桌面遙感圖像處理系統(tǒng)并行處理架構(gòu)選擇與實(shí)驗(yàn)分析

彭檢貴+張良+李維良+李林華+周佳雯

摘要：介紹了桌面遙感影像處理系統(tǒng)對(duì)高性能計(jì)算的需求及其現(xiàn)狀，針對(duì)多核CPU與GPU這兩種當(dāng)前單機(jī)系統(tǒng)中最重要計(jì)算資源的結(jié)構(gòu)與功能差異，總結(jié)不同并行架構(gòu)所具有的運(yùn)算特點(diǎn)及適用范圍，以遙感影像多項(xiàng)式幾何校正為例，對(duì)比分析了同時(shí)代多核CPU與GPU在進(jìn)行高計(jì)算密集度且運(yùn)算邏輯較簡(jiǎn)單算法的高性能處理之間的性能差異，探討了并行處理架構(gòu)選擇的實(shí)踐準(zhǔn)則。

關(guān)鍵詞：并行架構(gòu)；遙感圖像處理系統(tǒng)；多核CPU；CUDA

中圖分類號(hào)：TP317.4

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：16727800（2017）004020104

0引言

面向桌面級(jí)應(yīng)用的遙感影像高性能計(jì)算，從本質(zhì)上講，是充分利用現(xiàn)有單機(jī)系統(tǒng)所提供的計(jì)算資源來(lái)提高遙感影像處理運(yùn)算效率的一種有效途徑。多核CPU與GPU作為現(xiàn)有計(jì)算機(jī)中配置的兩種最常見(jiàn)的并行處理器，構(gòu)成了當(dāng)前單機(jī)系統(tǒng)上能夠被開(kāi)發(fā)的最主要的計(jì)算資源，也勢(shì)必會(huì)在桌面遙感影像處理系統(tǒng)的高性能處理過(guò)程中發(fā)揮重要作用。目前，國(guó)內(nèi)外有不少專家學(xué)者都對(duì)此做了大量工作。Shahbahrami A等[1]從任務(wù)并行和數(shù)據(jù)并行兩個(gè)角度研究了基于多核CPU的GLCM影像紋理特征提??；Fitzgerald D F等[2]研究與探討了基于多核CPU的遙感影像分割算法實(shí)現(xiàn)，提出了一種影像數(shù)據(jù)子圖塊不匹配的應(yīng)對(duì)策略；Paz Abel等[3]研究對(duì)比了集群環(huán)境下與GPU環(huán)境下的高光譜遙感影像目標(biāo)與異常檢測(cè)；Antonio Plaza等[4]對(duì)比研究了Beowulf集群、可編程門陣列（FPGA）以及GPU（CUDA）架構(gòu)下高光譜影像像素純度指數(shù)的計(jì)算；Fan Zhang等[5]對(duì)基于GPU的復(fù)雜場(chǎng)景合成孔徑信號(hào)模擬方法進(jìn)行了深入研究。 本文針對(duì)桌面遙感影像處理系統(tǒng)高性能計(jì)算中所使用的多核CPU與GPU這兩種主要并行架構(gòu)，通過(guò)理論分析與對(duì)照實(shí)驗(yàn)相結(jié)合的方法，對(duì)各自的結(jié)構(gòu)與功能特點(diǎn)進(jìn)行深入研究，總結(jié)不同并行架構(gòu)之間不同的運(yùn)算特點(diǎn)及適用范圍，同時(shí)從算法運(yùn)算邏輯復(fù)雜度與數(shù)據(jù)存儲(chǔ)復(fù)雜度對(duì)各關(guān)鍵算法進(jìn)行對(duì)比分析與實(shí)驗(yàn)，提出一系列并行架構(gòu)選擇的實(shí)踐準(zhǔn)則。最后，以遙感影像多項(xiàng)式幾何校正為例，對(duì)比分析同時(shí)代多核CPU與GPU在進(jìn)行高計(jì)算密集度且運(yùn)算邏輯較簡(jiǎn)單算法的高性能處理之間的性能差異，對(duì)并行處理架構(gòu)選擇的實(shí)踐準(zhǔn)則作進(jìn)一步說(shuō)明。

