂，这些因素都严重制约了实际行业应用中矿产勘查工作开展的效率。高性能计算是计算机发展的重要技术之一，也是解决海量数据处理效率低的有效方法，在很多大数据量计算领域已经得到了运用，但是对于海量高光谱遥感数据的高性能计算而言，由于高光谱遥感数据对应几百乃至上千波段不等的数据，波段之间的数据具有关联性，需要将光谱维数据和空间维数据综合使用[4]，进行并行处理时，简单的追求计算速度在应用端反而会造成约束。此外，由于计算机内存限制，读取海量数据时的分块操作也必须考虑光谱维和空间维的统一。本文研究了海量高光谱遥感数据处理方式，并针对高光谱遥感图像特点提出适合CUDA（Compute UnifiedDevice Architecture）和MPI（Message Passing Interface）两种并行环境下并行处理的模型，形成适用于并行环境的高光谱遥感高性能计算优化策略。同时以高光谱遥感混合像元分解以及降维处理算法为例，进行算法的高性能并行化改写，分别构建了基于CUDA和MPI的并行开发架构，设计开发了高性能高光谱遥感混合像元分解处理算法及相应程序，集成了计算机软件及高光谱遥感处理的方法技术，是进一步开展高光谱遥感其他处理方法的高性能计算研究的基础，可以为社会经济可持续发展和矿产资源勘察工作提供技术支撑。最后，对基于MPI/CUDA混合并行模式下的数据处理方式进行了理论研究，建立了混合并行环境下的数据计算模型。主要研究工作如下：
（1）研究了适用于并行环境下的海量高光谱遥感数据金字塔模型。
（2）研究海量高光谱遥感数据的优化读写算法，突破了商业化软件对海量数据源提取方法源代码的保护。
（3）研究并设计了基于GPU的高光谱遥感数据处理并行模式，并以混合像元分解处理方法的并行算法为例程序实现并测试，包括：无约束最小二乘法、和为1的部分约束最小二乘法、端元投影向量法。
（4）研究并设计了基于MPI的高光谱遥感数据处理并行模式，以降维处理的并行算法为例进行了验证，包括主成份分析（PCA）以及最小噪声分离（MNF）算法。
（5）对于CUDA+MPI混合并行环境下的算法设计和数据计算模型进行了理论研究，为深入研究高性能计算在高光谱遥感中的应用打下了坚实基础。
Hyper-spectral remote sensing technology is the forefront of remote sensingtechnology; it contains a wealth of spectral data which makes Feature quantitativedetection possible. At the302th Xiangshan Science Conference which main issue isthe new challenge faced by remote sensing prospecting. They agreed thathyper-spectral remote sensing technology enhance the capacity of remote sensing inearth observation and the ability to identify, it greatly improves the capacity ofquantitative processing in remote sensing technology. Hyper-spectral remote sensingtechnology enables the development of remote sensing from the identification ofsurface features to the feature identification phase, using hyper-spectral remotesensing data for mineral exploration is one of the main directions of the application.The remote sensing technology has been widely used in resource exploration, disastermonitoring and environmental monitoring. With the implementation of China's "highscore" and success of launch and in orbit of Resource One02C satellite.Hyper-spectral data source for the bottleneck problem will be solved step by step.
Hyper-spectral remote sensing data includes information on space radiation andspectral triple, and the amount of data in industrial applications has reached to TBlevel, mass characteristics of the data has seriously hampered the efficiency ofapplication development and practical application. Such as size30000*30000satellite remote sensing image, if use the traditional serial pounds correction, theoperation will reach to tens of billions of floating-point multiply-add operation; alarge number of data manipulation and processing complexity decide the image dataprocessing of the hyper-spectral remote sensing has a strong computing, ordinarycomputers and expensive dedicated hardware system far unable to meet the growing demand of remote sensing data processing. In addition, the application such as imagepreprocessing, correction, classification, mapping algorithm of hyper-spectral remotesensing is very complex, these factors have seriously hampered the efficiency ofmineral exploration work in the actual industrial applications. High-performancecomputing is the development of computer technology, but also the low effective wayto solve the efficiency of mass data processing, it has been used in many computingarea which has a large amount of data, but for the mass of high-performancecomputing of hyper-spectral remote sensing data.Because of hyper-spectral remotesensing data corresponding to hundreds or even thousands of bands ranging from data,data has a correlation between band spectrum-dimensional data and spatial dimensiondata integration, parallel processing, the simple pursuit of calculation speed in theapplication side but will result in constraints. Besides this, due to the limitations ofcomputer memory, read huge amounts of data sub-block operation must take intoaccount the uniform between spectral dimension and space dimension. This paperresearched the parallel environment hyper-spectral remote sensing high-performancecomputing optimization strategy for the mass hyper-spectral remote sensing dataprocessing and parallel environment suitable for CUDA (Compute Unified DeviceArchitecture) and MPI (Message Passing Interface), whose parallel processing modelis used for hyper-spectral remote sensing image characteristics. Hyper-spectral remotesensing decomposition of mixed pixels and dimensionality reduction processingalgorithms, for example, corresponding decomposition treatment of high-performanceparallel algorithm rewritten, were constructed based on CUDA and MPI paralleldevelopment of architecture, design and development of high-performancehyper-spectral remote sensing mixed algorithms and procedures, integrated computersoftware and processing of hyper-spectral remote sensing technology, hyper-spectralremote sensing approach is to further develop high-performance computing researchfor the sustainable socio-economic development and mineral resources explorationwork to provide technical support. Finally, based on the theoretical studies the dataprocessing of the CPU/GPU hybrid parallel mode, establish a data calculating modelunder the hybrid parallel environment.
1) Massive hyperspectral remote sensing data model for two parallelenvironments.
2) Study the huge amount of read-write algorithm data, breaking the protectionof commercial software on the the mass data source extraction method source code.
3) Research and design the paraller mode of hyperspectral remote sensing-basedGPU and mixed pixel decomposition the approach parallel algorithm, for exampleprogram implementation and testing, including: unconstrained least squares, andconstrained least squares method1, endmember projection vector method.
4) study and design a parallel algorithm based on MPI parallel modehyperspectral remote sensing dynasties dimension, for example the verificationalgorithms, including principal component analysis (PCA) and minimum noisefraction (MNF).
5) For CUDA+MPI mixed parallel environment under algorithm design anddata model theoretical research, laid a solid foundation for the depth ofhigh-performance computing applications in hyperspectral remote sensing.
