| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 课题研究背景和意义 | 第9-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 空谱联合的高光谱图像分类 | 第11-12页 |
| 1.2.2 高光谱图像处理的GPU并行优化 | 第12-14页 |
| 1.3 论文主要内容及结构安排 | 第14-16页 |
| 1.3.1 论文主要研究内容 | 第14-15页 |
| 1.3.2 论文结构安排 | 第15-16页 |
| 2 基于CUDA的GPU并行计算 | 第16-26页 |
| 2.1 GPU并行计算概述 | 第16-17页 |
| 2.2 GPU并行编程技术 | 第17-18页 |
| 2.3 CUDA并行计算架构 | 第18-25页 |
| 2.3.1 CUDA硬件架构 | 第18-20页 |
| 2.3.2 CUDA软件体系 | 第20-21页 |
| 2.3.3 CUDA编程模型 | 第21-22页 |
| 2.3.4 CUDA存储器模型 | 第22-23页 |
| 2.3.5 CUDA程序性能优化 | 第23-25页 |
| 2.4 论文实验平台 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 稀疏性高光谱分类的GPU并行优化 | 第26-49页 |
| 3.1 引言 | 第26页 |
| 3.2 基于稀疏表示的高光谱图像分类 | 第26-27页 |
| 3.3 基于空间相关性正则化的稀疏表示分类并行优化 | 第27-38页 |
| 3.3.1 基于空间相关性正则化的稀疏表示分类算法原理 | 第27-29页 |
| 3.3.2 基于GPU的并行优化设计 | 第29-33页 |
| 3.3.3 实验及结果分析 | 第33-38页 |
| 3.4 基于空谱联合核稀疏表示分类的GPU并行优化 | 第38-48页 |
| 3.4.1 基于空谱联合核稀疏表示分类算法原理 | 第38-40页 |
| 3.4.2 基于GPU的并行优化设计 | 第40-42页 |
| 3.4.3 实验及结果分析 | 第42-48页 |
| 3.5 本章小结 | 第48-49页 |
| 4 基于贝叶斯框架的高光谱图像分类并行优化 | 第49-81页 |
| 4.1 引言 | 第49页 |
| 4.2 马尔科夫场空间先验的贝叶斯分类 | 第49-51页 |
| 4.3 CPU+GPU异构平台下基于稀疏表示和MRF空间先验分类的并行优化 | 第51-60页 |
| 4.3.1 基于稀疏表示和马尔科夫场空间先验的监督分类算法原理 | 第51-53页 |
| 4.3.2 CPU+GPU异构平台下的并行优化 | 第53-56页 |
| 4.3.3 实验及结果分析 | 第56-60页 |
| 4.4 基于稀疏多项式逻辑回归的高光谱图像实时分类方法 | 第60-71页 |
| 4.4.1 稀疏多项式逻辑回归方法原理 | 第60-61页 |
| 4.4.2 基于GPU的LORSAL实时分类方法设计 | 第61-66页 |
| 4.4.3 实验及结果分析 | 第66-71页 |
| 4.5 基于加权马尔科夫场的高光谱分类并行优化 | 第71-79页 |
| 4.5.1 基于加权马尔科夫场的高光谱分类算法原理 | 第71-73页 |
| 4.5.2 基于GPU的并行优化设计 | 第73-75页 |
| 4.5.3 实验及结果分析 | 第75-79页 |
| 4.6 本章小结 | 第79-81页 |
| 5 结束语 | 第81-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-91页 |
| 附录 | 第91页 |
