Бесплатный автореферат и диссертация по наукам о земле на тему

Разработка технологии высокопроизводительной обработки аэрокосмических изображений методом параллельных вычислений

ВАК РФ 25.00.34, Аэрокосмические исследования земли, фотограмметрия

Автореферат диссертации по теме "Разработка технологии высокопроизводительной обработки аэрокосмических изображений методом параллельных вычислений"

На правах рукописи

Кочнова Ирина Владимировна

РАЗРАБОТКА ТЕХНОЛОГИИ ВЫСОКОПРОИЗВОДИТЕЛЬНОЙ ОБРАБОТКИ АЭРОКОСМИЧЕСКИХ ИЗОБРАЖЕНИЙ МЕТОДОМ ПАРАЛЛЕЛЬНЫХ ВЫЧИСЛЕНИЙ

25.00.34 - АЭРОКОСМИЧЕСКИЕ ИССШДСВЙНИЯ ЗЕМЛИ, ФОТОГРАММЕТРИЯ

Автореферат диссертации на соискание ученой степени кандидата технических наук

Москва - 2004

Работа выполнена

в Московском Государственном Университете Геодезии и Картографии (МИИГАиК)

на кафедре прикладной экологии.

Научный руководитель: доктор технических наук,

профессор Малинников В А.

Официальные оппоненты:

доктор технических наук, тт _

, Чибуничев А.1.

профессор '

кандидат технических наук Ведущая организация:

Барталев СА

Федеральный центр науки и высоких технологий «Всероссийский научно-

исследовательский институт по проблемам гражданской обороны и чрезвычайных ситуаций»

Защита диссертации состоится «_» «_» 2004 г. в «_» час. на заседании

диссертационного совета Д. 212.143 01 в Московском Государственном Университете геодезии и картографии (МИИГАиК), по адресу: 105064, Москва, К-64, Гороховский переулок, 4 (ауд. 321).

С диссертацией можно ознакомиться в библиотеке МИИГАиК.

Автореферат разослан «_» «_» 2004 г.

Ученый секретарь диссертационного совета

Краснопевцев Б.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Интенсивное развитие средств дистанционного зондирования Земли аэрокосмического базирования, увеличение объемов и информативности аэрокосмической информации приводит к непрерывному расширению круга решаемых задач. Дистанционное зондирование из космоса находит все более широкое применение при решении задач контроля загрязнений окружающей среды, в картографии, в исследованиях природных ресурсов, климатологии, океанографии, для мониторинга земной поверхности, для наблюдения за пожарами и др. Необходимость обработки больших объемов данных и требования к оперативности получения результатов обуславливают интенсивное внедрение новых компьютерных технологий в область обработки изображений. Несмотря на стремительный прогресс в развитии аппаратных компьютерных средств, возможностей даже самых быстродействующих компьютеров последовательной архитектуры не достаточно для оперативного решения ряда задач обработки изображений, полученных методами дистанционного зондирования. Для решения задач анализа, преобразования и обработки большого объема аэрокосмической информации с минимальными временными затратами требуется мобилизации всех возможностей доступных аппаратно-программных средств. На сегодняшний день средствами, позволяющими существенно сократить время вычислений, являются высокопроизводительные многопроцессорные системы различных архитектур, в частности вычислительный кластер, который при относительно невысокой стоимости обеспечивает высокопроизводительную обработку изображений.

Несмотря на то, что сами по себе вопросы компьютерной обработки изображений и распараллеливания вычислений достаточно хорошо изучены, вопросы применения различных алгоритмов распараллеливания для решения реальных задач обработки изображений рассмотрены явно недостаточно. Поэтому задача создания технологии высокопроизводительной обработки аэрокосмических изображений с использованием параллельных вычислений является весьма актуальной.

Целью диссертационной работы является разработка технологии высокопроизводительной обработки аэрокосмических изображений с использованием метода параллельных вычислений.

Для достижения поставленной цели необходимо было решить следующие задачи:

- Проанализировать существующие варианты программного обеспечения и аппаратной реализации многопроцессорных систем для выбора системы, обеспечивающей решение задач высокопроизводительной обработки аэрокосмической информации и оптимальной с точки зрения критерия эффективность/стоимость.

- Создать и ввести в действие многопроцессорный аппаратно-программный комплекс.

- Провести анализ существующих алгоритмов обработки изображений, выбрать и разработать алгоритмы, эффективность которых может быть повышена за счет распараллеливания.

- Выбрать и разработать программное обеспечение, позволяющее реализовать параллельную обработку аэрокосмических изображений.

РОС НАЦИОНАЛЬНАЯ БИБЛИОТЕКА

2005

- Провести экспериментальные исследования по обработке реальных изображений, полученных методами дистанционного зондирования, с использованием распараллеливания вычислений. Проанализировать полученные результаты.

Экспериментальные исследования включали полевые и заверочные работы по изучению земных покрытий на территории, занимающей площадь около 3500 кв км., выполненные автором в 2003-2004гг.

Научное значение и новизна работы. В настоящей работе разработаны и реализованы на практике теория и методы предварительной и тематической параллельной обработки аэрокосмических изображений. Результаты исследований позволяют повысить эффективность и оперативность обработки данных дистанционного зондирования.

На защиту выносятся следующие оригинальные разработки и результаты:

- Методология расчета оптимальных параметров вычислительного кластера и оценки эффективности распараллеливания при использовании алгоритмов обработки изображений скользящими пространственными фильтрами.

- Алгоритм выделения малоразмерных объектов заданного размера на аэрокосмических изображениях, позволяющий достоверно выделять объекты с высокой точностью выделения контуров.

- Технология параллельного дешифрирования гиперспектральных изображений для выделения антропогенных и природных объектов характерных для средней полосы России.

Практическая часть работы заключалась в создании программно-аппаратного комплекса, обеспечивающего параллельную обработку данных дистанционного зондирования. Разработанные методы используются в лабораторных занятиях по следующим курсам для студентов факультета прикладной космонавтики МИИГАиК:

- Дешифрирование аэрокосмических снимков.

- Технология тематической обработки данных дистанционного зондирования.

Работы выполнялись в рамках федеральной научно-технической программы

«Интеграция».

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на 58 научно-технической конференции студентов, аспирантов и молодых ученых, проходившей в Московском Государственном университете геодезии и картографии (МИИГАиК), а так же на Международной научно-технической конференции, посвященной 225-летию со дня основании МИИГАиК.

Основные результаты выполненных исследований представлены в 5 научных статьях, опубликованных в открытой печати, и в методических указаниях по выполнению лабораторных работ.