高光谱遥感数据包括了空间、辐射和光谱三重信息[3]，行业应用中的数据量已经达到TB级，已经达到海量数据级别。数据的海量特性严重制约了应用的拓展和实际工程应用效率的提高。如大小为30000*30000的卫星遥感图像，如果采用传统的串行方式进行校正，其运算量将达到数百亿次浮点乘加操作；大量数据操作和处理的复杂性决定了高光谱遥感图像数据处理具有很强的计算性，普通计算机和价格昂贵的专用硬件系统远远无法满足遥感数据处理日益增长的需求。此外，高光谱遥感图像的预处理、校正、分类、填图等应用算法十分复杂，这些因素都严重制约了实际行业应用中矿产勘查工作开展的效率。高性能计算是计算机发展的重要技术之一，也是解决海量数据处理效率低的有效方法，在很多大数据量计算领域已经得到了运用，但是对于海量高光谱遥感数据的高性能计算而言，由于高光谱遥感数据对应几百乃至上千波段不等的数据，波段之间的数据具有关联性，需要将光谱维数据和空间维数据综合使用[4]，进行并行处理时，简单的追求计算速度在应用端反而会造成约束。此外，由于计算机内存限制，读取海量数据时的分块操作也必须考虑光谱维和空间维的统一。本文研究了海量高光谱遥感数据处理方式，并针对高光谱遥感图像特点提出适合CUDA（Compute UnifiedDevice Architecture）和MPI（Message Passing Interface）两种并行环境下并行处理的模型，形成适用于并行环境的高光谱遥感高性能计算优化策略。同时以高光谱遥感混合像元分解以及降维处理算法为例，进行算法的高性能并行化改写，分别构建了基于CUDA和MPI的并行开发架构，设计开发了高性能高光谱遥感混合像元分解处理算法及相应程序，集成了计算机软件及高光谱遥感处理的方法技术，是进一步开展高光谱遥感其他处理方法的高性能计算研究的基础，可以为社会经济可持续发展和矿产资源勘察工作提供技术支撑。最后，对基于MPI/CUDA混合并行模式下的数据处理方式进行了理论研究，建立了混合并行环境下的数据计算模型。主要研究工作如下：
（1）研究了适用于并行环境下的海量高光谱遥感数据金字塔模型。
（2）研究海量高光谱遥感数据的优化读写算法，突破了商业化软件对海量数据源提取方法源代码的保护。
（3）研究并设计了基于GPU的高光谱遥感数据处理并行模式，并以混合像元分解处理方法的并行算法为例程序实现并测试，包括：无约束最小二乘法、和为1的部分约束最小二乘法、端元投影向量法。
（4）研究并设计了基于MPI的高光谱遥感数据处理并行模式，以降维处理的并行算法为例进行了验证，包括主成份分析（PCA）以及最小噪声分离（MNF）算法。
（5）对于CUDA+MPI混合并行环境下的算法设计和数据计算模型进行了理论研究，为深入研究高性能计算在高光谱遥感中的应用打下了坚实基础。
Hyper-spectral remote sensing technology is the forefront of remote sensingtechnology; it contains a wealth of spectral data which makes Feature quantitativedetection possible. At the302th Xiangshan Science Conference which main issue isthe new challenge faced by remote sensing prospecting. They agreed thathyper-spectral remote sensing technology enhance the capacity of remote sensing inearth observation and the ability to identify, it greatly improves the capacity ofquantitative processing in remote sensing technology. Hyper-spectral remote sensingtechnology enables the development of remote sensing from the identification ofsurface features to the feature identification phase, using hyper-spectral remotesensing data for mineral exploration is one of the main directions of the application.The remote sensing technology has been widely used in resource exploration, disastermonitoring and environmental monitoring. With the implementation of China's "highscore" and success of launch and in orbit of Resource One02C satellite.Hyper-spectral data source for the bottleneck problem will be solved step by step.
Hyper-spectral remote sensing data includes information on space radiation andspectral triple, and the amount of data in industrial applications has reached to TBlevel, mass characteristics of the data has seriously hampered the efficiency ofapplication development and practical application. Such as size30000*30000satellite remote sensing image, if use the traditional serial pounds correction, theoperation will reach to tens of billions of floating-point multiply-add operation; alarge number of data manipulation and processing complexity decide the image dataprocessing of the hyper-spectral remote sensing has a strong computing, ordinarycomputers and expensive dedicated hardware system far unable to meet the growing demand of remote sensing data processing. In addition, the application such as imagepreprocessing, correction, classification, mapping algorithm of hyper-spectral remotesensing is very complex, these factors have seriously hampered the efficiency ofmineral exploration work in the actual industrial applications. High-performancecomputing is the development of computer technology, but also the low effective wayto solve the efficiency of mass data processing, it has been used in many computingarea which has a large amount of data, but for the mass of high-performancecomputing of hyper-spectral remote sensing data.Because of hyper-spectral remotesensing data corresponding to hundreds or even thousands of bands ranging from data,data has a correlation between band spectrum-dimensional data and spatial dimensiondata integration, parallel processing, the simple pursuit of calculation speed in theapplication side but will result in constraints. Besides this, due to the limitations ofcomputer memory, read huge amounts of data sub-block operation must take intoaccount the uniform between spectral dimension and space dimension. This paperresearched the parallel environment hyper-spectral remote sensing high-performancecomputing optimization strategy for the mass hyper-spectral remote sensing dataprocessing and parallel environment suitable for CUDA (Compute Unified DeviceArchitecture) and MPI (Message Passing Interface), whose parallel processing modelis used for hyper-spectral remote sensing image characteristics. Hyper-spectral remotesensing decomposition of mixed pixels and dimensionality reduction processingalgorithms, for example, corresponding decomposition treatment of high-performanceparallel algorithm rewritten, were constructed based on CUDA and MPI paralleldevelopment of architecture, design and development of high-performancehyper-spectral remote sensing mixed algorithms and procedures, integrated computersoftware and processing of hyper-spectral remote sensing technology, hyper-spectralremote sensing approach is to further develop high-performance computing researchfor the sustainable socio-economic development and mineral resources explorationwork to provide technical support. Finally, based on the theoretical studies the dataprocessing of the CPU/GPU hybrid parallel mode, establish a data calculating modelunder the hybrid parallel environment.
1) Massive hyperspectral remote sensing data model for two parallelenvironments.
2) Study the huge amount of read-write algorithm data, breaking the protectionof commercial software on the the mass data source extraction method source code.
3) Research and design the paraller mode of hyperspectral remote sensing-basedGPU and mixed pixel decomposition the approach parallel algorithm, for exampleprogram implementation and testing, including: unconstrained least squares, andconstrained least squares method1, endmember projection vector method.
4) study and design a parallel algorithm based on MPI parallel modehyperspectral remote sensing dynasties dimension, for example the verificationalgorithms, including principal component analysis (PCA) and minimum noisefraction (MNF).
5) For CUDA+MPI mixed parallel environment under algorithm design anddata model theoretical research, laid a solid foundation for the depth ofhigh-performance computing applications in hyperspectral remote sensing.
引文
[1]杨国鹏,余旭初,冯伍,等.高光谱遥感技术的发展与应用现状[J].测绘通报.2008(10):1-4.
[2]万余庆,谭克龙,周日平.高光谱遥感应用研究[M].北京:科学出版社,2006.30-49.
[3]杨国鹏.基于核方法的高光谱影像分类与特征提取[D].郑州:信息工程大学,2007.
[4]路威.面向目标探测的高光谱影像特征提取与分类.技术研究[D].郑州:信息工程大学,2005.
[5]余旭初,冯伍法,林丽霞.高光谱—遥感测绘的新机遇[J]．测绘科学技术学报,2006,23(2):101-105.
[6]童庆禧,张兵,郑兰芬.高光谱遥感—原理、技术与应用[M].北京:高等教育出版社,2006:129-189.
[7]杨哲海.高光谱影像分类若干关键技术的研究[D].郑州:信息工程大学:2006.
[8]浦瑞良,宫鹏.高光谱遥感及其应用[M].北京:高等教育出版社,2004:47-78.
[9]张良培,张立福.高光谱遥感[M].武汉:武汉大学出版社,2005:58-101.
[10]李震,施建成.高光谱遥感积雪制图算法及验证[J].测绘学报,2006(35)1:67-73.
[11]王静,土地资源遥感监测与评价方法[M].北京:科学出版社,2006:109-141.
[12]张宗贵,王润生,郭大海,等.成像光谱岩矿识别方法技术研究和影响究因素分析[M].北京:地质出版社.2006:108-136.
