GPU用于高光譜數(shù)據(jù)高性能計(jì)算的應(yīng)用實(shí)踐與分析

許 寧，肖新耀，胡玉新，溫 靜，汪大明

(1.中國科學(xué)院空間信息處理與應(yīng)用系統(tǒng)技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京100190;2.中國科學(xué)院電子學(xué)研究所，北京100190;3.中國科學(xué)院大學(xué)，北京100049;4.中國國土資源航空物探遙感中心，北京100083;5.中國地質(zhì)調(diào)查局油氣資源調(diào)查中心，北京100029)

0 引言

高光譜遙感數(shù)據(jù)由于其豐富的光譜信息，在地質(zhì)勘探、環(huán)境監(jiān)測、偽裝判別等領(lǐng)域發(fā)揮了巨大作用，是定量遙感發(fā)展的一個(gè)重要方向。在高光譜遙感數(shù)據(jù)的地質(zhì)資源勘探應(yīng)用領(lǐng)域，端元提取、光譜角制圖 (Spectral Angle Mapping，SAM)、匹配濾波等技術(shù)得到了廣泛應(yīng)用［1～3］。由于高光譜數(shù)據(jù)波段多、數(shù)據(jù)量大，這些處理算法通常需要在特征空間或光譜空間進(jìn)行大量的向量計(jì)算，造成較大的計(jì)算資源開銷，因此高光譜數(shù)據(jù)處理算法的效率提升顯得尤為重要。在國外，Gillis D等［4］基于不同的多核處理器，利用MPI多線程技術(shù)對(duì)ORASIS系統(tǒng)中的N-Findr等端元提取算法的處理效率進(jìn)行了優(yōu)化和對(duì)比;Tilton J C［5］利用MPI對(duì)ETM數(shù)據(jù)非監(jiān)督分層分割算法進(jìn)行了實(shí)驗(yàn)、分析和驗(yàn)證;針對(duì)高光譜數(shù)據(jù)的目標(biāo)檢測，Wang Jianwei等［6］利用FPGA實(shí)現(xiàn)了約束能量最小算法的實(shí)時(shí)處理。近年來，基于圖形處理器 (Graphic Processor Unit，GPU)的高性能計(jì)算技術(shù)蓬勃發(fā)展，在圖像處理、地震資料分析、經(jīng)融計(jì)算與分析等領(lǐng)域得到了推廣和應(yīng)用;在高光譜遙感數(shù)據(jù)處理領(lǐng)域，針對(duì)GPU并行計(jì)算技術(shù)也開展了一些研究和驗(yàn)證。Setoain J等［7］利用GPU對(duì)高光譜數(shù)據(jù)的端元提取算法進(jìn)行了效率對(duì)比，發(fā)現(xiàn)對(duì)于SAM光譜分析算法，GPU相較CPU可提升效率10倍左右;Agathosd A等［8］利用多顆GPU協(xié)同開展了高光譜數(shù)據(jù)最小體積單形體分析解混方法研究，驗(yàn)證了GPU高性能計(jì)算的有效性。在國內(nèi)，也有學(xué)者開展了基于GPU的遙感圖像快速處理方法探索。楊靖宇等［9］針對(duì)SAM算法進(jìn)行了GPU并行化方法研究;羅耀華等［10］利用GPU開展了MNF變換算法的并行處理和比較;宋義剛等［11］開展了基于GPU的PPI端元提取算法的優(yōu)化和分析。

考慮到ENVI/IDL在遙感地質(zhì)領(lǐng)域的廣泛應(yīng)用，本文著重探討基于IDL開發(fā)語言的GPULib庫在配置GPU的工作站環(huán)境中實(shí)現(xiàn)高性能計(jì)算效率的提升。實(shí)驗(yàn)利用一景新疆東天山地區(qū)的星載Hyperion高光譜遙感數(shù)據(jù)，針對(duì)一些常用的高光譜數(shù)據(jù)處理算法開展應(yīng)用和驗(yàn)證，最后通過這些算法處理效率的對(duì)比來分析GPU在高光譜數(shù)據(jù)地質(zhì)應(yīng)用領(lǐng)域的應(yīng)用前景。