Структура и объем диссертационной работы. Работа состоит из введения, трех глав, заключения, списка литературы и приложения. Диссертация изложена на 156 страницах текста, содержит 57 рисунков и 13 таблиц, приложение содержит 14 страниц. Список литературы включает 80 наименований, из них 32 на иностранных языках.

СОДЕРЖАНИЕ РАБОТЫ

Глава I. "Аналитический обзор многопроцессорных систем, методов автоматизированного дешифрирования аэрокосмических изображений и их реализация с использованием метода параллельных вычислений"

Классификациям многопроцессорных систем, их топологиям, сетевому оборудованию и построению параллельных вычислительных алгоритмов посвящено большое число публикаций. Их анализ показал, что вычислительные кластеры являются относительно недорогим заменителем суперкомпьютеров, чья производительность зависит от количества и производительности узлов и используемой коммуникационной сети. Вычислительный кластер - это образование из нескольких компьютеров, объединенных для решения одной задачи.

Анализ существующих методов автоматизированной обработки изображений позволил выявить, что к настоящему времени разработано большое число алгоритмов, которые могут быть успешно использованы при решении различных практических задач. Однако видно, что для повышения достоверности распознавания аэрокосмических данных требуются вычислительно-емкие алгоритмы. Возможности использования этих алгоритмов ограничиваются временными затратами на вычисление. Для эффективного использования этих методов нужно существенно сокращать временные затраты, что может быть достигнуто применением метода параллельных вычислений.

Под параллельными вычислениями можно понимать процессы решения задач, в которых в один и тот же момент времени могут выполняться одновременно несколько вычислительных операций.

Показано, что практическое использование гиперспектральных изображений затрудняется существенным увеличением объемов обрабатываемых данных, ограниченностью стандартных информационных технологий обработки и классификации данных. Развитие программно - аппаратных средств, в частности использование кластерных технологий, в области параллельной обработки данных дистанционного зондирования позволит расширить круг решаемых задач и повысить достоверность получаемых результатов.

Выводы. Выполненный обзор позволил изучить и проанализировать существующие многопроцессорные системы и различное программное обеспечение с целью выбора системы, являющейся оптимальной для решения задач обработки аэрокосмических изображений с точки зрения критерия эффективность/стоимость. В результате проведенного анализа методов автоматизированной обработки аэрокосмических изображений выбраны алгоритмы, эффективность которых может быть повышена за счет распараллеливания.

Глава П. "Программное обеспечение и аппаратная реализация вычислительного кластера МВС-1000"

На основе анализа архитектур многопроцессорных систем, выполненного в Главе 1, были выработаны определенные требования на основе критерия эффективность/стоимость к многопроцессорной системе, предназначенной для решения задач обработки аэрокосмических изображений. На основе этих требований был создан и введен в эксплуатацию вычислительный кластер, позволяющий сокращать время обработки аэрокосмических изображений за счет создания эффективных параллельных приложений.

Вычислительный кластер МВС-1000 - это многопроцессорная система, которая состоит из 15 узлов на базе Pentium III 866 МГц, с оперативной памятью 512 MB и жестким диском объемом 40 ГБ, а так же из управляющего вычислительного узла на базе 2 процессоров Pentium III 1 ГГц, оперативной памятью 4x512 МБ и жестким диском 73 ГБ (рис. 1.). Узлы соединены между собой двумя сетями Fast Ethernet. Производительность вычислительного кластера по тесту LINPACK составляет 6681.39 Mflop/s.

Все узлы кластера работают под управлением операционной системы Red Hat Linux 7.0, организация Рис. 1. Вычислительный параллельных вычислений осуществляется кластер МВС -1000. посредством интерфейса MPL Стандарт MPI представляет собой следующую модель программирования: параллельное приложение состоит из нескольких одновременно выполняемых процессов, которые обмениваются между собой данными с помощью сообщений, которые скрыты от пользователя. MPI поддерживает работу с языками C/C++ и Fortran. Эффективно алгоритм может быть распараллелен только при наличии в нем большой доли параллельных вычислений. Но даже задача, распараллеленная для работы на Р процессорах, никогда не выполняется в Р раз быстрее, чем на одном процессоре. Это хорошо иллюстрируется законом Амдала:

где S - ускорение работы программы на Р процессорах, a f- доля последовательных

вычислений в программе.

Из формулы (1) следует, что Р-кратное ускорение может быть достигнуто, только когда доля последовательных вычислений равна 0. Очевидно, что добиться этого практически невозможно.

Из таблицы 1 хорошо видно, что если доля последовательных вычислений составляет 2%, то более чем 50-кратное ускорение в принципе получить невозможно. С другой стороны, по-видимому, нецелесообразно запускать такую программу на 2048 процессорах с тем, чтобы получить 49-кратное ускорение. Тем не менее, такая задача достаточно эффективно будет выполняться на 16 процессорах, а в некоторых случаях потеря 37% производительности при выполнении задачи на 32 процессорах может быть вполне приемлемой. В некотором смысле, закон Амдала устанавливает предельное число процессоров, на котором программа будет выполняться с приемлемой эффективностью в зависимости от доли последовательных вычислений. Эта формула не учитывает накладные расходы на обмены между процессорами, поэтому в реальности выигрыш от использования параллельных вычислений может оказаться еще ниже.

Выводы. Созданный и введенный в эксплуатацию вычислительный кластер, является оптимальной 16-процессорной системой с точки зрения критерия эффективность/стоимость для решения задач обработки аэрокосмических изображений. Поскольку вычислительный кластер представляет собой систему с распределенной памятью, поэтому отсутствуют конфликты по доступу к памяти и система хорошо масштабируется. Библиотека параллельного программирования MPI является удобным и содержательным инструментом для создания распараллеленных алгоритмов. Создание эффективных параллельных приложений позволит существенно сократить временные затраты на обработку аэрокосмических изображений алгоритмами с высокой долей параллелизма.

Глава III. "Теоретические основы и экспериментальные исследования алгоритмов обработки аэрокосмических изображений методом параллельных

вычислений"

В настоящее время в процессе цифровой обработки аэрокосмических изображений применяются различные алгоритмы преобразований. Многие из них требуют больших временных затрат, особенно это относится к изображениям большого размера, таким как изображения с космического аппарата Landsat или снимки сверхвысокого разрешения, полученных со спутников Иконос или Quick Bird, размер которых превышает 250 МБ.