1并行處理架構(gòu)對(duì)比分析與選擇

1.1多核CPU與GPU在結(jié)構(gòu)與功能上的不同

多核CPU與GPU作為桌面遙感影像處理系統(tǒng)所使用的兩種主要并行架構(gòu)，具有不同的結(jié)構(gòu)與功能特性[6]。如圖1所示，CPU的設(shè)計(jì)目標(biāo)是使執(zhí)行單元以很低延遲獲取數(shù)據(jù)和指令，能夠適應(yīng)各種不同的運(yùn)算環(huán)境，擅長(zhǎng)復(fù)雜邏輯運(yùn)算，因此將大量晶體管用于復(fù)雜控制邏輯單元及大容量的緩存單元；而GPU的設(shè)計(jì)目標(biāo)是使大量線程實(shí)現(xiàn)面向吞吐量的數(shù)據(jù)并行計(jì)算，因此大量晶體管被用于執(zhí)行單元來(lái)運(yùn)行更多相對(duì)簡(jiǎn)單的執(zhí)行線程，而邏輯控制和緩存單元?jiǎng)t相對(duì)較少[8]。 正是由于CPU與GPU這兩種處理器設(shè)計(jì)結(jié)構(gòu)上的差異，導(dǎo)致兩者在處理功能上也有明顯不同。從功能上講，CPU對(duì)延遲更敏感，而GPU則側(cè)重于提高整體的數(shù)據(jù)吞吐量。多核CPU較GPU而言盡管在處理速度上有很大劣勢(shì)，但是由于復(fù)雜的控制邏輯、分支預(yù)測(cè)和大量緩存等關(guān)鍵技術(shù)的應(yīng)用，多核CPU對(duì)復(fù)雜運(yùn)算的并行化支持力度更大；GPU是特地為支持計(jì)算密集、并行度高的運(yùn)算而設(shè)計(jì)，但是由于緩存單元與邏輯控制單元相對(duì)較少，對(duì)于邏輯復(fù)雜、并行度不大的運(yùn)算，GPU并不能很好地支持其并行化。