1 并行計(jì)算環(huán)境

1.1 GPU及GPULib

目前常用的并行計(jì)算環(huán)境有OpenMP、MPI及支持GPU運(yùn)行的CUDA等，本文只對(duì)GPU的組成和環(huán)境做簡單介紹。GPU的造價(jià)低，且具有強(qiáng)大的浮點(diǎn)數(shù)據(jù)計(jì)算能力。與CPU類似，GPU由GPU內(nèi)存、緩存和多個(gè)流處理器 (Stream Multiprocessor)組成，其中流處理器是真正的處理單元，由多個(gè)處理核心 (Core)及一級(jí)緩存、寄存器和指令發(fā)射單元等部分組成。

盡管GPU的運(yùn)算能力非常強(qiáng)大，但其只是作為協(xié)處理器在CPU的協(xié)調(diào)下完成數(shù)據(jù)處理。圖1為單一總線架構(gòu)下CPU和GPU形成的非對(duì)稱處理架構(gòu)，GPU與CPU不是通過內(nèi)部總線互連，而是通過PCI-E接口作為外圍設(shè)備進(jìn)行工作;同時(shí)，GPU和GPU不能訪問對(duì)方的存儲(chǔ)器，多個(gè)GPU之間也不能互相進(jìn)行內(nèi)存訪問。這樣，在數(shù)據(jù)處理的過程中，數(shù)據(jù)必須首先存儲(chǔ)在CPU內(nèi)存中，當(dāng)GPU需要進(jìn)行數(shù)據(jù)處理時(shí)，必須先將數(shù)據(jù)從CPU內(nèi)存?zhèn)鬏數(shù)紾PU內(nèi)存，處理完成后再將數(shù)據(jù)傳回CPU內(nèi)存。因此，基于GPU實(shí)現(xiàn)高速數(shù)據(jù)處理的效率不只取決于GPU的性能，還要取決于計(jì)算機(jī)系統(tǒng)架構(gòu)與GPU的配合程度。

GPULib是Tech-X公司開發(fā)的一套支持ENVI/IDL、Matlab等開發(fā)語言的GPU運(yùn)行算法庫，它的運(yùn)行基于CUDA平臺(tái)，為單機(jī)IDL開發(fā)語言使用GPU提供了良好的環(huán)境。

1.2 基本性能測試

本次實(shí)驗(yàn)采用的工作站硬件環(huán)境:CPU為4核Intel Quad(Q6600)處理器，主頻2.40 GHz，內(nèi)存3.5 G，硬盤容量500 G，另外通過PCI-E插槽連接一塊C2050型號(hào)的GPU。工作站的軟件環(huán)境:Windows XP Pro 32bit操作系統(tǒng)，另外安裝配置了CUDA Developer Drivers驅(qū)動(dòng)和CUDA Toolkit工具包軟件，采用的編程軟件為IDL7.1，并配置了專門的GPULib算法庫。

除高光譜遙感數(shù)據(jù)處理中常用的向量點(diǎn)積、矩陣乘法、矩陣轉(zhuǎn)置等，本次還增加了快速傅立葉變換 (FFT)的測試?；拘阅軠y試分別對(duì)5000×5000和10000×10000大小的單精度浮點(diǎn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，結(jié)果見表1。從表1中可以看出，利用GPU進(jìn)行矩陣乘法和FFT計(jì)算時(shí)，GPU可以獲得很大的效率提升;但對(duì)于矩陣轉(zhuǎn)置這種運(yùn)算量很小的數(shù)據(jù)處理，GPU反而沒有運(yùn)行優(yōu)勢，因?yàn)镚PU處理時(shí)消耗了更多的從CPU向GPU傳輸數(shù)據(jù)的時(shí)間。

圖1 工作站主機(jī)和GPU組成的工作環(huán)境Fig.1 Sketch of work environment constructed by Host and GPU

表1 CPU-GPU基本性能測試Table 1 Basic performance comparison of CPU and GPU

2 數(shù)據(jù)和算法設(shè)計(jì)