Одной из распространенных операций, применяемых при обработке изображений для подавления шумов, является медианная фильтрация, которая эффективно снижает уровень аддитивного шума и в тоже время сохраняет резкие перепады, а, следовательно, и границы однородных объектов. Медианная фильтрация широко используется в качестве метода предварительной обработки изображений для дальнейшего применения процедур сегментации (пороговой обработки, кластерного анализа и т.д.). Снижение уровня аддитивного шума приводит к уменьшению внутриклассовых значений среднеквадратичных отклонений (СКО) протяженных

объектов, что в свою очередь повышает вероятность их правильного распознавания при использовании процедур сегментации. Для решения вышеперечисленных задач используются медианные фильтры с различными размерами окна. С увеличением размера окна существенно возрастают временные затраты на выполнение обработки. На рисунке 2 приведен график зависимости скорости обработки изображения медианным фильтром от размера окна и размера изображения на одном процессоре. Из графика видно, что с увеличением размера окна с 3x3 до 7x7 временные затраты увеличиваются в 3-4 раза.

Так, например, медианная фильтрация используется как составная часть разностного алгоритма Розенфельда для выделения на изображении малоразмерных объектов. Для эффективной работы этого алгоритма размер окна должен быть, по крайней мере, вдвое больше размеров объектов. В этом случае медианный фильтр

ы ы

W

Рис. 2. График зависимости скорости обработки изображения медианным фильтром от размера окна и размера изображения на одном процессоре.

стирает объекты, линейные размеры которых меньше половины линейного размера его окна, соответственно на разностном изображении эти объекты будут выделены более ярким тоном. Большой размер окна требуется в случаях обработки аэрокосмических изображений сверхвысокого разрешения, так как объекты тематического дешифрирования определенного размера могут достигать несколько десятков пикселей.

Для снижения временных затрат на обработку изображений больших размеров алгоритмами фильтрации большими окнами целесообразно реализовывать распараллеливание этих алгоритмов.

Алгоритмы обработки изображений скользящими пространственными фильтрами характеризуются тем, что не требуют одновременного обращения ко всем элементам изображения (при обработке текущего пикселя используются данные из относительно небольшой окрестности вокруг него) и позволяет использовать построчное (постолбцовое) сканирование изображения. Поэтому эти алгоритмы прекрасно подходят для создания эффективных параллельных приложений, так как они легко построчно разбиваются на независимые, требующие одинакового времени выполнения блоки.

Для решения этой задачи автором были написаны программы (язык C++), позволяющие обрабатывать изображения большого размера посредством фильтрации скользящими порядковыми статистиками и медианной фильтрацией с любым необходимым размером окна. Распараллеливание осуществлялось с использованием библиотеки MPI. Для устранения стыковых эффектов при соединении обработанных блоков пересылка выполняется с перекрытием строк равным (w-l)/2, где w - размер окна используемого фильтра.

Для исследования скорости обработки аэрокосмических изображений большого размера алгоритмами фильтрации порядковыми статистиками были использованы фрагменты различного размера снимка Landsat 7 на территорию Москвы размером 10000*10000 пикселей.

Так, например, результаты обработки фрагмента изображения размером 6000x6000 пикселей медианной фильтрацией окном 5x5 в зависимости от количества задействованных узлов представлены на рисунке 3. На рисунке 4 приведен график зависимости скорости обработки фрагмента изображения размером 8000x8000 пикселей фильтрацией скользящими порядковыми статистиками размером окна 7x7 в зависимости от количества узлов.

По результатам экспериментального исследования можно сделать вывод, что реализованное распараллеливание алгоритмов фильтрации скользящими порядковыми статистиками позволяет сократить времл обработки почти в 7 раз. То есть для снижения временных затрат на обработку больших аэрокосмических изображений фильтрацией скользящими порядковыми статистиками целесообразно использовать реализованный распараллеленный алгоритм, особенно при использовании окон больших размеров. Из графиков, представленных на рисунках 3, 4 видно, что существует определенный предел узлов, при использовании которых можно получить значительный выигрыш во времени, а дальнейшее их увеличение нецелесообразно. Поэтому необходимо знать оптимальное количество узлов для получения приемлемого выигрыша.

Теоретически нами была выведена новая формула и ее экспериментальная проверка показала, что данная формула позволяет рассчитывать оптимальную конфигурацию системы и оценивать эффективность распараллеленных алгоритмов обработки изображений скользящими пространственными фильтрами. Эха формула имеет силу для систем с распределенной памятью, т.е. систем, где процессоры общаются посредствам передачи сообщений, при распараллеливании алгоритма фильтрации скользящими порядковыми статистиками по данным.

Введем следующие обозначения:

- время обработки одной строки (столбца) данных; 1пср - время пересылки одной строки (столбца) данных (включлет в себя время пересылки при разбиении данных, время пересылки при сборке данных);

- размер окна используемого пространственного фильтра;

- число задействованных процессоров;

- число строк (столбцов) обрабатываемого изображения.

С учетом введенных обозначений время выполнения пространственной фильтрации на одном процессоре будет определяться следующим выражением:

Соответственно время выполнения с использованием распараллеливания на 1 процессорах определяется выражением:

Тпар = ^п'ПЛ+1,1ср-П+1|гер-1^ - 1) (3)

Из выражений 2 и 3 получаем коэффициент К - выигрыш от использования

Введем параметр равный отношению времени пересылки ко времели выполнения:

с учетом введенных обозначений коэффициент К будет определяться выражением:

(2)

параллельной обработки:

(4)

К=

1

(5)

Анализ выражения (5) показывает, что при значениях (то есть, если время пересылки больше или равно времени выполнения) значение К ни при каких условиях не может быть больше 1 и, следовательно, использование параллельной обработки приведет не к ускорению, а к замедлению выполнения обработки. Выигрыш К будет стремиться к 1, если отношение времени пересылки к времени выполнения I -» 0.

На рисунках 5-11 показаны графики зависимости выигрыша К от числа процессоров 1, построенные по формуле (5) для различных значений параметров 1, п и

Рис. 11. Графики зависимости выигрыша К от числа процессоров 1,1=0 1, п=6000, \у=2 1.

Анализ графиков зависимости выигрыша К от числа процессоров 1 показывает, что вначале координат увеличение числа процессоров приводит к повышению выигрыша за счет распараллеливания, затем кривая выигрыша К достигает плавного максимума, за которым следует медленный спад. Основным параметром, определяющим максимальный выигрыш за счет распараллеливания обработки изображений скользящими фильтрами, является отношение времени пересылки к времени выполнения.