1.2高性能計(jì)算中并行架構(gòu)選擇準(zhǔn)則

GPU能夠處理大量數(shù)據(jù)的通用并行計(jì)算問(wèn)題，但并不意味著所有遙感影像處理算法的高性能計(jì)算問(wèn)題都能利用GPU技術(shù)輕易實(shí)現(xiàn)。因此，理清GPU在各類算法實(shí)現(xiàn)中的優(yōu)勢(shì)與缺陷，對(duì)桌面遙感影像處理系統(tǒng)的高性能計(jì)算非常重要。面向桌面應(yīng)用的遙感影像高性能計(jì)算，首先應(yīng)根據(jù)自身特點(diǎn)從全局上對(duì)各關(guān)鍵算法進(jìn)行分類，綜合把握，根據(jù)算法自身特點(diǎn)選擇最合適的并行處理架構(gòu)。根據(jù)多核CPU與GPU兩者之間的硬件結(jié)構(gòu)與程序運(yùn)行的特點(diǎn)，本文提出3點(diǎn)并行架構(gòu)選擇的實(shí)踐準(zhǔn)則：①待并行化處理的算法在運(yùn)算過(guò)程中，結(jié)果影像各像素的確定過(guò)程是否彼此獨(dú)立，互不影響，即結(jié)果影像各像素值在確定過(guò)程中是否需要獲取鄰近像素或者像素集合的基本信息；②待并行化處理的算法在運(yùn)算時(shí)，結(jié)果影像中是否逐漸形成多個(gè)具有某種邏輯關(guān)聯(lián)的像素集合，且后續(xù)運(yùn)算過(guò)程需要獲取這些集合中像素的光譜信息或相關(guān)空間統(tǒng)計(jì)信息，即同一遍渲染過(guò)程使用前面像素集合的計(jì)算結(jié)果；③待并行化處理的算法在運(yùn)算過(guò)程中是否會(huì)頻繁或不規(guī)律地出現(xiàn)內(nèi)存與外設(shè)（如磁盤文件）之間影像數(shù)據(jù)或算法實(shí)現(xiàn)過(guò)程中相關(guān)輔助數(shù)據(jù)的轉(zhuǎn)存與交換現(xiàn)象，即在整個(gè)運(yùn)算過(guò)程中，處理器所需要的影像數(shù)據(jù)或者相關(guān)輔助數(shù)據(jù)是否一直位于內(nèi)存中，而無(wú)需從相關(guān)磁盤文件中調(diào)度所需數(shù)據(jù)。 利用多核CPU與GPU兩種架構(gòu)提升桌面遙感影像處理系統(tǒng)的運(yùn)行效率，需要根據(jù)這兩種并行處理器的功能特性，結(jié)合算法本身的運(yùn)算邏輯與實(shí)現(xiàn)方式，對(duì)需要進(jìn)行并行化處理的遙感影像處理算法進(jìn)行類別劃分，即適合利用多核CPU進(jìn)行高性能處理的算法、適合利用GPU進(jìn)行高性能處理的算法。根據(jù)以上3個(gè)準(zhǔn)則，在桌面遙感影像處理軟件內(nèi)置的主要算法中，同時(shí)滿足以上3個(gè)條件的算法一般具有邏輯相對(duì)簡(jiǎn)單、并行度較大的特點(diǎn)，包含了多數(shù)較為常見(jiàn)的影像處理算法，如：影像幾何校正、影像監(jiān)督分類、影像卷積運(yùn)算等，通常非常適合利用GPU進(jìn)行算法加速處理，本文稱這類算法為“簡(jiǎn)單算法”。而不能完全滿足以上3個(gè)條件算法的高性能處理采用GPU一般不易實(shí)現(xiàn)。具體而言，在CUDA架構(gòu)下，一般采用大量線程來(lái)執(zhí)行計(jì)算密集、并行度高的指令，在桌面遙感影像處理系統(tǒng)高性能計(jì)算中，通常一個(gè)線程會(huì)對(duì)應(yīng)一個(gè)像素的計(jì)算處理。當(dāng)算法不滿足條件（1）或（2），即運(yùn)算邏輯較為復(fù)雜，算法在運(yùn)行過(guò)程中目標(biāo)影像會(huì)形成若干具有內(nèi)在邏輯的像素集合，且后續(xù)運(yùn)算需要獲取同類集合中像素的光譜信息或相關(guān)空間信息時(shí)，CUDA程序會(huì)變得較難編寫，即使勉強(qiáng)編寫出來(lái)，也會(huì)嚴(yán)重影響CUDA計(jì)算性能的發(fā)揮，有違CUDA設(shè)備的設(shè)計(jì)初衷。此類算法的代表有KMeans非監(jiān)督分類、Isodata非監(jiān)督分類、多尺度分割等特征級(jí)影像處理方法。CUDA設(shè)備在計(jì)算過(guò)程中的直接數(shù)據(jù)來(lái)源為顯存，顯存與磁盤文件之間數(shù)據(jù)交換、轉(zhuǎn)存的實(shí)現(xiàn)遠(yuǎn)比CPU內(nèi)存與磁盤文件之間數(shù)據(jù)交換、轉(zhuǎn)存的實(shí)現(xiàn)復(fù)雜。當(dāng)算法無(wú)法滿足條件（3）時(shí)，即一個(gè)算法在運(yùn)行過(guò)程中，需要頻繁地或者不規(guī)律地將顯存中的數(shù)據(jù)交換到磁盤文件或從磁盤文件中調(diào)度相關(guān)數(shù)據(jù)進(jìn)入顯存，編寫CUDA程序也會(huì)變得困難，此類算法的代表為遙感影像多尺度分割算法。當(dāng)算法無(wú)法同時(shí)滿足以上3個(gè)條件，一般而言，利用CUDA技術(shù)難以進(jìn)行其高性能計(jì)算工作，然而算法在實(shí)現(xiàn)過(guò)程中確實(shí)能夠做到一定程度的并行執(zhí)行，在這種情況之下，可以考慮采用多核CPU進(jìn)行處理，本文稱這類算法為復(fù)雜算法。 一般而言，簡(jiǎn)單算法易于利用CUDA進(jìn)行算法加速處理，當(dāng)然，需要注意的是，簡(jiǎn)單算法同樣也可比較容易地利用多核CPU進(jìn)行并行化處理。從理論上講，由于GPU在處理簡(jiǎn)單算法運(yùn)算時(shí)的速度一般高于同時(shí)代的多核CPU，因此，推薦使用GPU，下文將對(duì)此問(wèn)題進(jìn)行對(duì)比實(shí)驗(yàn)，以實(shí)驗(yàn)驗(yàn)證來(lái)提升理論分析的嚴(yán)密性?！糎J*3〗 無(wú)論復(fù)雜算法還是簡(jiǎn)單算法，在高性能處理過(guò)程中，鑒于所選用的并行架構(gòu)與遙感影像本身的特點(diǎn)，其都會(huì)面臨著一系列待解決的關(guān)鍵問(wèn)題。復(fù)雜算法在不滿足條件（1）和（2）時(shí)，可能會(huì)出現(xiàn)各個(gè)數(shù)據(jù)分塊在并行處理完畢之后接邊不能很好地吻合而無(wú)法直接合并的問(wèn)題；復(fù)雜算法在不滿足條件（3）時(shí)，在影像數(shù)據(jù)量較大的情況下，可能會(huì)出現(xiàn)影像數(shù)據(jù)子區(qū)的多線程讀寫問(wèn)題。簡(jiǎn)單算法實(shí)現(xiàn)起來(lái)相比于復(fù)雜算法較為容易，一般不存在數(shù)據(jù)分塊之間的接邊問(wèn)題，大數(shù)據(jù)量影像的處理問(wèn)題一般也較易解決，簡(jiǎn)單算法高性能處理問(wèn)題的關(guān)鍵在于如何利用CUDA設(shè)備特殊的結(jié)構(gòu)與功能特性進(jìn)行算法優(yōu)化，其中，影像數(shù)據(jù)以及相關(guān)輔助數(shù)據(jù)的存儲(chǔ)與訪問(wèn)策略優(yōu)化顯得尤為重要。 當(dāng)然，需要指出的是，本文所提出的一系列原則只是針對(duì)多數(shù)常用遙感影像處理算法在選擇高性能計(jì)算架構(gòu)的問(wèn)題而言，可能無(wú)法涵蓋所有處理算法，這些有待于后續(xù)的深入研究。