高光譜遙感數(shù)據(jù)具有波段多、數(shù)據(jù)量大、處理耗時(shí)等特點(diǎn)，而GPU具有造價(jià)低、體積小、速度快、并行性高的優(yōu)勢，因此GPU可以為高光譜數(shù)據(jù)的快速處理提供一種新的解決途徑?；谏鲜鏊枷?，本文主要驗(yàn)證應(yīng)用GPU的高光譜遙感數(shù)據(jù)快速處理關(guān)鍵技術(shù)，基于常用的IDL語言開發(fā)和實(shí)現(xiàn)典型的SAM、PPI算法的并行處理。采用星載Hyperion高光譜數(shù)據(jù)進(jìn)行驗(yàn)證實(shí)驗(yàn)和分析，該數(shù)據(jù)在實(shí)驗(yàn)中已經(jīng)完成了壞線去除、水汽吸收波段剔除以及大氣校正處理，數(shù)據(jù)大小為1700行×250列×176波段，數(shù)據(jù)量為285 M。在SAM算法驗(yàn)證過程中，采用不同數(shù)量 (包括5條光譜和200條光譜庫中的參考光譜)的光譜庫數(shù)據(jù)進(jìn)行了運(yùn)算測試。

2.1 SAM算法實(shí)驗(yàn)設(shè)計(jì)

SAM算法在高/多光譜遙感領(lǐng)域應(yīng)用較廣，多用于遙感數(shù)據(jù)的分類處理，即像元光譜與參考光譜 (包括在圖像中選擇的像元向量和光譜庫向量)的相似度計(jì)算。其算法原理是將像元向量和參考向量看作是N維空間 (N為波段數(shù)量)的2個(gè)點(diǎn)，通過計(jì)算2個(gè)向量在N維空間的向量夾角對(duì)比2個(gè)光譜向量的相似性，夾角越小，表明2個(gè)光譜的相似性越高。SAM算法通過下式來計(jì)算測試光譜ti與實(shí)驗(yàn)室光譜ri之間的相似性［12］:

式中:nb為波段數(shù)。兩個(gè)光譜之間的相似性不受向量長度及增益的影響，因而可以減低地形對(duì)照度的影響，α取值區(qū)間為0°—90°。

本次選用SAM算法進(jìn)行基于IDL+GPU的處理實(shí)驗(yàn)。根據(jù)GPU和CPU的關(guān)系，單顆GPU實(shí)驗(yàn)中二者之間的邏輯關(guān)系如圖2所示。其中主機(jī)為多核單機(jī)工作站，高光譜數(shù)據(jù)和光譜庫數(shù)據(jù)首先被導(dǎo)入到主機(jī)內(nèi)存中，進(jìn)行測試的數(shù)據(jù)根據(jù)需要通過接口傳輸?shù)紾PU顯存中，GPU再讀取顯存中的數(shù)據(jù)進(jìn)行處理。

圖2 基于單顆GPU實(shí)現(xiàn)的SAM處理流程圖示Fig.2 Flowchart of implementation for SAM algorithm on single GPU

在GPULib庫和CUDA運(yùn)行時(shí)API等的支持下，為了進(jìn)行CPU和GPU處理效率的對(duì)比，本文采用以下處理流程進(jìn)行SAM算法的處理實(shí)驗(yàn):

①首先獲取待處理的高光譜遙感數(shù)據(jù)和參考光譜數(shù)據(jù)，本文選擇我國東天山地區(qū)的一景Hyperion高光譜數(shù)據(jù)，選擇美國USGS礦物光譜庫中的云母、方解石等作為參考光譜數(shù)據(jù);

②參考光譜的光譜分辨率和Hyperion數(shù)據(jù)不同，需要對(duì)參考光譜進(jìn)行重采樣;

③將數(shù)據(jù)全部讀入到工作站內(nèi)存，首先利用CPU進(jìn)行處理，輸出整景數(shù)據(jù)的處理時(shí)間;

④初始化GPU，將相同的數(shù)據(jù)從CPU傳送到GPU中;

⑤在GPU中進(jìn)行Hyperion數(shù)據(jù)的SAM處理，主要涉及到數(shù)據(jù)的矩陣乘法運(yùn)算;

⑥將處理完成后的產(chǎn)品數(shù)據(jù)從GPU返回到CPU，輸出處理后的結(jié)果和處理時(shí)間;