Продифференцировав выражение (5) по 1, приравняв производную нулю и решив полученное уравнение относительно 1, получим выражение, определяющее

число процессоров распараллеливания:

I

соответствующее максимальному выигрышу за счет

Подставив значение 1тах из выражения (6) в формулу (5), получим выражение для определения максимального значения выигрыша

Из анализа выражений (6) и (7) видно, что возможности повышения эффективности обработки за счет использования большего числа процессоров возрастают с увеличением размера обрабатываемого изображения п. Для близких к нулю значений отношения t/n, что соответствует обработке изображений большого размера, можно пренебречь первым членом в знаменателе выражения (7) в результате

чего выражение для определения максимального значения выигрыша Кш^, упростится и примет следующий вид:

На рисунке 12 показан график зависимости Кпш от отношения времени пересылки к времени выполнения 1, построенный по формуле (8). Как уже упоминалось выше для значений 1 больше или равных 1 значение выигрыша от распараллеливания не превышает 1. Из графика, представленного на рисунке 12 видно, что для значений 1 меньших 1 наблюдается плавное повышение максимального значения выигрыша от распараллеливания от 1 до 5 на уровне I = 0.2. При дальнейшем снижении значения 1 значение Кщщ растет все более резко по мере

приближения 1 к нулю. Из проведенного анализа можно сделать вывод о невысокой эффективности распараллеливания

обработки изображений скользящими пространственными фильтрами при 1 > 0.2 и ее целесообразности при более низких значениях 1.

Результаты анализа показывают, что эффективность использования

распараллеливания алгоритмов обработки изображений скользящими

пространственными фильтрами резко возрастает с уменьшением отношения времени пересылки к времени выполнения 1 в интервале значений 0.2 - 0. Для алгоритмов фильтрации скользящими окнами время выполнения возрастает пропорционально квадрату линейного размера окна, поэтому распараллеливание наиболее эффективно при использовании фильтров с окнами большого размера. Среди широко используемых пространственных фильтров есть относительно простые в вычислительном отношении (например, фильтрация скользящим средним), для которых использование распараллеливания малоэффективно. С другой стороны, распараллеливание позволит существенно сократить время выполнения более сложных алгоритмов пространственной фильтрации, таких как медианная фильтрация или фильтрация скользящим среднеквадратичным отклонением, применяемая для оценки текстурных свойств объектов, особенно при использовании больших скользящих окон для обработки изображений большого размера.

Полученные в работе формулы позволяют рассчитывать оптимальную конфигурацию системы и оценивать эффективность распараллеленных алгоритмов для конкретных видов предварительной обработки изображений скользящими пространственными фильтрами. Построение графиков позволяет найти оптимальное соотношение необходимого числа процессоров и приемлемого выигрыша.

На основе алгоритмов фильтрации скользящими окнами автором была разработана методика выделения объектов заданного размера, которая позволяет достоверно выделять объекты интереса с высокой точностью выделения контура. Для этих целей могут быть использованы аэроснимки и космические снимки земной

поверхности сверхвысокого разрешения (порядка 1м). В работе были использованы аэроснимки и снимки с космического аппарата Иконос.

При визуальной интерпретации выделение, например, зданий не вызывает затруднений, так как они легко дешифрируются по белому (почти белому) тону, характерной форме и размеру, а также по приуроченности к автомобильным дорогам. Однако, автоматизированные методы дешифрирования, например, посредством классификации исходного изображения методом пороговой обработки или кластерного анализа не позволяют достичь удовлетворительного результата, так как, наряду со зданиями, выделяются участки открытого грунта и автомобильных дорог, так как их тон практически совпадает с тоном зданий. Поэтому для автоматического выделения зданий исходные изображения должны быть подвергнуты предварительной обработке, с целью получения модифицированных изображений с более контрастированными строениями сельского типа. Для решения этой задачи обычно используется разностный алгоритм Розенфельда.

В данной работе для автоматизированного обнаружения зданий сельского типа, которые характеризуются определенными линейными размерами (примерно 12 пикселей), предлагается модифицированный разностный алгоритм. Эффективность предложенного алгоритма была экспериментально исследована на примере дешифрирования аэроснимка, фрагмент которого представлен на рисунке 13.

На первом этапе исходное изображение обрабатывается медианными фильтрами с двумя различными размерами окон 25x25 элементов и 11x11 элементов. В результате получается два модифицированных изображения, причем на первом будут сглажены все объекты с линейными размерами менее 13 пикселей, на втором менее 6 пикселей. На втором этапе вычисляется разность между вторым и первым изображением, полученным на первом этапе. Двукратное применение медианной фильтрации позволяет избежать контрастирования ярких объектов, размер которых меньше размера зданий сельского типа. На третьем этапе полученное разностное изображение подвергается пороговой обработке.

Анализ результата работы этого алгоритма показывает, что он позволяет в автоматизированном режиме с высокой вероятностью правильного обнаружения (90%) выделять здания сельского типа. Вместе с тем применение медианной фильтрации с большим размером окна приводит к снижению разрешающей способности и, как следствие, к потере информации о контурах зданий. Поэтому автором был предложен оригинальный разностный алгоритм с использованием двойной пороговой обработки, позволяющий автоматизировано выделять здания с сохранением значения разрешающей способности исходного снимка.

При использовании этого алгоритма изображение, полученное после первой пороговой обработки, на четвертом этапе обрабатывается максимизирующим фильтром с большим размером окна (в два раза превышающим размер выделяемых объектов). Полученное изображение умножается на исходное. В результате получается изображение, на котором выделены небольшие участки, содержащие здания сельского типа, и сохранена разрешающая способность исходного снимка. Подвергнув полученное изображение пороговой обработке, получаем окончательный результат, представленный на рисунке 15. Для случая использования космических снимков сверхвысокого разрешения, пример представлен на рисунке 14, результат работы предложенного алгоритма изображен на рисунке 16.

Анализ полученных результатов показывает, что использование этого алгоритма позволяет решить задачу автоматизированного выделения зданий сельского типа с высокой достоверностью и точностью выделения контура строений, определяемой значением разрешающей способности исходного снимка.

Рис. 15. Результат обработки

модифицированным разностным алгоритмом с двойной пороговой обработкой аэроснимка.

Рис. 16. Результат обработки

модифицированным разностным алгоритмом с двойной пороговой обработкой космического снимка.

Обработка изображений земной поверхности большого размера требует, соответственно, больших временных затрат. Время работы алгоритма определяется в основном временем выполнения медианной фильтрации на первом этапе фильтрами с большими размерами скользящих окон (во втором случае 7x7 и 11x11 элементов, в первом 25x25 и 12x12 элементов). При обработке изображений больших размеров

порядка 750 MGb алгоритмами, в состав которых входит медианная фильтрация с большими размерами скользящих окон, весьма актуальной является проблема снижения временных затрат на выполнение вычислений. Для снижения времени выполнения алгоритма можно использовать распараллеливание вычислений.