[13]陶玉龙,卢凯,王小平,王继祖.面向云服务的高性能计算柔性服务平台[J].技术研究.2012(6):57-60.
[14] Vaquero L,Rodero-Marino L,Caceres J,et al.A break in the clouds: towards a clouddefinition[J].SIGCOMM Computer Communication Review.2009.39(I):50-55.
[15] LU Kai,CHI Wanqing,LIU Yongpeng,et al.HPUC:A High Performance Virtual ComputingEnvironment for Super Computers[C]MProc of APPT,2009.
[16] L Youseff,M Butrico,D D Silva.Toward a Unified Onified Ontology of CloudComputing[EB/OL]. http://www.collabogce.org/gce08/images/7/76/Lamia Youseff.pdf,2010.
[17]都志辉.高性能计算之并行编程技术—MPI并行程序设计[M].北京:清华大学出版社,2001.
[18]李永兵.并行编程环境与工具[J].长治学院学报.2009.4(26):41-43.
[19]何艳辉,朱珍民.基于消息传递并行计算环境[J].湘潭大学社会科学学报,2003,27(5):233-235.
[20]孙敏.基于MPI的图像并行处理方法[J].电脑知识与技术.2009(5):1898-1899.
[21]钱悦.图形处理器CUDA编程模型的应用研究[J].计算机与数字工程,2008,36(12):177-180.
[22] NVIDIA CUDA compute unified device architecture:program-mingguide[Z].Version2.0beta2,2008.
[23]孙成刚,李峥,唐冬冬,李翔,滕红.基于GPU的高性能并行计算应用[J].电子信息对抗技术.2012(3):69-73.
[24]葛万成. CUDA并行计算的应用研究[J].信息技术,2010,20(4):11-15.
[25]田力.CUDA在高性能计算中的应用[D].杭州:浙江大学,2008.
[26]谭洪颂.基于GPU加速的真实感渲染系统研究与实现[D].青岛:大连理工大学,2010.
[27]吴恩华,柳有权.基于图形处理器(GPU)的通用计算[J].计算机辅助设计与图形学学报.2004,16(5):601-611.
[28] LuebkeD, HumphreysG.How GPUs Work [J].IEEEComputer,2007.40(2):96-100.
[29]赵慧洁,董超,王维,李娜,贾国瑞.一种低成本高光谱海量数据并行处理系统
[P].CN200910089806.1.北京航空航天大学.2010-01-06.
[30]曾招城,李利伟,王正海,雷莉萍.基于监督分类的震后高分辨率影像倒塌房屋快速识别[J].遥感信息.2011(5):76-80.
[31]陆筱霞,段光明,李思昆.基于GPU的遥感纹理压缩解压算法[J].系统仿真学报,2009(10):42-50.
[32]张海军,陈圣波,张旭晴,王亚楠,基于GPU的遥感图像快速去噪处理[J].城市勘测,2010(4):96-98.
[33]杨靖宇,张永生,董广军,基于GPU的遥感影像SAM分类算法并行化研究[J].测绘科学,2010(5):9-12.
[34]卢俊,张保明,黄薇,李二森,基于GPU的遥感影像数据融合IHS变换算法[J].计算机工程,2009(4):261-263.
[35]张哲.基于海量遥感数据的集群并行处理技术研究与应用[D].郑州:河南大学.2012.
[36]崔鑫.海量空间数据的分布式存储管理及并行处理技术研究[D].国防科学技术大学,2010
[37]田俊刚.高性能集群系统分析、设计与应用[D].西安:西北工业大学,2004年
[38]黄訸.高性能计算体系结构下的海量数据处理分析与优化[D].长沙:国防科学技术大学,2011
[39]刘聪.高性能计算机片上网络交换结构和性能的研究[D].北京:北京邮电大学,2012.
[40]陈科.基于高性能计算机的并行计算研究[D].大连:大连理工大学,2011.
[41]卢汉明,胡东平,李志勇.高分辨率海量遥感影像的读取与处理[J].测绘技术装备.2010.3(12).50-52.
[42]赵士臣.生态环境遥感产品生产原型系统的设计与实现[D].上海:华南农业大学,2010.
[43] A. Ananthanarayan, R. Balachandran, R. Grossman, Y. Gu, X. Hong, J. Levera, and M.Mazzucco. Data webs for earth science data. Parallel Computing,(29):1363-1379,2003.
[44] A. Chervenak, E. Deelman, C. Kesselman, B. Allcock, I. Foster, V. Nefedova, J. Lee, A. Sim,A. Shoshani, B. Drach, D. Williams, and D. Middleton. High-performance remote access toclimate simulation data: a challenge problem for data grid technologies. Parallel Computing,(29):1335-1356,2003.
[45] A. Clematis, A. Coda, B. Falcidieno, and M. Spagnuolo. Shape analysis usinghigh-performance computing techniques. In Proceedings of the International Conference onShape Modeling and Applications, page248. IEEE Computer Society,1999.
[46]高峥.海量遥感影像快速生成金字塔算法的研究与实现[D].上海:华东师范大学,2012.
[47] Dube, S,Hong, L. Adaptive image pyramid based compression algorithm.Signals, Systemsand Computers,2000. Conference Record of the Thirty-Fourth Asilomar Conference on.Volume2,29Oct. Nov.2000:1045-1048
[48]杜莹,武玉国,王晓明,游熊.全球多分辨率虚拟地形环境的金字塔模型研究[J].系统仿真学报,2006.4:955-958.
[49] Lance Williams. Pyramidal parametr i cs[C]. Computer Graphics and InteractiveTechniques(SIGGRAPH'83Proceedings),1983,17(3).
[50]霍亮,杨耀东,刘小勇,乔文昊,朱王璋.瓦片金字塔模型技术的研究与实践[J].测绘科学.2012.11(6).144-146.
[51]程承旗,张恩东,万元嵬,宋树华.遥感影像剖分金字塔研究[J].地理与地理信息科学,2010.1:19-23.
[52] James H. CI ark. Hierarchical Geometric Models for Visible Surface a Igorithm[J].Communication of ACM,1976,19(10)
[53]谭庆全,毕建涛,池天河.一种灵活高效的遥感影像金字塔构建算法[J].计算机系统应用.2008(4):124-127.
[54]杜莹,武玉国,王晓明,游熊.全球多分辨率虚拟地形环境的金字塔模型研究[J].系统仿真学报,2006.4:955-958
[55] Lance Williams. Pyramidal parametrics[C]. Computer Graphics and InteractiveTechniques(SIGGRAPH'83Proceedings),1983,17(3)
[56] Google Earth http://www.google.eom/earth/index.hi:ml
[57] World Wind http://worldwind.arc.nasa.gov/features.html
[58] Virtual Earth http://ve. earth. com/
[59]陶志刚,赵敬道,谭建成.地理空间索引技术研究[J].测绘学院学报,2002.3,19(1).
[60]顾军,吴长彬.常用空间索引技术的分析[J].徽型电脑应用.2001,17(12).
[61] Xiang Longgang, Zhu Xinyan. Organization and schedule of mu11i-resoIution pyramid basedon wave Iet transform[C].17th International Conference on Geo-informatics,2009:1-5.
[62]杨靖宇,张永生,刘昭华.一种适合多用户并发访问的影像存储模型[J].计算机工程,2010.36(10).
[63]程承旗,张恩东,万元嵬,宋树华.遥感影像剖分金字塔研宄[J].地理与地理信息科学,2010.1:19-23.