⑦對(duì)兩種方式處理的結(jié)果進(jìn)行對(duì)比，包括產(chǎn)品結(jié)果的一致性和時(shí)間 (性能)的變化。

2.2 PPI算法實(shí)驗(yàn)設(shè)計(jì)

像元純凈指數(shù) (Pixel Purity Index，PPI)認(rèn)為在N-維像元特征空間中 (N為高光譜數(shù)據(jù)波段數(shù))，所有像元成散點(diǎn)分布，而那些比較純的像元 (端元)將分布在N維空間中散點(diǎn)分布形成的N+1個(gè)頂點(diǎn)的凸面體的頂點(diǎn)處［13～14］。PPI的處理采用由最小噪聲分離 (Minimum Noise Fractions，MNF)［15］變換得到的高光譜降維數(shù)據(jù)，將降維后的像元光譜向量逐像元投影到隨機(jī)生成的不同方向單元向量上，對(duì)每個(gè)隨機(jī)單位向量統(tǒng)計(jì)像元投影到各隨機(jī)單元向量端點(diǎn) (或接近于端點(diǎn))處的次數(shù)，記錄每次投影到端點(diǎn)的像元，每個(gè)像元被標(biāo)記為極值的總次數(shù)稱為“純像元指數(shù)”，指數(shù)圖像的像元越亮，表明該像元越純凈，更可能為圖像中存在的光譜端元 (Endmember)，其基本原理如圖3所示。

圖3 PPI算法中像元投影極值計(jì)數(shù)原理Fig.3 Principle of PPI algorithm for projection of pixel vectors on skewers

本次基于IDL+GPU的PPI并行算法實(shí)驗(yàn)處理流程如下:

①利用IDL實(shí)現(xiàn)的PPI算法與ENVI集成的PPI模塊進(jìn)行處理實(shí)驗(yàn)，并進(jìn)行效率對(duì)比。處理時(shí)對(duì)ENVI和程序IDL算法都采用了逐個(gè)像元迭代和分塊迭代的方式，其中分塊迭代表示分塊中的所有像元均參與與隨機(jī)單位向量 (skewer)的矩陣乘法運(yùn)算;

②基于GPULib庫函數(shù)對(duì)原來的IDL PPI算法程序進(jìn)行更改和優(yōu)化;

③利用ENVI完成其PPI算法的處理測試，包括逐像元處理和分塊處理，記錄時(shí)間;

④在CPU主機(jī)上完成原來PPI算法的測試，也包括逐像元的處理和分塊處理，記錄時(shí)間;

⑤通過循環(huán)，將高光譜數(shù)據(jù)逐像元傳送到GPU進(jìn)行處理，記錄時(shí)間;

⑥采用分塊方式將數(shù)據(jù)傳送到GPU進(jìn)行處理，并保存返回的處理結(jié)果，記錄時(shí)間;

⑦對(duì)ENVI處理結(jié)果和IDL處理的結(jié)果進(jìn)行對(duì)比。

3 結(jié)果與分析

針對(duì)SAM算法，按照SAM算法實(shí)驗(yàn)設(shè)計(jì)的處理流程，利用Hyperion星載高光譜數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，其中參考光譜從USGS光譜庫中挑選;為比較不同數(shù)量參考光譜對(duì)處理效率的影響，分別選擇5條和200條參考光譜進(jìn)行SAM處理。本次采用單顆GPU進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)輸出的統(tǒng)計(jì)時(shí)間見表2。在處理過程中需要對(duì)原始三維數(shù)據(jù)進(jìn)行重列，因此增加了矩陣重列時(shí)間的對(duì)比 (矩陣重列時(shí)間是指矩陣完成行列重組形成新矩陣的Reform的時(shí)間)。

表2 CPU與GPU的SAM性能測試Table 2 Performance comparison of SAM algorithm between CPU and GPU

可以看出，在只采用4核CPU進(jìn)行處理和利用GPU進(jìn)行處理的時(shí)間效率對(duì)比上，當(dāng)參考光譜較少時(shí)，SAM處理效率提升并不明顯，只有2.5倍;但采用200條光譜進(jìn)行SAM計(jì)算時(shí)，二者的時(shí)間效率差了6倍。而在矩陣重列方面，參考光譜較少時(shí)，GPU對(duì)數(shù)據(jù)重列所花的時(shí)間更少，效率更高。

對(duì)于PPI算法，按照PPI算法實(shí)驗(yàn)設(shè)計(jì)中的處理流程進(jìn)行處理，程序輸出的測試時(shí)間見表3;對(duì)高光譜數(shù)據(jù)進(jìn)行PPI處理的結(jié)果見圖4，從左到右為選擇參加處理實(shí)驗(yàn)的Hyperion高光譜三波段彩色數(shù)據(jù)、ENVI處理結(jié)果和程序處理結(jié)果。從結(jié)果圖可以看出，CPU和GPU二者運(yùn)行結(jié)果一致。