Анализ блок-схемы алгоритма, представленного на рисунке 17, показывает, что возможности его алгоритмического распараллеливания ограничены. Распараллеливание всего алгоритма является не целесообразным по двум причинам. Во-первых, это потребует распределения первого этапа обработки между двумя процессорами, что значительно снизит производительность, поскольку все этапы требуют разного времени выполнения, а первый этап наиболее продолжительный по времени. Остальные этапы не требуют больших временных затрат. Во-вторых, сама задача обработки ставит необходимое условие интерактивности, начиная с третьего этапа, предложенного алгоритма.

Наиболее целесообразным является построчное распараллеливание по данным первого этапа, представленного алгоритма, путем разбиения изображения на независимые, требующие одинакового времени выполнения блоки. После чего эти блоки подвергаются медианной фильтрации с двумя разными размерами окон каждый на своем узле кластера. Затем обработанные блоки соединяются в изображение.

Другой возможный вариант распараллеливания предложенного алгоритма состоит в одновременной, а не последовательной, обработке изображения медианными фильтрами с разным размером окна на вычислительных узлах кластера. На рисунке 18 представлена блок-схема потактового разбиения предложенного алгоритма распараллеливания.

Семь узлов вычислительного кластера предоставляются для обработки изображения медианным фильтром с одним размером окна, а другие семь узлов - с другим размером окна. Управляющий узел рассылает сначала изображение на первые семь узлов, и узлы начинают фильтрацию изображения меньшим размером окна. В это время управляющий узел рассылает изображение на другие семь узлов и на них начинается фильтрация изображения с большим размером окна. Когда первая группа процессоров заканчивает обработку, управляющий узел собирает результирующее

изображение. Только после этого он собирает результирующее изображение с другой группы процессоров. Затем управляющий узел вычитает одно изображение из другого и на выходе получает результирующее изображение второго этапа обработки предложенного алгоритма.

Рассылка изображения первой группе

Обработка первой группой изображения с меньшим размером окна

Рассылка изображения второй группе

Разностное изображение

Сбор данных от второй группы

Сбор данных от первой группы

Обработка второй группой изображения с большим размером окна

Рис. 18. Блок-схема алгоритма распараллеливания первого этапа технологии вьщеления объектов заданного размера.

Разработанная технология позволяет решить задачу автоматизированного дешифрирования выделения объектов заданного размера. Данный алгоритм автоматизировано выделяет, например здания, с высокой точностью выделения контура строений, определяемой разрешающей способности исходного снимка. Предложенная модель распараллеливания позволяет сократить время работы предложенного алгоритма, по сравнению с его последовательным вариантом.

В работе была предложена новая технология обработки гиперспектральных изображений с использованием метода параллельных вычислений, рассмотренная на примере изображений на территорию Серпуховского района Московской области.

Исходными данными для дешифрирования являлись гиперспектральные изображения, полученные в сентябре 2003 года с датчика ASTER, установленного на борту спутника Terra. ASTER позволяет получать снимки высокого пространственного разрешения (15 - 90 м) в 14 спектральных диапазонах от видимого до теплового инфракрасного.

Для дешифрирования использовались 9 изображений, полученных в каналах 1 -9. На снимках отображена территория размером около 3500 кв. км.

На основе выборочного визуального дешифрирования снимков, анализа соответствующего картографического материала и проведенных автором детальных полевых исследований местности были определены тестовые участки для следующих типов объектов: объекты гидрографии; асфальтовые покрытия; здания городского типа; промышленные зоны; садово-огородные участки и населенные пункты сельского типа; сосновые леса; сосново-березовые леса; березо-сосновые леса; березо-осиновые леса; луга; пашни. Для каждого объекта определялось несколько тестовых участков, для того чтобы часть из них использовать при построении классификатора, а по оставшимся проводить оценку достоверности дешифрирования. В интерактивном режиме на исходных снимках были построены зоны, соответствующие тестовым участкам, а затем в автоматическом режиме выполнена контролируемая классификация по методу максимального правдоподобия.

Анализ результата дешифрирования показал, что контролируемая классификация по методу максимального правдоподобия с использованием в качестве системы дешифровочных цифровых признаков исходных изображений в различных спектральных диапазонах позволяет достичь средней вероятности правильного распознавания порядка 80%.

Повышение достоверности распознавания может быть достигнуто за счет использования модифицированных признаков, получаемых путем различных видов фильтрации исходных изображений. Вероятность правильного распознавания протяженных объектов (лесная растительность, луга, пашни) может быть повышена при использовании медианной фильтрации, снижающей внутриклассовые среднеквадратичные отклонения. Для более уверенного выделения асфальтовых покрытий, городских зданий, промышленных зон целесообразно использование различных текстурных признаков. Из необходимости применения различных систем признаков для классификации разных объектов логичным образом возникает идея построения многоуровневого классификатора.

Исходя из анализа статистических характеристик дешифрируемых классов объектов, был разработан следующий многоуровневый комплексный классификатор.

Для выделения объектов гидрографии используются изображения диапазонов 1, 2, 3, 4, 7. На основе имеющихся тестовых участков выполняется контролируемая классификация объектов гидрографии. Полученное бинарное изображение объектов гидрографии последовательно подвергается обработке максимизирующим фильтром с размером окна 3x3, минимизирующим фильтром с размером окна 3x3, и медианным фильтром с размером окна 5x5 элементов изображения. Применение максимизирующей фильтрации к классифицированному изображению объектов гидрографии позволяет устранить имеющиеся на них разрывы, но приводит к их расширению. Последующее применение минимизирующей фильтрации восстанавливает их первоначальный размер. Дополнительное применение медианной фильтрации устраняет участки небольшого размера классифицируемые, как объекты гидрографии.

Для выделения асфальтовых покрытий, городских зданий, промзон и населенных пунктов сельского типа целесообразно использовать исходные изображения диапазонов 1 - 9 и результат фильтрации изображения во втором диапазоне скользящим среднеквадратичным отклонением с размером окна 5x5 элементов. Использование дополнительного признака, содержащего информацию о текстурных особенностях объектов, позволяет повысить вероятность их правильного распознавания, так как эти объекты характеризуются повышенным значением разброса интенсивности в красной зоне спектрального диапазона.

Выделение лесной растительности, лугов и пашен более эффективно осуществлять по изображения диапазонов 1-9, обработанных медианным фильтром 3x3 элемента.