2運(yùn)算邏輯較簡(jiǎn)單情況下并行架構(gòu)對(duì)比分析

在桌面遙感影像處理軟件中，當(dāng)某個(gè)算法能夠同時(shí)滿足上文提到的3個(gè)并行架構(gòu)選擇的實(shí)踐準(zhǔn)則時(shí)，一般而言，算法便于利用GPU進(jìn)行并行化處理，當(dāng)然，也同樣便于在多核CPU架構(gòu)下進(jìn)行高性能計(jì)算。從上述分析可知，同時(shí)代GPU運(yùn)算速度一般快于多核CPU，因此為達(dá)到遙感影像高性能計(jì)算運(yùn)算效率的最大化，優(yōu)先采用GPU進(jìn)行并行化實(shí)現(xiàn)。為了證明這一點(diǎn)，本節(jié)以遙感影像多項(xiàng)式幾何校正為例，對(duì)比利用GPU與利用多核CPU進(jìn)行簡(jiǎn)單算法高性能計(jì)算的效率提升程度。 本節(jié)研究的重點(diǎn)是在滿足較輕易實(shí)現(xiàn)算法高性能計(jì)算條件下，對(duì)比同時(shí)代多核CPU與GPU的計(jì)算速度差異，因此對(duì)于利用多核CPU或者GPU實(shí)現(xiàn)遙感影像高性能計(jì)算的詳細(xì)過(guò)程和所面臨的關(guān)鍵問(wèn)題及解決方法不作討論。

