| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-14页 |
| 1.1 课题研究的背景与意义 | 第9-10页 |
| 1.2 国内外的研究现状 | 第10-12页 |
| 1.2.1 高光谱图像分类的研究现状 | 第10-11页 |
| 1.2.2 基于GPU的高光谱图像分类研究现状 | 第11-12页 |
| 1.3 本文主要研究内容和章节安排 | 第12-14页 |
| 2 相关技术及研究基础 | 第14-25页 |
| 2.1 高光谱分类 | 第14-15页 |
| 2.1.1 高光谱图像分类理论 | 第14页 |
| 2.1.2 高光谱图像分类原则 | 第14-15页 |
| 2.1.3 高光谱分类精度评价 | 第15页 |
| 2.2 基于CUDA的GPU并行计算 | 第15-23页 |
| 2.2.1 GPU概述 | 第16-18页 |
| 2.2.2 GPU并行编程技术 | 第18-19页 |
| 2.2.3 CUDA编程模型 | 第19-21页 |
| 2.2.4 CUDA存储器模型 | 第21-22页 |
| 2.2.5 CUDA程序性能优化 | 第22-23页 |
| 2.3 本文方法实验平台 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 面向实时应用的高光谱遥感图像分类系统设计 | 第25-32页 |
| 3.1 面向实时应用的高光谱遥感图像分类需求分析 | 第25-26页 |
| 3.1.1 高光谱遥感图像分类理论 | 第25页 |
| 3.1.2 高光谱遥感图像分类原则 | 第25-26页 |
| 3.1.3 高光谱遥感图像分类用户的要求 | 第26页 |
| 3.2 面向实时应用的高光谱遥感图像分类方法的流程设计 | 第26-29页 |
| 3.2.1 高光谱遥感图像分类流程 | 第26-29页 |
| 3.3 基于GPU的高光谱遥感图像并行分类系统设计 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 4 基于CUDA的广义组合核高光谱图像实时并行分类 | 第32-50页 |
| 4.1 广义组合核高光谱分类的原理 | 第32-37页 |
| 4.1.1 多项式逻辑回归(MLR)分类原理 | 第32-34页 |
| 4.1.2 空间信息建模 | 第34-35页 |
| 4.1.3 广义组合核 | 第35-37页 |
| 4.2 串行的广义组合核高光谱分类算法 | 第37-38页 |
| 4.3 基于CUDA、CULA的分类算法GPU并行实现 | 第38-49页 |
| 4.3.1 基于CUDA/CULA对广义组合核的并行优化 | 第38-42页 |
| 4.3.2 基于CUDA/CULA对LORSAL分类算法的并行 | 第42-46页 |
| 4.3.3 基于CUDA/CULA对多项式逻辑回归的并行 | 第46-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5 系统实现与实验测试 | 第50-59页 |
| 5.1 Indian Pines数据集 | 第50-52页 |
| 5.2 University of Pavia数据集 | 第52-54页 |
| 5.3 基于GPU的广义组合核高光谱图像并行分类系统实现 | 第54-58页 |
| 5.4 本章小结 | 第58-59页 |
| 6 总结与展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