В результате выполнения трех этапов получаются три классифицированных изображения, которые затем собираются в одно по следующему алгоритму. И классифицированного изображения лесной растительности, лугов и пашен вычитается классифицированное изображение асфальтовых покрытий, городских зданий, промзон и населенных пунктов сельского типа, после чего эти изображения складываются. Из результирующего изображения вычитается классифицированное изображение объектов гидрографии, которое складывается с предыдущим

результатом. В результате использования комплексного многоуровневого классификатора удалось повысить среднюю вероятность правильного распознавания до 85%. Сравнение результатов дешифрирования показывает, что применение комплексного многоуровневого классификатора позволило существенно понизить перепутывание таких классов, как асфальт, луга и пашни. Повысилась достоверность выделения объектов гидрографии и лесной растительности.

Рис. 19. Блок-схема предложенной модели распараллеливания.

Увеличение временных затрат на использование комплексного алгоритма можно компенсировать за счет распараллеливания вычислений. Описанный алгоритм логичным образом распараллеливается на три процессора. Блок-схема алгоритма показана на рисунке 19. Для данной задачи выигрыш по времени не может превысить 3 раз (по закону Амдала). Экспериментальное исследование показало, что скорость обработки за счет предложенной модели распараллеливания составляет в 1.6 - 1.7 раза. Относительно невысокий выигрыш во времени объясняется тем, что в данном конкретном случае осуществлялось разделение на 11 классов, в том числе 4 класса лесной растительности, дешифрируемые по одной схеме. Использование предложенной технологической модели распараллеливания в случае большего числа

дешифрируемых классов или состава классов, требующего более дифференцированного подхода к их дешифрированию, приведет к соответственному увеличению теоретически достижимого временного выигрыша.

Выводы. Разработанная методология расчета оптимальных параметров вычислительного кластера и оценки эффективности распараллеливания алгоритмов обработки изображений скользящими пространственными фильтрами может быть использована при создании кластерных систем и модернизации существующих для решения определенных задач предварительной обработки аэрокосмических изображении.

Предложенный алгоритм выделения малоразмерных объектов заданного размера на аэрокосмических изображениях можно применять для различных задач тематического дешифрирования, например выделение зданий, при оценке жилого фонда, и других антропогенных объектов или площадей вырубок, при оценке лесного фонда.

Технология параллельного дешифрирования гиперспектральных изображений, предложенная в работе, может найти свое применение для решения широкого круга задач картографии, исследования природных ресурсов, в лесном и сельском хозяйствах.

Возможны следующие направления использования:

- Региональные центры приема и обработки аэрокосмической информации;

- Высокопроизводительные центры по обработке аэрокосмической информации;

- Центры обработки мониторинговой информации об окружающей среде;

- При подготовке специалистов в области тематической высокопроизводительной обработки аэрокосмических изображений.

Заключение

В ходе научно-исследовательских работ решена основная задача диссертации -разработана технология высокопроизводительной обработки аэрокосмических изображений с использованием метода параллельных вычислений.

В работе получены следующие основные результаты:

- Изучены и проанализированы существующие варианты программного обеспечения и аппаратной реализации многопроцессорных систем с точки зрения выбора системы, обеспечивающей решение задач высокопроизводительной обработки аэрокосмической информации и являющейся оптимальной на основе критерия эффективность/стоимость.

- Создан и введен в эксплуатацию многопроцессорный аппаратно-программный комплекс.

- Проведен анализ существующих алгоритмов обработки изображений, выбраны и разработаны алгоритмы, эффективность которых может быть повышена за счет распараллеливания.

- Реализовано программное обеспечение, позволяющее использовать параллельную обработку аэрокосмических изображений.

»2242*

- Проведены экспериментальные исследования по обработке реальных аэрокосмических изображений, полученных методами дистанционного зондирования, с использованием распараллеливания вычислений. Проанализированы полученные результаты.

Публикации. По результатам проведенных научных исследований и разработок, автором опубликованы следующие научные работы:

1. Кочнова И.В. Экспериментальные исследования обрушений ветровых волн в прибрежной зоне // Abstracts ofThe third International Iran and Russia Conference. Agriculture and Natural Resources. Сборник докладов. М.: MTAA, 2002.-с. 240-241.

2. Кочнова И.В. Высокопроизводительная обработка изображений методом параллельных вычислений // Известия высших учебных заведений. Геодезия и аэрофотосъемка. Спец. выпуск: сборник докладов 58 научно-технической конференции студентов, аспирантов и молодых ученых МИИГАиК-М.:МИИГАиК,2003-с. 161-167.

3. Кочнова И.В. Развитие в МИИГАиК систем высокопроизводительной обработки изображений, использующих метод параллельных вычислений // Труды международной научно-технической конференции, посвященной 225 МИИГАяК - М.: МИИГАиК, 2004 - с. 88-91.

4. Кочнова И.В. Использование комплексных алгоритмов классификации для автоматизированного дешифрирования радиолокационных изображений земной поверхности сверхвысокого разрешения // Труды международной научно-технической конференции, посвященной 225 МИИГАиК - М.: МИИГАиК, 2004 - с. 265-271. (Соавторы Малинников ВА, Марчуков B.C.)

5. Кочнова И.В. Автоматизированное выделение объектов заданного размера на аэрокосмических изображениях с использованием параллельной обработки // Известия высших учебных заведений. Геодезия и аэрофотосъемка. № 3 - М.: МИИГАиК, 2004 - с. 151-157. (Соавтор Марчуков B.C.).

6. Кочнова И.В. Проблемы распараллеливания в задачах предварительной обработки изображений скользящими пространственными фильтрами // Известия высших учебных заведений. Геодезия и аэрофотосъемка. №6 - М.: МИИГАиК, 2004 (Соавторы Малинников В.А., Марчуков B.C.).

7. Кочнова И.В. Предварительная обработка космических снимков размером более 20 МТБ медианным фильтром с большим размером окна на кластере рабочих станций с использованием параллельных вычислений: Методические указания. М.: МГУГиК, 2004. - 7 с. (Соавторы Малинников

В.А., Марчуков B.C.)

МГУГиК

105064, Москва К-64, Гороховский пер., 4

2005-4

24112

Подп. к печати 01.11.2004 Формат 60x90 Бумага офсетная Печ. л. 1,25 Уч.-изд. л. 1,25 Тираж 80 экз. Заказ Кг 198 Цена договорная

Содержание диссертации, кандидата технических наук, Кочнова, Ирина Владимировна

ВВЕДЕНИЕ -.