[64]霍树民.基于Hadoop的海量影像数据管理关键技术研究[D].国防科技大学,2010.
[65]李建勒,沈冰,姜仁贵,陈田庆.面向影像金字塔的四叉树空间索引算法[J].计算机工程,2011.37(10).
[66]李建勋,沈冰,郭建华,张刚.面向影像金字塔的线性四叉树编码及其特性[J].计算机应用,2011.4,31(4)
[67]王结臣,王豹,胡玮,张辉.并行空间分析算法研宄进展及评述[J].地理与地理信息科学,2011,27(6).
[68]宫鹏,浦瑞良.高光谱遥感及其应用[M].高等教育出版社,2000.
[69]包健.基于高光谱遥感图像的植被分析软件设计[D].杭州:浙江大学,2008.
[70] Jetfrey Richter(译者:王建华).Windows核心编程[M].北京:机械工业出版社,2006.
[71]郭春波,王茂芝,汪大明,郭科.基于内存映射的ENVI标准格式影像指定块数据快速读取[J].四川理工学院学报(自然科学版).2012.10(5):58-61.
[72]杨宁学.内存映射文件及其在大数据量文件快速存取中的应用[J].计算机应用研究,2004(8):187-188.
[73]胡伟中.基于内存映射文件技术的海量影像数据快速读取方法[J].计算机应用研究,2005(2):111-112.
[74]闫殿武.IDL可视化工具入门与提高[M].北京:机械工业出版社,2003.
[75](美)Martin Gudgin著,宋亚男译.IDL精髓[M].北京:中国电力出版社,2002.
[76]张建.浅谈IDL在生活中的应用[J].科技信息.2012(10).
[77]刘国涛,王茂芝,崔之熠,刘斌.基于IDL的高光谱遥感图像的矿物信息提取[J].四川文理学院学报.2011.5(21).38-41.
[78]沈瑞冰.VC中海量文件读写类设计与应用[J].电脑编程技巧与维护.2007(9).13-17.
[79]霍亮,杨耀东,刘小勇,乔文昊,朱王璋.瓦片金字塔模型技术的研究与实践[J].测绘科学.2012.11(6).144-146.
[80]程承旗,张恩东,万元嵬,宋树华.遥感影像剖分金字塔研究[J].地理与地理信息科学,2010.1:19-23
[81]霍树民.基于Hadoop的海量影像数据管理关键技术研究[D].国防科技大学,2010
[82]李建勒,沈冰,姜仁贵,陈田庆.面向影像金字塔的四叉树空间索引算法[J].计算机工程.2011.5(10)
[83]李建勋,沈冰,郭建华,张刚.面向影像金字塔的线性四叉树编码及其特性[J].计算机应用.2011.31(4)
[84]谢耀华,汤晓安,孙茂印,李欢,陈明生.基于非一致分层分块金字塔的海量影像快速漫游方法[J].计算机工程与科学,2008.5
[85]宗靖国,张建奇,秦翰林,刘德连.基于非子采样金字塔变换的高光谱图像异常检测[J].红外技术.2011.1(1).56-60.
[86]宋江洪,赵忠明.图像分块分层结构在海量数据处理中的应用.计算机工程与应用.2004,33:34-36,75.
[87]沈占锋,骆剑承,陈秋晓,等．高分辨率遥感影像并行处理数据分配策略研究[J].哈尔滨工业大学学报,2006.38(11):1968-1971．
[88]康俊锋,杜震洪,刘仁义,方雷.基于GPU加速的遥感影像金字塔创建算法及其在土地遥感影像管理中的应用[J].浙江大学学报(理学版).2011.11.(6).695-700.
[89]杨靖宇,张永生,于美娇,等.基于小波变换多分辨率分析特性的遥感影像动态重构的金字塔模型[J].测绘科,2007,32(5):50-51.
[90]万元嵬.影像数据剖分金字塔结构研究[D].北京大学,2009.
[91]万元嵬,程承旗,宋树华.大数据量遥感影像快速显示剖分组织方法研究[J].地理与地理信息科学,2009,25(3):33-36.
[92]李军,李艳辉,陈双平. CUDA架构下的快速图像去噪.计算机工程与应用.2009,45(11)
[93]白洪涛.基于GPU的高性能计算算法研究[D].长春:吉林大学,2010.
[94]张浩,李利军,林岚.GPU的通用计算应用研究[J].计算机与数字工程,2005,33(12):60-98.
[95] Nvidia.Tesla Computing Announeement[EB/OL].http://www.nvidia.com.2007-12-2.
[96] Nvidia.NVIDIA Compute PTX: parallel Thread Exeeution[EBzoL].http://www.nvidia.eom.2007-12-6.
[97] Nvidia.NVIDIA CUDA programing Guide[EB/OL].http://www.nvidia.eom.2007-12-2.
[98]夏春芬.基于GPU高性能计算的人脸表情识别算法的研究[D].武汉:武汉理工大学,2011.
[99]赵改善.地球物理高性能计算的新选择:GPU计算技术.勘探地球物理进展.2007,(10)
[100] Sain-Zee Ueng, Melvin Lathara. CUDA-Lite: Reducing GPU ProgrammingComplexity.Springer-Verlag Berlin Heidelberg.2008.pp:1-15
[101]杨志义,朱娅婷,蒲勇.基于统一计算设备架构技术的并行图像处理研究.计算机测量与控制.2009.17(4).
[102]宋晓丽,王庆.基于GPGPU的数字图像并行化预处理.计算机测量与控制.2009.17(6).
[103] SvetlinA,Manavski,Giorgio Valle. CUDA compatible GPU cards as efficient hardwareaccelerators for Smith-Waterman sequence alignment[J].BMC Bioinformatics,2008,9(2):S10-2008.
[104] NVIDIA Corporation. CUDA Programming Guide1.0,http://www.nvidia.com,2009,(8):11.
[105] Yang ZY, Zhu YT, Pu Y. Parallel Image Processing Based on CUDA. Wuhan, China:2008.International Conference on Computer Science and Software Engineering,2008:198-201.
[106] Nickolls J, et al. Scalable Parallel Programming with CUDA[J]. ACM Queue,2008,6(2):40-53.
[107]陈峰,邱全毅,熊永柱,黄少鹏.基于线性光谱模型的混合像元分解方法与比较[J].理论研究.2010(4).22-28.
[108] Jeffrey S W, Michaun C, Emily M, et al. Evaluating environmental influences of zoning inurban eco systems with remote sensing [J]. Remote Sensing of Environment,2003,86(3):303-321.
[109] Small C. A global analysis of urban reflectance [J]. International Journal of Remote Sensing,2005,26(4):661-681.
[110] Cracknell A P. Synergy in remote sensing what s in a pixel [J]. International Journal ofRemote Sensing,1998,19(11):2025-2047.
[111] Ridd M K. Exploring a V-I-S (Vegetation-Impervious Surface-Soil) model for urban ecosystem analysis through remote-sensing-Comparative anatomy for cities [J]. InternationalJournal of Remote Sensing,1995,16(12):2165-2185.
[112] Wu C S, M ur ray A T. Estimating impervious surface distribution by spectral mixtureanalysis [J]. Remote Sensing of Environment,2003(84):493-505.
[113] Wu C S. No rmalized spectral mixture analysis for monitoring urban composition usingETM imagery [J]. Remote Sens-ing of Environment,2004(93):480-492.