表3 測試程序PPI與ENVI性能測試 (CPU)Table 3 Performance comparison of PPI between test program and ENVI on CPU

圖4 進(jìn)行PPI實(shí)驗(yàn)的處理數(shù)據(jù)和處理結(jié)果Fig.4 Hyperspectral data and results of PPI algorithm on CPU and GPU

PPI算法運(yùn)行效率的比較采用兩種方式，一種為測試程序與ENVI商業(yè)軟件的比較，一種為基于CPU和GPU的測試程序運(yùn)行效率比較。從表3測試程序和ENVI自帶的PPI算法的運(yùn)行結(jié)果可以看出，實(shí)驗(yàn)中編寫的IDL程序采用逐像元處理 (采用循環(huán)方式，生成一個(gè)隨機(jī)單位向量Skewer，將圖像所有像元光譜逐個(gè)與其計(jì)算內(nèi)積)時(shí)，消耗的時(shí)間較長，為ENVI逐像元處理的2倍;進(jìn)行分塊處理 (利用IDL的矩陣運(yùn)算優(yōu)勢)后，ENVI在效率上得到了很大的提升，但測試程序采用分塊處理獲得的優(yōu)勢并不明顯 (僅使用CPU處理)。

使用GPU參與處理后 (見表4)，對(duì)于逐像元的處理，GPU在處理效率上并沒有什么優(yōu)勢，并且由于數(shù)據(jù)傳輸時(shí)間的消耗，其處理時(shí)間實(shí)際比CPU更長;但對(duì)于分塊處理，GPU則體現(xiàn)了它的優(yōu)勢，相較CPU效率提升達(dá)到了10倍以上。當(dāng)然，由于測試程序沒有進(jìn)行優(yōu)化處理，與ENVI相比，GPU在處理效率上沒有體現(xiàn)出較大優(yōu)勢，在1000個(gè)隨機(jī)單位向量參加運(yùn)算時(shí)，CPU處理時(shí)間為13 s(見表3)，而GPU為10.3 s(見表4);在10000個(gè)單位隨機(jī)向量參加運(yùn)算時(shí)，CPU處理時(shí)間為125 s，GPU為95.682 s。

表4 CPU與GPU測試程序PPI性能對(duì)比Table 4 Performance comparison of PPI using test program between CPU and GPU

4 結(jié)論

本文基于高光譜數(shù)據(jù)處理的特點(diǎn)和目前GPU高性能計(jì)算的發(fā)展和應(yīng)用現(xiàn)狀，以單機(jī)工作站掛接GPU為并行計(jì)算環(huán)境，驗(yàn)證GPU在高光譜數(shù)據(jù)處理中的應(yīng)用效能。通過對(duì)高光譜數(shù)據(jù)地質(zhì)應(yīng)用處理中常用的矩陣計(jì)算、SAM算法、PPI算法的應(yīng)用分析，設(shè)計(jì)驗(yàn)證流程，分別對(duì)這些算法開展GPU和CPU處理效能的對(duì)比實(shí)驗(yàn)，并通過AVRIS機(jī)載數(shù)據(jù)和Hyperion星載高光譜數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，基于IDL和GPU的小型并行計(jì)算環(huán)境可以實(shí)現(xiàn)高光譜數(shù)據(jù)處理效能的提升，GPULib庫可以為廣大的研究人員提供相對(duì)簡單的研究和應(yīng)用環(huán)境;單顆GPU集成的工作站在高光譜數(shù)據(jù)常用的SAM處理和PPI端元提取算法方面均得到了效率的提升，平均效率可以達(dá)到10倍左右;測試數(shù)據(jù)采用GPU并行處理算法得到的處理結(jié)果與CPU的處理結(jié)果一致。

［1］ 王潤生，甘甫平，閆柏琨，等.高光譜礦物填圖技術(shù)與應(yīng)用研究［J］.國土資源遙感，2010，(1):1～13.WANG Run-sheng，GAN Fu-ping，YAN Bai-kun，et al.Hyperspectral mineral mapping and its application ［J］.Remote Sensing for Land＆ Resources，2010，(1):1～13.