ГЛАВА I. Аналитический обзор многопроцессорных систем, методов автоматизированного дешифрирования аэрокосмических изображений и их реализация с использованием метода параллельных вычислений

1.1. Аналитический обзор многопроцессорных систем, их классификация

1.2. Методы и алгоритмы автоматизированного дешифрирования аэрокосмических изображений

1.2.1. Алгоритмы фильтрации и улучшения качества изображений

1.2.2. Алгоритмы сегментации изображений

1.2.3. Методы обработки гиперспектральных изображений

1.3. Применение параллельных вычислений в задачах автоматизированной обработки аэрокосмических изображений

ГЛАВА II. Программное обеспечение и аппаратная реализация вычислительного кластера

2.1. Аппаратная реализация вычислительного кластера

2.2. Программное обеспечение вычислительного кластера

2.2.1. Структура программного обеспечения вычислительного кластера

2.2.2. Операционная система вычислительного кластера

2.3. Система параллельного программирования MPI

2.3.1. Общие положения MPI

2.3.2. Типы обмена данными в MPI

2.4. Производительность вычислительного кластера МВС-1000 и эффективность параллельных программ

2.4.1. Оценка производительности вычислительного

I^JTcl С Т cl б б

2.4.2. Эффективность параллельных программ

ГЛАВА III. Теоретические основы и экспериментальные исследования алгоритмов высокопроизводительной обработки аэрокосмических изображений методом параллельных вычислений

3.1. Применение метода параллельных вычислений для алгоритмов фильтрации скользящими порядковыми статистиками

3.2. Методология расчета оптимальных параметров вычислительного кластера и оценки эффективности распараллеливания алгоритмов обработки аэрокосмических изображений скользящими пространственными фильтрами

3.3. Алгоритм выделения малоразмерных объектов заданного размера на аэрокосмических изображениях

3.4. Технология параллельного дешифрирования гиперспектральных изображений для выделения антропогенных и природных объектов характерных для средней полосы России

Введение Диссертация по наукам о земле, на тему "Разработка технологии высокопроизводительной обработки аэрокосмических изображений методом параллельных вычислений"

Интенсивное развитие средств дистанционного зондирования Земли аэрокосмического базирования, увеличение объемов и информативности аэрокосмической информации приводит к непрерывному расширению круга задач, решаемых с использованием данных дистанционного зондирования. Дистанционное зондирование из космоса находит все более широкое применение при решении задач контроля загрязнений окружающей среды, в картографии, в исследованиях природных ресурсов, климатологии, океанографии, для мониторинга земной поверхности, для наблюдения за пожарами и др. Необходимость обработки больших объемов данных и требования к оперативности получения результатов обуславливают интенсивное внедрение компьютерных технологий обработки изображений. Несмотря на стремительный прогресс в развитии аппаратных компьютерных средств, возможностей даже самых быстродействующих компьютеров последовательной архитектуры не достаточно для оперативного решения ряда задач обработки изображений, полученных методами дистанционного зондирования. Для решения задач анализа, преобразования и обработки большого объема аэрокосмической информации с минимальными временными затратами требуется мобилизации всех возможностей доступных аппаратно-программных средств. На сегодняшний день средствами, позволяющими существенно время вычислений, являются высокопроизводительные многопроцессорные системы различных архитектур, в частности вычислительный кластер, который при относительно невысокой стоимости обеспечивает высокопроизводительную обработку изображений.

Несмотря на то, что сами по себе вопросы компьютерной обработки изображений и распараллеливания вычислений достаточно хорошо изучены, вопросы применения различных алгоритмов распараллеливания для решения реальных задач обработки изображений рассмотрены явно недостаточно. Поэтому задача создания технологии высокопроизводительной обработки аэрокосмических изображений с использованием параллельных вычислений является весьма актуальной.

Методы обработки аэрокосмических изображений разделяются на два класса: предварительной (первичной) обработки изображений, и тематической обработки (дешифрирования) изображений. Для повышения производительности методов обработки аэрокосмических изображений было необходимо провести исследования методов распараллеливания вычислений и создать оптимальные или близкие к ним методы обработки изображений с использованием распараллеливания, значительно повышающие эффективность процедур обработки аэрокосмических изображений.

Целью диссертационной работы является разработка технологии высокопроизводительной обработки аэрокосмических изображений с использованием метода параллельных вычислений .

Для достижения поставленной цели необходимо было решить следующие задачи:

Проанализировать существующее программное обеспечение и архитектуры многопроцессорных систем для выбора системы, обеспечивающей решение задач высокопроизводительной обработки аэрокосмической информации и оптимальной с точки зрения критерия эффективность/стоимость.

Создать и ввести в действие многопроцессорный аппаратно-программный комплекс.

Провести анализ существующих алгоритмов обработки изображений, выбрать и разработать алгоритмы, эффективность которых может быть повышена за счет распараллеливания.

Выбрать и разработать программное обеспечение, позволяющее реализовать параллельную обработку аэрокосмических изображений.

Провести экспериментальные исследования по обработке реальных изображений, полученных методами дистанционного зондирования, с использованием метода параллелельных вычислений. Проанализировать полученные результаты.

При решении поставленных задач использовались методы теории информации, математической статистики, дешифрирования и обработки изображений. Экспериментальные исследования включали полевые и заверочные работы по изучению земных покрытий на территории, занимающей площадь около 3500 кв.км., выполненные автором в 2003-2004гг.

Результаты исследований изложены в трех главах.

В первой главе рассмотрены существующие многопроцессорные системы, методы и алгоритмы распараллеливания в задачах обработки изображений. Рассмотрены современная технология и методы предварительной и тематической обработки аэрокосмических изображений. Выполненный обзор позволил изучить и проанализировать существующие многопроцессорные системы и различное программное обеспечение с целью выбора системы, являющейся оптимальной для решения задач обработки аэрокосмических изображений с точки зрения критерия эффективность/стоимость . В результате проведенного анализа методов автоматизированной обработки аэрокосмических изображений выбраны алгоритмы, эффективность которых может быть повышена за счет распараллеливания.

В Главе II приведено описание созданного и введенного в действие многопроцессорного комплекса, его программного обеспечения и основных принципов его работы. На основе анализа архитектур многопроцессорных систем, выполненного в Главе 1, были выработаны определенные требования на основе критерия эффективность/стоимость к многопроцессорной системе, предназначенной для решения задач обработки аэрокосмических изображений. На основе этих требований был создан и введен в эксплуатацию вычислительный кластер, позволяющий сокращать время обработки аэрокосмических изображений за счет создания эффективных параллельных приложений .

В главе III описана разработанная методология выбора оптимальных параметров вычислительного кластера и расчета эффективности распараллеливания алгоритмов обработки изображений скользящими пространственными фильтрами. Подробно описан разработанный автором алгоритм автоматизированного выделения малоразмерных объектов заданного размера, позволяющий с высокой достоверностью выделять малоразмерные объекты с сохранением разрешающей способности исходных снимков. Приведены результаты экспериментальных исследований его работы на реальных аэрокосмических изображениях. Изложена разработанная технология параллельного дешифрирования гиперспектральных изображений высокого разрешения для выделения набора объектов характерных для средней полосы России.