2.1多項(xiàng)式幾何校正算法

遙感影像幾何校正是以某種預(yù)先確定的數(shù)學(xué)模型來(lái)校正成像過(guò)程中所造成的各種幾何畸變，產(chǎn)生一幅符合某種地圖投影或圖形表達(dá)要求的新影像。校正前后的影像空間分別為畸變空間和校正空間。

遙感影像幾何校正首先要確定從畸變空間到校正空間的變換函數(shù)?；诙囗?xiàng)式變換的校正方法是實(shí)踐中經(jīng)常使用的一種方法，原理直觀，對(duì)各種類型的傳感器有良好適用性。多項(xiàng)式變換校正法的基本思想是：使用多項(xiàng)式來(lái)擬合圖像校正過(guò)程中從畸變空間到校正空間的正向變換函數(shù)，然后用向后映射重采樣方法（又稱間接法）來(lái)完成輸入圖像到輸出圖像的幾何校正，如圖2所示。假設(shè)正向變換函數(shù)為：

本文以完全二次多項(xiàng)式為例來(lái)討論算法實(shí)現(xiàn)，式（5）和（6）、式（7）和（8）分別表示正向和逆向變換函數(shù)。正向變換函數(shù)中的參數(shù)，對(duì)于系統(tǒng)幾何校正而言，是利用已知的或可預(yù)測(cè)的參數(shù)，如衛(wèi)星軌道參數(shù)、傳感器姿態(tài)參數(shù)等來(lái)直接構(gòu)成，而對(duì)于幾何校正，則需利用控制點(diǎn)數(shù)據(jù)來(lái)求取[8]。本文實(shí)驗(yàn)所采用的正向變換函數(shù)均為根據(jù)利用控制點(diǎn)數(shù)據(jù)來(lái)求取擬合得到的完全二次多項(xiàng)式。

算法有像素坐標(biāo)變換與像素亮度的重采樣兩個(gè)基本環(huán)節(jié)，校正的主要處理過(guò)程如圖3所示。首先，根據(jù)式（5）和式（6）求出輸出影像的范圍，如圖2右邊校正空間中實(shí)線內(nèi)的范圍，一般通過(guò)計(jì)算圖像的全局邊界來(lái)加以確定；由于校正算法采用向后映射方式進(jìn)行，因此第二步必須求取從校正空間到畸變空間的逆向多項(xiàng)式變換函數(shù)，如式（7）和式（8），逆變換的參數(shù)是利用輸入和輸出圖像上的若干個(gè)同名像點(diǎn)對(duì)，按最小二乘原理求解；第三步是幾何位置變換，將前面確定的輸出圖像范圍內(nèi)的像素坐標(biāo)（u，v）逐個(gè)代入逆變換函數(shù)得到其在輸入影像中的對(duì)應(yīng)位置；第四步則是根據(jù)輸入影像位置（x，y）周圍像素的灰度值，按某種重采樣算法得到校正影像（u，v）處的灰度值。

常用的重采樣算法包括雙三次卷積、雙線性插值和最鄰近像素法等。本文以雙線性插值算法為例加以介紹，如果選擇一個(gè)坐標(biāo)系統(tǒng)使得4個(gè)已知點(diǎn)的坐標(biāo)分別為（0，0），（0，1），（1，0），（1，1），那么插值公式可以表示為：p（x，y）=p（0，0）（1-x）（1-y）+p（1，0）x（1-y）+p（0，1）（1-y）y+p（1，1）xy（9）