［2］ 王潤生，熊盛青，聶洪峰，等.遙感地質(zhì)勘查技術(shù)與應(yīng)用研究［J］.地質(zhì)學(xué)報(bào)，2011，85(11):1699～1743.WANG Run-sheng，XIONG Sheng-qing，NIE Hong-feng，et al.Remote sensing technology and its application in geological exploration ［J］.Acta Geological Sinica，2011，85(11):1699 ～1743.

［3］ 程賓洋.高光譜遙感蝕變礦物填圖算法并行設(shè)計(jì)與實(shí)現(xiàn)［D］.成都:成都理工大學(xué)，2013.CHENG Bin-yang.The parallel design and implementation of hyperspectral remote sensing mineral mapping algorithm ［D］.Chengdu:Chengdu University of Technology，2013.

［4］ Gillis D，Bowles J H.Parallel implementation of the ORASIS algorithm for remote sensing data analysis［C］ //Plaza A J，Chang C I.High performance computing in remote sensing.US:Taylor＆ Francis Group，2008.

［5］ Tilton J C.Parallel implementation of the recursive approximation of an unsupervised hierarchical segmentation algorithm［C］ //Plaza A J，Chang C I.High performance computing in remote sensing.US:Taylor＆ Francis Group，2008.

［6］ Wang Jianwei，Chang Chein-I.FPGA design for real-time implementation of constrained energy minimization for hyperspectral target detection ［C］ //Plaza A J，Chang C I.High performance computing in remote sensing.US:Taylor＆Francis Group，2008.

［7］ Setoain J，Prieto M，Tenllado C，et al.Parallel morphological endmember extraction using commodity graphics hardware［J］.IEEE Geoscience and Remote Sensing Letters，2007，4(3):441 ～445.

［8］ Agathos A，Li J，Petcu D，et al.Multi-GPU implementation of the minimum volume simplex analysis algorithm for hyperspectral unmixing ［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2014，7(6):2281～2296.

［9］ 楊靖宇，張永生，董廣軍.基于GPU的遙感影像SAM分類算法并行化研究［J］.測繪科學(xué)，2010，35(3):9～11.YANG Jing-yu，ZHANG Yong-sheng，DONG Guang-jun.Investigation of parallel method of RS image SAM algorithmic based on GPU ［J］.Science of Surveying and Mapping，2010，35(3):9～11.

［10］ 羅耀華，郭科，趙仕波.基于GPU的高光譜遙感MNF并行方法研究［J］.四川師范大學(xué)學(xué)報(bào):自然科學(xué)版，2013，36(3):476～479.LUO Yao-hua，GUO Ke，ZHAO Shi-bo.Minimum noise fraction of hyperspectral remote sensing in parallel computing based on GPU ［J］.Journal of Sichuan Normal University:Natural Science，2013，36(3):476～479.

［11］ 宋義剛，葉舜，吳澤彬，等.基于GPU的高光譜遙感圖像PPI并行優(yōu)化［J］.航天返回與遙感，2014，35(4):74～80.SONG Yi-gang，YE Shun，WU Ze-bin，et al.Parallel optimization of Pixel Purity Index algorithm based on GPU for hyperspectral remote sensing image［J］.Spacecraft Recovery＆ Remote Sensing，2014，35(4):74～80.

［12］ Kruse F A，Lefkoff A B，Boardman J W，et al.The Spectral Image Processing System(SIPS):Interactive visualization and analysis of imaging spectrometer data ［J］.Remote Sensing of Environment，1993，44:145 ～163.

［13］ Boardman J W.Geometric mixture analysis of imaging spectrometery data ［J］.Proc.Int.Geoscience and Remote Sensing Symp，1994，4:2369～2371.

［14］ 許寧，胡玉新，雷斌，等.一種基于PPI的高光譜數(shù)據(jù)礦物信息自動(dòng)提取方法［J］.測繪科學(xué)，2013，38(4):138 ～141.XU Ning，HU Yu-xin，LEI Bin，et al.Automated mineral information extraction based on PPI algorithm for hyperspectral image［J］.Science of Surveying and Mapping，2013，38(4):138～141.

［15］ Green A A，Berman M，Switzer P，et al.A transformation for ordering multispectral data in terms of image quality with implications for noise removal［J］.IEEE Transactions on Geoscience and Remote Sensing，1988，26(1):65 ～74.