[114] Weng Q H, L u D S. A sub-pixel analysis of urbanization effect on land surfacetemperature and its interplay with impervious surface and vegetation coverage inIndianapolis, United States [J]. International Journal of Applied Earth Observation andGeoinformation,2008(10):68-83.
[115] Phinn S R, Stanford M, Scarth P F, et a l. Monitoring the composition and form of urbanenvironments based on the vegetation-impervious surface-soil (VIS) model by sub-pixelanalysis techniques [J]. International Journal of Remote Sensing,2002,23(20):4131-4153.
[116]耿修瑞.高光谱遥感图像目标探测与分类技术研究[D].北京:中国科学院遥感应用研究所,2005.
[117] Maselli F. Multiclass spectral decomposition of remotely sensed scenes by selective pixelunmixing [J]. IEEE Transac-tions on Geoscience and Remote Sensing,1998,36(2):1809-1820.
[118] LuDS, Weng Q H. Use of impervious surface in urban land-use classification [J]. RemoteSensing of Environment,2006,102(1-2):146-160.
[119]丛浩,张良培,李平湘.一种端元可变的混合像元分解方法[J].中国图象图形学报,2006,11(8):1092-1096.
[120]王建明,张树斌.浅谈GPU在遥感影像融合中的应用[J].太原科技,2010(1):62-66.
[121]张庆丹.基于GPU的串匹配算法的实现[D].北京:中科院计算技术研究所,2006.
[122]高辉,张茂军,熊志辉.基于GPU编程的地形纹理快速渲染方法研究[J].小型微型计算机系统.2009(4).
[123]曾艳.基于MPI的主从式并行任务分配的研究与实现[J].计算机应用与软件.2010(6):139-141.
[124] Ron Choy, A lan Edelman. Parallel MATLAB: Doing it Right[A]. Proceedings of theIEEE[C].2005,93(2):331-341
[125] DongarraJ. Introduction to MPI [J]. The International Journal of Super computerApplications,1994(8):169-174.
[126] Message Passing Interface Forum MPI: A Message Pasing Interface Standard [EB/OL].http://w ww. mpiforum. org/docs/mpi11ht ml/mpireport.html,1995.
[127] Message Passing Interface Forum MPI2: Extensions to the Message Pasing InterfaceStandard[EB/OL]. http://www.mpi. forum. org/docs/mpi20html/mpi2report. html,1997.
[128] GROPP W,LUSK E,DOSS N,et al.A high-performance, portable implementation of theMPI message-passing interface standard［J］.Parallel Computing,1996,22(6):789-828．
[129]李永旭.基于MPI标准的并行计算平台的设计与实[D].吉林:东北师范大学,2004
[130]杨爱民,陈一鸣.MPI并行编程环境及程序设计[J].河北理工学院学报,2005(3).
[131]莫则尧,袁国兴.消息传递并行编程环境MPI[M].北京:科学出版社,2001.
[132]孙钊.高光谱遥感的应用[J].贵州教育学报(自然科学),2004,15(4):58～61．
[133]王春霞.PC集群系统的并行开发环境MPI及其程序性能的分析研究[D].河南:郑州大学,2003
[134]熊盛武,王鲁,扬婕.构建高性能集群计算机系统的关键技术叨.微计算机信息,2006(3):86-88.
[135]刘浩,杨辉,尹忠科,等.基于MPI并行计算的信号稀疏分解[J].计算机工程2008,34(12):9-21.
[136]李国庆,刘定.遥感图象处理的并行计算模式研究[J].中国图象图形学,2003(8):901-905.
[137]田野,赵春晖,季亚.主成分分析在高光谱遥感图像降维中的应用[J].哈尔滨师范大学自然科学学,2007,5(27):58-60.
[138]刘春,陈燕,辛亮,基于Matlab的高光谱遥感数据降维并行计算分析[J].理论研究,2000(3):13-17.
[139]刘春红,赵春晖,张凌雁.一种新的高光谱遥感图像降维方法[J].中国图像图形学报,2005(2):218-222.
[140]赵春晖,刘春红.超谱遥感图像降维方法研究现状与分析[J].中国空间科学技术,2004(5):28-36.
[141]杨诸胜.高光胜.高光谱图像降维及分割研究[D].西北工业大学,2006.
[142]高惠璇.应用多元统计分析[M].北京:北京大学出版社,2005.
[143] Ramakrishna B, Wang Jing, and Chang CI, et al.. Spectral/spatial hyperspectral imagecompression in conjunction with virtual dimensionality. Algorithms and technologies formultispectral, hyperspectral, and ultraspectral imagery XI, Proc.5806, SPIE,2005:772-781.
[144] Robila S A and Varshney P K. A fast source separation algorithm for hyperspectral imageprocessing. IEEE International Conference on Geoscience and Remote Sensing, Toronto,Canada,2002,6:3516-3518.
[145]滕人达,刘青昆.CUDA、MPI、OpenGl三级混合并行模型的研究[J].微计算机应用.2010(9):63-69.
[146]许彦芹,陈庆奎.基于SMP集群的MPI+CUDA模型的研究与实现[J].计算机工程与设计.2010.31(15).3408-3412.
[147]王惠春,朱定局,曹学年,等.基于SMP集群的混合并行编程模型研究[J].计算机工程,2009,35(3):271-273.
[148]陈勇,陈国良,李春生,等. SMP机群混合编程模型研究[J].小型微型计算机系统,2004,25(10):1763-1767.
[149]赵永华,迟学斌.基于SMP集群的MPI+OpenMP混合编程模型及有效实现[J].微电子学与计算机,2005,22(10):7-11.
[150]王伟,郭绍忠,王磊,冯颖.一种基于CPU-GPU异构计算的混合编程模型[J].信息工程大学学报.2010.12(11).674-678.
[151]程豪,张云泉,张先轶,李玉成.CPU-GPU并行矩阵乘法的实现与性能分析[j].计算机工程.2010.7
[152]刘青昆,马名威,阎慰椿.基于MPI+CUDA异步模型的并行矩阵乘法[J].计算机应用.2011(12).3327-3330.
[153]冯高锋. GPUCPU集群上的动态规划算法[J].计算机应用,2007,27(12):281-282.
[154]陈劲. SOC软硬件协同设计自适应粒度算法研究[D].北京:清华大学,2004.
[155]仇德元.GPGPU编程技术-从GLSL、CUDA到OpenCL[M].北京:机械工业出版社,2011.
[156]陈少虎,张云泉,张先轶,程豪.BLAS库在多核处理器上的性能测试与分析[J].软件学报,2010增刊.
[157] Nvidia． CUBLAS Library．［2012-03-21］．http://developer.nvidia.com/cublas.
[158]李海胜.NET环境下基于C#,IDL的高光谱矿化信息提取软件研发[D].北京:中国地质大学(北京),2011.
[159]彭百川.基于内存映射文件的影像金字塔建模方法的研究[D].武汉:华中科技大学,2007.
[2]万余庆,谭克龙,周日平.高光谱遥感应用研究[M].北京:科学出版社,2006.30-49.
[3]杨国鹏.基于核方法的高光谱影像分类与特征提取[D].郑州:信息工程大学,2007.
[4]路威.面向目标探测的高光谱影像特征提取与分类.技术研究[D].郑州:信息工程大学,2005.
[5]余旭初,冯伍法,林丽霞.高光谱—遥感测绘的新机遇[J]．测绘科学技术学报,2006,23(2):101-105.
[6]童庆禧,张兵,郑兰芬.高光谱遥感—原理、技术与应用[M].北京:高等教育出版社,2006:129-189.