遙感影像幾何校正過(guò)程中，第一步求取輸出圖像的范圍（只需要邊界像素坐標(biāo)參與計(jì)算）和第二步用粗網(wǎng)格點(diǎn)求取逆變換函數(shù)的參數(shù)，相對(duì)于后兩個(gè)步驟而言計(jì)算量很小，幾乎可以忽略不計(jì)，并行化的重點(diǎn)是在第三步幾何位置變換和第四步灰度值重采樣上，將這兩個(gè)步驟統(tǒng)稱為重采樣。

2.2實(shí)驗(yàn)結(jié)果與分析

根據(jù)以上研究思路，本節(jié)以遙感影像多項(xiàng)式幾何校正為例，重點(diǎn)在于對(duì)比同時(shí)代多核CPU與CUDA設(shè)備在同時(shí)滿足能夠較輕易實(shí)現(xiàn)算法并行處理情況下的計(jì)算速度差異。本次實(shí)驗(yàn)所使用的硬件實(shí)驗(yàn)環(huán)境為：NVIDIA GEFORCE GT 425M顯卡，該顯卡所使用的GPU內(nèi)置兩個(gè)SM，每個(gè)SM擁有48個(gè)SP，共96個(gè)SP，顯存容量為1G；Intel CORE i5 CPU，該CPU擁有兩個(gè)核心；內(nèi)存容量為2G。本次實(shí)驗(yàn)軟件實(shí)驗(yàn)環(huán)境為：Windows 7操作系統(tǒng)及Vs2010編譯器。

2.2.1幾何校正結(jié)果對(duì)比

實(shí)驗(yàn)首先對(duì)比多核CPU架構(gòu)、CUDA架構(gòu)下幾何校正高性能計(jì)算與結(jié)果。實(shí)驗(yàn)數(shù)據(jù)采用兩幅有重疊地區(qū)的GeoEye影像，尺寸均為500*500，兩幅影像的空間分辨率不同。為便于實(shí)驗(yàn)觀察，以低空間分辨率影像為參考影像，高空間分辨率影像為畸變影像，如圖4所示。

幾何校正結(jié)果如圖5所示，其中圖5（a）為多核CPU架構(gòu)下幾何校正高性能計(jì)算結(jié)果，圖5（b）為CUDA架構(gòu)下幾何校正高性能計(jì)算結(jié)果。在結(jié)果影像中，畸變影像被校正到參考影像空間后所對(duì)應(yīng)的部分為白色框所劃定的影像塊。

2.2.2幾何校正計(jì)算效率對(duì)比 接下來(lái)，對(duì)比多核CPU架構(gòu)下幾何校正高性能計(jì)算與CUDA架構(gòu)下幾何校正高性能計(jì)算的計(jì)算效率。實(shí)驗(yàn)數(shù)據(jù)與2.1節(jié)中相同。實(shí)驗(yàn)分四組進(jìn)行，其中第一組為多核CPU架構(gòu)下單線程程序運(yùn)行時(shí)間，第二組為多核CPU架構(gòu)下兩線程程序運(yùn)行時(shí)間，第三組為多核CPU架構(gòu)下四線程程序運(yùn)行時(shí)間，最后一組為CUDA架構(gòu)下幾何校正高性能計(jì)算的計(jì)算時(shí)間，實(shí)驗(yàn)結(jié)果如表1所示。