[7]杨哲海.高光谱影像分类若干关键技术的研究[D].郑州:信息工程大学:2006.
[8]浦瑞良,宫鹏.高光谱遥感及其应用[M].北京:高等教育出版社,2004:47-78.
[9]张良培,张立福.高光谱遥感[M].武汉:武汉大学出版社,2005:58-101.
[10]李震,施建成.高光谱遥感积雪制图算法及验证[J].测绘学报,2006(35)1:67-73.
[11]王静,土地资源遥感监测与评价方法[M].北京:科学出版社,2006:109-141.
[12]张宗贵,王润生,郭大海,等.成像光谱岩矿识别方法技术研究和影响究因素分析[M].北京:地质出版社.2006:108-136.
[13]陶玉龙,卢凯,王小平,王继祖.面向云服务的高性能计算柔性服务平台[J].技术研究.2012(6):57-60.
[14] Vaquero L,Rodero-Marino L,Caceres J,et al.A break in the clouds: towards a clouddefinition[J].SIGCOMM Computer Communication Review.2009.39(I):50-55.
[15] LU Kai,CHI Wanqing,LIU Yongpeng,et al.HPUC:A High Performance Virtual ComputingEnvironment for Super Computers[C]MProc of APPT,2009.
[16] L Youseff,M Butrico,D D Silva.Toward a Unified Onified Ontology of CloudComputing[EB/OL]. http://www.collabogce.org/gce08/images/7/76/Lamia Youseff.pdf,2010.
[17]都志辉.高性能计算之并行编程技术—MPI并行程序设计[M].北京:清华大学出版社,2001.
[18]李永兵.并行编程环境与工具[J].长治学院学报.2009.4(26):41-43.
[19]何艳辉,朱珍民.基于消息传递并行计算环境[J].湘潭大学社会科学学报,2003,27(5):233-235.
[20]孙敏.基于MPI的图像并行处理方法[J].电脑知识与技术.2009(5):1898-1899.
[21]钱悦.图形处理器CUDA编程模型的应用研究[J].计算机与数字工程,2008,36(12):177-180.
[22] NVIDIA CUDA compute unified device architecture:program-mingguide[Z].Version2.0beta2,2008.
[23]孙成刚,李峥,唐冬冬,李翔,滕红.基于GPU的高性能并行计算应用[J].电子信息对抗技术.2012(3):69-73.
[24]葛万成. CUDA并行计算的应用研究[J].信息技术,2010,20(4):11-15.
[25]田力.CUDA在高性能计算中的应用[D].杭州:浙江大学,2008.
[26]谭洪颂.基于GPU加速的真实感渲染系统研究与实现[D].青岛:大连理工大学,2010.
[27]吴恩华,柳有权.基于图形处理器(GPU)的通用计算[J].计算机辅助设计与图形学学报.2004,16(5):601-611.
[28] LuebkeD, HumphreysG.How GPUs Work [J].IEEEComputer,2007.40(2):96-100.
[29]赵慧洁,董超,王维,李娜,贾国瑞.一种低成本高光谱海量数据并行处理系统
[P].CN200910089806.1.北京航空航天大学.2010-01-06.
[30]曾招城,李利伟,王正海,雷莉萍.基于监督分类的震后高分辨率影像倒塌房屋快速识别[J].遥感信息.2011(5):76-80.
[31]陆筱霞,段光明,李思昆.基于GPU的遥感纹理压缩解压算法[J].系统仿真学报,2009(10):42-50.
[32]张海军,陈圣波,张旭晴,王亚楠,基于GPU的遥感图像快速去噪处理[J].城市勘测,2010(4):96-98.
[33]杨靖宇,张永生,董广军,基于GPU的遥感影像SAM分类算法并行化研究[J].测绘科学,2010(5):9-12.
[34]卢俊,张保明,黄薇,李二森,基于GPU的遥感影像数据融合IHS变换算法[J].计算机工程,2009(4):261-263.
[35]张哲.基于海量遥感数据的集群并行处理技术研究与应用[D].郑州:河南大学.2012.
[36]崔鑫.海量空间数据的分布式存储管理及并行处理技术研究[D].国防科学技术大学,2010
[37]田俊刚.高性能集群系统分析、设计与应用[D].西安:西北工业大学,2004年
[38]黄訸.高性能计算体系结构下的海量数据处理分析与优化[D].长沙:国防科学技术大学,2011
[39]刘聪.高性能计算机片上网络交换结构和性能的研究[D].北京:北京邮电大学,2012.
[40]陈科.基于高性能计算机的并行计算研究[D].大连:大连理工大学,2011.
[41]卢汉明,胡东平,李志勇.高分辨率海量遥感影像的读取与处理[J].测绘技术装备.2010.3(12).50-52.
[42]赵士臣.生态环境遥感产品生产原型系统的设计与实现[D].上海:华南农业大学,2010.
[43] A. Ananthanarayan, R. Balachandran, R. Grossman, Y. Gu, X. Hong, J. Levera, and M.Mazzucco. Data webs for earth science data. Parallel Computing,(29):1363-1379,2003.
[44] A. Chervenak, E. Deelman, C. Kesselman, B. Allcock, I. Foster, V. Nefedova, J. Lee, A. Sim,A. Shoshani, B. Drach, D. Williams, and D. Middleton. High-performance remote access toclimate simulation data: a challenge problem for data grid technologies. Parallel Computing,(29):1335-1356,2003.
[45] A. Clematis, A. Coda, B. Falcidieno, and M. Spagnuolo. Shape analysis usinghigh-performance computing techniques. In Proceedings of the International Conference onShape Modeling and Applications, page248. IEEE Computer Society,1999.
[46]高峥.海量遥感影像快速生成金字塔算法的研究与实现[D].上海:华东师范大学,2012.
[47] Dube, S,Hong, L. Adaptive image pyramid based compression algorithm.Signals, Systemsand Computers,2000. Conference Record of the Thirty-Fourth Asilomar Conference on.Volume2,29Oct. Nov.2000:1045-1048
[48]杜莹,武玉国,王晓明,游熊.全球多分辨率虚拟地形环境的金字塔模型研究[J].系统仿真学报,2006.4:955-958.
[49] Lance Williams. Pyramidal parametr i cs[C]. Computer Graphics and InteractiveTechniques(SIGGRAPH'83Proceedings),1983,17(3).
[50]霍亮,杨耀东,刘小勇,乔文昊,朱王璋.瓦片金字塔模型技术的研究与实践[J].测绘科学.2012.11(6).144-146.
[51]程承旗,张恩东,万元嵬,宋树华.遥感影像剖分金字塔研究[J].地理与地理信息科学,2010.1:19-23.
[52] James H. CI ark. Hierarchical Geometric Models for Visible Surface a Igorithm[J].Communication of ACM,1976,19(10)
[53]谭庆全,毕建涛,池天河.一种灵活高效的遥感影像金字塔构建算法[J].计算机系统应用.2008(4):124-127.
[54]杜莹,武玉国,王晓明,游熊.全球多分辨率虚拟地形环境的金字塔模型研究[J].系统仿真学报,2006.4:955-958
[55] Lance Williams. Pyramidal parametrics[C]. Computer Graphics and InteractiveTechniques(SIGGRAPH'83Proceedings),1983,17(3)
[56] Google Earth http://www.google.eom/earth/index.hi:ml
[57] World Wind http://worldwind.arc.nasa.gov/features.html
[58] Virtual Earth http://ve. earth. com/
[59]陶志刚,赵敬道,谭建成.地理空间索引技术研究[J].测绘学院学报,2002.3,19(1).
[60]顾军,吴长彬.常用空间索引技术的分析[J].徽型电脑应用.2001,17(12).
[61] Xiang Longgang, Zhu Xinyan. Organization and schedule of mu11i-resoIution pyramid basedon wave Iet transform[C].17th International Conference on Geo-informatics,2009:1-5.
[62]杨靖宇,张永生,刘昭华.一种适合多用户并发访问的影像存储模型[J].计算机工程,2010.36(10).
[63]程承旗,张恩东,万元嵬,宋树华.遥感影像剖分金字塔研宄[J].地理与地理信息科学,2010.1:19-23.
[64]霍树民.基于Hadoop的海量影像数据管理关键技术研究[D].国防科技大学,2010.
[65]李建勒,沈冰,姜仁贵,陈田庆.面向影像金字塔的四叉树空间索引算法[J].计算机工程,2011.37(10).
[66]李建勋,沈冰,郭建华,张刚.面向影像金字塔的线性四叉树编码及其特性[J].计算机应用,2011.4,31(4)
[67]王结臣,王豹,胡玮,张辉.并行空间分析算法研宄进展及评述[J].地理与地理信息科学,2011,27(6).
[68]宫鹏,浦瑞良.高光谱遥感及其应用[M].高等教育出版社,2000.
[69]包健.基于高光谱遥感图像的植被分析软件设计[D].杭州:浙江大学,2008.
[70] Jetfrey Richter(译者:王建华).Windows核心编程[M].北京:机械工业出版社,2006.
[71]郭春波,王茂芝,汪大明,郭科.基于内存映射的ENVI标准格式影像指定块数据快速读取[J].四川理工学院学报(自然科学版).2012.10(5):58-61.
[72]杨宁学.内存映射文件及其在大数据量文件快速存取中的应用[J].计算机应用研究,2004(8):187-188.
[73]胡伟中.基于内存映射文件技术的海量影像数据快速读取方法[J].计算机应用研究,2005(2):111-112.
[74]闫殿武.IDL可视化工具入门与提高[M].北京:机械工业出版社,2003.
[75](美)Martin Gudgin著,宋亚男译.IDL精髓[M].北京:中国电力出版社,2002.
[76]张建.浅谈IDL在生活中的应用[J].科技信息.2012(10).
[77]刘国涛,王茂芝,崔之熠,刘斌.基于IDL的高光谱遥感图像的矿物信息提取[J].四川文理学院学报.2011.5(21).38-41.
[78]沈瑞冰.VC中海量文件读写类设计与应用[J].电脑编程技巧与维护.2007(9).13-17.
[79]霍亮,杨耀东,刘小勇,乔文昊,朱王璋.瓦片金字塔模型技术的研究与实践[J].测绘科学.2012.11(6).144-146.
[80]程承旗,张恩东,万元嵬,宋树华.遥感影像剖分金字塔研究[J].地理与地理信息科学,2010.1:19-23
[81]霍树民.基于Hadoop的海量影像数据管理关键技术研究[D].国防科技大学,2010
[82]李建勒,沈冰,姜仁贵,陈田庆.面向影像金字塔的四叉树空间索引算法[J].计算机工程.2011.5(10)
[83]李建勋,沈冰,郭建华,张刚.面向影像金字塔的线性四叉树编码及其特性[J].计算机应用.2011.31(4)
[84]谢耀华,汤晓安,孙茂印,李欢,陈明生.基于非一致分层分块金字塔的海量影像快速漫游方法[J].计算机工程与科学,2008.5
[85]宗靖国,张建奇,秦翰林,刘德连.基于非子采样金字塔变换的高光谱图像异常检测[J].红外技术.2011.1(1).56-60.
[86]宋江洪,赵忠明.图像分块分层结构在海量数据处理中的应用.计算机工程与应用.2004,33:34-36,75.
[87]沈占锋,骆剑承,陈秋晓,等．高分辨率遥感影像并行处理数据分配策略研究[J].哈尔滨工业大学学报,2006.38(11):1968-1971．
[88]康俊锋,杜震洪,刘仁义,方雷.基于GPU加速的遥感影像金字塔创建算法及其在土地遥感影像管理中的应用[J].浙江大学学报(理学版).2011.11.(6).695-700.
[89]杨靖宇,张永生,于美娇,等.基于小波变换多分辨率分析特性的遥感影像动态重构的金字塔模型[J].测绘科,2007,32(5):50-51.
[90]万元嵬.影像数据剖分金字塔结构研究[D].北京大学,2009.
[91]万元嵬,程承旗,宋树华.大数据量遥感影像快速显示剖分组织方法研究[J].地理与地理信息科学,2009,25(3):33-36.
[92]李军,李艳辉,陈双平. CUDA架构下的快速图像去噪.计算机工程与应用.2009,45(11)
[93]白洪涛.基于GPU的高性能计算算法研究[D].长春:吉林大学,2010.
[94]张浩,李利军,林岚.GPU的通用计算应用研究[J].计算机与数字工程,2005,33(12):60-98.
[95] Nvidia.Tesla Computing Announeement[EB/OL].http://www.nvidia.com.2007-12-2.
[96] Nvidia.NVIDIA Compute PTX: parallel Thread Exeeution[EBzoL].http://www.nvidia.eom.2007-12-6.
[97] Nvidia.NVIDIA CUDA programing Guide[EB/OL].http://www.nvidia.eom.2007-12-2.
[98]夏春芬.基于GPU高性能计算的人脸表情识别算法的研究[D].武汉:武汉理工大学,2011.
[99]赵改善.地球物理高性能计算的新选择:GPU计算技术.勘探地球物理进展.2007,(10)
[100] Sain-Zee Ueng, Melvin Lathara. CUDA-Lite: Reducing GPU ProgrammingComplexity.Springer-Verlag Berlin Heidelberg.2008.pp:1-15
[101]杨志义,朱娅婷,蒲勇.基于统一计算设备架构技术的并行图像处理研究.计算机测量与控制.2009.17(4).
[102]宋晓丽,王庆.基于GPGPU的数字图像并行化预处理.计算机测量与控制.2009.17(6).
[103] SvetlinA,Manavski,Giorgio Valle. CUDA compatible GPU cards as efficient hardwareaccelerators for Smith-Waterman sequence alignment[J].BMC Bioinformatics,2008,9(2):S10-2008.
[104] NVIDIA Corporation. CUDA Programming Guide1.0,http://www.nvidia.com,2009,(8):11.
[105] Yang ZY, Zhu YT, Pu Y. Parallel Image Processing Based on CUDA. Wuhan, China:2008.International Conference on Computer Science and Software Engineering,2008:198-201.
[106] Nickolls J, et al. Scalable Parallel Programming with CUDA[J]. ACM Queue,2008,6(2):40-53.
[107]陈峰,邱全毅,熊永柱,黄少鹏.基于线性光谱模型的混合像元分解方法与比较[J].理论研究.2010(4).22-28.
[108] Jeffrey S W, Michaun C, Emily M, et al. Evaluating environmental influences of zoning inurban eco systems with remote sensing [J]. Remote Sensing of Environment,2003,86(3):303-321.
[109] Small C. A global analysis of urban reflectance [J]. International Journal of Remote Sensing,2005,26(4):661-681.
[110] Cracknell A P. Synergy in remote sensing what s in a pixel [J]. International Journal ofRemote Sensing,1998,19(11):2025-2047.