由表1可知，遙感影像多項(xiàng)式幾何校正作為可在多核CPU與CUDA架構(gòu)下同時(shí)實(shí)現(xiàn)高性能計(jì)算的運(yùn)算邏輯并不復(fù)雜的代表性算法，多核CPU架構(gòu)下的高性能計(jì)算方式可以在一定程度上提升其運(yùn)算效率，這一點(diǎn)可以從第1列與第2列、第1列與第3列的數(shù)據(jù)對(duì)比中得出。然而，對(duì)比第1列與第4列的結(jié)果數(shù)據(jù)可知，同時(shí)代的CUDA設(shè)備對(duì)于算法的運(yùn)行效率提升更為顯著。因此，在桌面遙感影像處理系統(tǒng)的高性能計(jì)算過(guò)程中，針對(duì)運(yùn)算邏輯和數(shù)〖LL〗據(jù)存儲(chǔ)方式均較為簡(jiǎn)單的算法，一般推薦在CUDA架構(gòu)下進(jìn)行高性能計(jì)算，以達(dá)到程序運(yùn)算效率提升的最大化。

3結(jié)語(yǔ)

本文主要介紹在進(jìn)行桌面遙感影像處理系統(tǒng)高性能計(jì)算時(shí)針對(duì)算法的內(nèi)在特點(diǎn)所面臨的并行架構(gòu)選擇問(wèn)題。深入研究多核CPU與GPU這兩種當(dāng)前單機(jī)系統(tǒng)中最重要計(jì)算資源的結(jié)構(gòu)與功能差異，總結(jié)不同并行架構(gòu)所具有的運(yùn)算特點(diǎn)及適用范圍。從全局上統(tǒng)籌分析各關(guān)鍵算法運(yùn)算邏輯復(fù)雜度與數(shù)據(jù)存儲(chǔ)復(fù)雜度，提出了一系列針對(duì)具體算法選擇合適并行處理架構(gòu)的實(shí)踐準(zhǔn)則。同時(shí)，以多項(xiàng)式幾何校正為例，驗(yàn)證了在進(jìn)行簡(jiǎn)單算法的高性能計(jì)算時(shí)優(yōu)先采用GPU的觀點(diǎn)，對(duì)實(shí)踐準(zhǔn)則進(jìn)行了補(bǔ)充闡述。 當(dāng)然，本文所提出的一系列原則只是針對(duì)多數(shù)常用遙感影像處理算法在選擇高性能計(jì)算架構(gòu)的問(wèn)題而言，可能無(wú)法涵蓋所有處理算法，這些有待于后續(xù)深入研究。

參考文獻(xiàn)：

[1]ASADOLLAH SHAHBAHRAMI，TUAN ANHPHAM，KOEN BERTELS.Parallel implementation of gray level cooccurrence matrices and haralick texture features on cell architecture[J].Journal of Supercomputing，2012，59（3）：14551477.

[2]FITZGERALD D F，WILLS D S，WILLS L M.Realtime， parallel segmentation of highresolution images on multicore platforms[J].Journal of RealTime Image Processing，2014.

[3]PAZ ABEL，PLAZA ANTONIO.Clusters versus GPUs for parallel target and anomaly detection in hyperspectral images[J].EURASIP Journal on Advances in Signal Processing，2010.

[4]ANTONIO PLAZA，JAVIER PLAZA，HUGO VEGAS.Improving the performance of hyperspectral image and signal processing algorithms using parallel，distributed and specialized hardwarebased systems[J].Journal of Signal Processing Systems，2010，61（3）：293315.

[5]FAN ZHANG，ZHENGLI，BINGNANWANG，et al.Hybrid generalpurpose computation on GPU （GPGPU） and computer graphics synthetic aperture radar simulation for complex scenes[J].International Journal of Physical Sciences，2012，7（8）：12241234.

[6]HWU W.Rethinking computer architecture for throughput computing[C].Keynote of 2013 International Conference on Embedded Computer Systems： Architectures， Modeling and Simulation （SAMOS），Greece，2013：129.

[7]周海芳.遙感圖像并行處理算法的研究與應(yīng)用[D].長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2003.

[8]陳國(guó)良.并行計(jì)算——結(jié)構(gòu)·算法·編程[M].第3版.北京：高等教育出版社，2011.

（責(zé)任編輯：孫娟）