[111] Ridd M K. Exploring a V-I-S (Vegetation-Impervious Surface-Soil) model for urban ecosystem analysis through remote-sensing-Comparative anatomy for cities [J]. InternationalJournal of Remote Sensing,1995,16(12):2165-2185.
[112] Wu C S, M ur ray A T. Estimating impervious surface distribution by spectral mixtureanalysis [J]. Remote Sensing of Environment,2003(84):493-505.
[113] Wu C S. No rmalized spectral mixture analysis for monitoring urban composition usingETM imagery [J]. Remote Sens-ing of Environment,2004(93):480-492.
[114] Weng Q H, L u D S. A sub-pixel analysis of urbanization effect on land surfacetemperature and its interplay with impervious surface and vegetation coverage inIndianapolis, United States [J]. International Journal of Applied Earth Observation andGeoinformation,2008(10):68-83.
[115] Phinn S R, Stanford M, Scarth P F, et a l. Monitoring the composition and form of urbanenvironments based on the vegetation-impervious surface-soil (VIS) model by sub-pixelanalysis techniques [J]. International Journal of Remote Sensing,2002,23(20):4131-4153.
[116]耿修瑞.高光谱遥感图像目标探测与分类技术研究[D].北京:中国科学院遥感应用研究所,2005.
[117] Maselli F. Multiclass spectral decomposition of remotely sensed scenes by selective pixelunmixing [J]. IEEE Transac-tions on Geoscience and Remote Sensing,1998,36(2):1809-1820.
[118] LuDS, Weng Q H. Use of impervious surface in urban land-use classification [J]. RemoteSensing of Environment,2006,102(1-2):146-160.
[119]丛浩,张良培,李平湘.一种端元可变的混合像元分解方法[J].中国图象图形学报,2006,11(8):1092-1096.
[120]王建明,张树斌.浅谈GPU在遥感影像融合中的应用[J].太原科技,2010(1):62-66.
[121]张庆丹.基于GPU的串匹配算法的实现[D].北京:中科院计算技术研究所,2006.
[122]高辉,张茂军,熊志辉.基于GPU编程的地形纹理快速渲染方法研究[J].小型微型计算机系统.2009(4).
[123]曾艳.基于MPI的主从式并行任务分配的研究与实现[J].计算机应用与软件.2010(6):139-141.
[124] Ron Choy, A lan Edelman. Parallel MATLAB: Doing it Right[A]. Proceedings of theIEEE[C].2005,93(2):331-341
[125] DongarraJ. Introduction to MPI [J]. The International Journal of Super computerApplications,1994(8):169-174.
[126] Message Passing Interface Forum MPI: A Message Pasing Interface Standard [EB/OL].http://w ww. mpiforum. org/docs/mpi11ht ml/mpireport.html,1995.
[127] Message Passing Interface Forum MPI2: Extensions to the Message Pasing InterfaceStandard[EB/OL]. http://www.mpi. forum. org/docs/mpi20html/mpi2report. html,1997.
[128] GROPP W,LUSK E,DOSS N,et al.A high-performance, portable implementation of theMPI message-passing interface standard［J］.Parallel Computing,1996,22(6):789-828．
[129]李永旭.基于MPI标准的并行计算平台的设计与实[D].吉林:东北师范大学,2004
[130]杨爱民,陈一鸣.MPI并行编程环境及程序设计[J].河北理工学院学报,2005(3).
[131]莫则尧,袁国兴.消息传递并行编程环境MPI[M].北京:科学出版社,2001.
[132]孙钊.高光谱遥感的应用[J].贵州教育学报(自然科学),2004,15(4):58～61．
[133]王春霞.PC集群系统的并行开发环境MPI及其程序性能的分析研究[D].河南:郑州大学,2003
[134]熊盛武,王鲁,扬婕.构建高性能集群计算机系统的关键技术叨.微计算机信息,2006(3):86-88.
[135]刘浩,杨辉,尹忠科,等.基于MPI并行计算的信号稀疏分解[J].计算机工程2008,34(12):9-21.
[136]李国庆,刘定.遥感图象处理的并行计算模式研究[J].中国图象图形学,2003(8):901-905.
[137]田野,赵春晖,季亚.主成分分析在高光谱遥感图像降维中的应用[J].哈尔滨师范大学自然科学学,2007,5(27):58-60.
[138]刘春,陈燕,辛亮,基于Matlab的高光谱遥感数据降维并行计算分析[J].理论研究,2000(3):13-17.
[139]刘春红,赵春晖,张凌雁.一种新的高光谱遥感图像降维方法[J].中国图像图形学报,2005(2):218-222.
[140]赵春晖,刘春红.超谱遥感图像降维方法研究现状与分析[J].中国空间科学技术,2004(5):28-36.
[141]杨诸胜.高光胜.高光谱图像降维及分割研究[D].西北工业大学,2006.
[142]高惠璇.应用多元统计分析[M].北京:北京大学出版社,2005.
[143] Ramakrishna B, Wang Jing, and Chang CI, et al.. Spectral/spatial hyperspectral imagecompression in conjunction with virtual dimensionality. Algorithms and technologies formultispectral, hyperspectral, and ultraspectral imagery XI, Proc.5806, SPIE,2005:772-781.
[144] Robila S A and Varshney P K. A fast source separation algorithm for hyperspectral imageprocessing. IEEE International Conference on Geoscience and Remote Sensing, Toronto,Canada,2002,6:3516-3518.
[145]滕人达,刘青昆.CUDA、MPI、OpenGl三级混合并行模型的研究[J].微计算机应用.2010(9):63-69.
[146]许彦芹,陈庆奎.基于SMP集群的MPI+CUDA模型的研究与实现[J].计算机工程与设计.2010.31(15).3408-3412.
[147]王惠春,朱定局,曹学年,等.基于SMP集群的混合并行编程模型研究[J].计算机工程,2009,35(3):271-273.
[148]陈勇,陈国良,李春生,等. SMP机群混合编程模型研究[J].小型微型计算机系统,2004,25(10):1763-1767.
[149]赵永华,迟学斌.基于SMP集群的MPI+OpenMP混合编程模型及有效实现[J].微电子学与计算机,2005,22(10):7-11.
[150]王伟,郭绍忠,王磊,冯颖.一种基于CPU-GPU异构计算的混合编程模型[J].信息工程大学学报.2010.12(11).674-678.
[151]程豪,张云泉,张先轶,李玉成.CPU-GPU并行矩阵乘法的实现与性能分析[j].计算机工程.2010.7
[152]刘青昆,马名威,阎慰椿.基于MPI+CUDA异步模型的并行矩阵乘法[J].计算机应用.2011(12).3327-3330.
[153]冯高锋. GPUCPU集群上的动态规划算法[J].计算机应用,2007,27(12):281-282.
[154]陈劲. SOC软硬件协同设计自适应粒度算法研究[D].北京:清华大学,2004.
[155]仇德元.GPGPU编程技术-从GLSL、CUDA到OpenCL[M].北京:机械工业出版社,2011.
[156]陈少虎,张云泉,张先轶,程豪.BLAS库在多核处理器上的性能测试与分析[J].软件学报,2010增刊.
[157] Nvidia． CUBLAS Library．［2012-03-21］．http://developer.nvidia.com/cublas.
[158]李海胜.NET环境下基于C#,IDL的高光谱矿化信息提取软件研发[D].北京:中国地质大学(北京),2011.
[159]彭百川.基于内存映射文件的影像金字塔建模方法的研究[D].武汉:华中科技大学,2007.