Научное значение и новизна работы. В настоящей работе разработаны и реализованы на практике теория и методы предварительной и тематической параллельной обработки аэрокосмических изображений. Результаты исследований позволяют повысить эффективность и оперативность обработки данных дистанционного зондирования.

На защиту выносятся следующие оригинальные разработки и результаты:

- Методология расчета оптимальных параметров вычислительного кластера и оценки эффективности распараллеливания при использовании алгоритмов обработки аэрокосмических изображений скользящими пространственными фильтрами.

- Алгоритм выделения малоразмерных объектов заданного размера на аэрокосмических изображениях, позволяющий достоверно выделять объекты с высокой точностью выделения контуров.

Технология параллельного дешифрирования гиперспектральных изображений для выделения антропогенных и природных объектов характерных для средней полосы России.

Практическая часть работы заключалась в создании программно-аппаратного комплекса, обеспечивающего параллельную обработку данных дистанционного зондирования. Разработанные методы используются в лабораторных занятиях по следующим курсам для студентов факультета прикладной космонавтики МИИГАиК:

- Дешифрирование аэрокосмических снимков.

- Технология тематической обработки данных дистанционного зондирования.

Работы выполнялись в рамках федеральной научно-технической программы «Интеграция».

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались:

- на 58 научно-технической конференции студентов, аспирантов и молодых ученых, проходившей в Московском Государственном университете геодезии и картографии (МИИГАиК); на Международной научно-технической конференции, посвященной 225-летию со дня основании МИИГАиК.

Основные результаты выполненных исследований представлены в 5 научных статьях, опубликованных в открытой печати, и в методических указаниях по выполнению лабораторных работ.

Структура и объем диссертационной работы.

Работа состоит из введения, трех глав, заключения, списка литературы и приложения.

Диссертация изложена на 156 страницах текста, содержит 57 рисунков и 13 таблиц, приложение содержит 14 страниц. Список литературы включает 80 наименований, из них 32 на иностранных языках, на б страницах.

Автор выражает благодарность научному руководителю доктору технических наук, профессору Малинникову В.А., а так же к.т.н. Марчукову B.C. и к.т.н. Меньшикову К.С. за постоянную поддержку, помощь и консультации в процессе работы. Автор признателен д.т.н., профессору Журкину И.Г. за поддержку выбранного направления исследований на 58 научно-технической конференции студентов, аспирантов и молодых ученых, проходившей в Московском Государственном университете геодезии и картографии (МИИГАиК).

Автор считает своим долгом поблагодарить Институт прикладной математики им. М.В. Келдыша РАН и лично Лациса А.О., Абрамову В.А. за плодотворное сотрудничество по введению в эксплуатацию вычислительного кластера.

Неоценимую помощь в исследовании местности Серпуховского района оказали Кочнов В.Б. и Кочнова Е.В., которых автор сердечно благодарит.

Заключение Диссертация по теме "Аэрокосмические исследования земли, фотограмметрия", Кочнова, Ирина Владимировна

Выводы. Разработанная методология расчета оптимальных параметров вычислительного кластера и оценки эффективности распараллеливания алгоритмов обработки изображений скользящими пространственными фильтрами может быть использована при создании кластерных систем и модернизации существующих для решения определенных задач предварительной обработки аэрокосмических изображении.

Предложенный алгоритм выделения малоразмерных объектов заданного размера на аэрокосмических изображениях можно применять для различных задач тематического дешифрирования, например выделение зданий, при оценке жилого фонда, и других антропогенных объектов или площадей вырубок, при оценке лесного фонда.

Технология параллельного дешифрирования гиперспектральных изображений, предложенная в работе, может найти свое применение для решения широкого круга задач картографии, исследования природных ресурсов, в лесном и сельском хозяйствах.

Возможны следующие направления использования: региональные центры приема и обработки аэрокосмической информации; высокопроизводительные центры по обработке аэрокосмической информации; центры обработки мониторинговой информации об окружающей среде; при подготовке специалистов в области тематической вы сокопроизводительной обработки аэрокосмических изобра жений.

Заключение

В ходе научно-исследовательских работ решена основная задача диссертации - разработана технология высокопроизводительной обработки аэрокосмических изображений с использованием метода параллельных вычислений.

В работе получены следующие основные результаты:

Изучены и проанализированы существующие варианты программного обеспечения и аппаратной реализации многопроцессорных систем с точки зрения выбора системы, обеспечивающей решение задач высокопроизводительной обработки аэрокосмической информации и являющейся оптимальной на основе критерия эффективность/стоимость.

Создан и введен в эксплуатацию многопроцессорный аппаратно-программный комплекс.

Проведен анализ существующих алгоритмов обработки изображений, выбраны и разработаны алгоритмы, эффективность которых может быть повышена за счет распараллеливания .

Реализовано программное обеспечение, позволяющее использовать параллельную обработку аэрокосмических изображений.

Проведены экспериментальные исследования по обработке реальных аэрокосмических изображений, полученных методами дистанционного зондирования, с использованием распараллеливания вычислений. Проанализированы полученные результаты.

Библиография Диссертация по наукам о земле, кандидата технических наук, Кочнова, Ирина Владимировна, Москва

1. - Аковецкий В.И. Дешифрирование снимков. М. : Недра, 1980. - 385 с.

2. Амамия М., Танака Ю. Архитектура ЭВМ и искусственный интеллект. - М.: Мир, 1993. - 400 с.

3. Андрианов А.Н., Бугеря А.Б., Ефимкин К.Н. и др. Норма. Описание языка. Рабочий стандарт. - Препринт ИПМ им. М.В. Келдыша РАН, № 120, 1995. - 50с.

4. Антонов А. С. Введение в параллельные вычисления: методическое пособие. - Изд-во Физического факультета МГУ, 2002. - 70 с.

5. Антонов А. С. Параллельное программирование с использованием технологии MPI: учебное пособие. М. : Изд. МГУ, 2004. - 71 с.

6. Богомолов А.А. Дешифрирование снимков. М. : Недра, 1976. - 298 с.

7. Борисенко В. И., Златопольский А. А., Мучник И. Б. Сегментация изображения (состояние проблемы) // Автоматика и телемеханика. - М. : Наука, 1987. - с. 3- 56.

8. Букатов А.А., Дацюк В.Н., Жегуло А. И. Программирование многопроцессорных вычислительных систем. - Ростов-на-Дону: Изд-во ООО «ЦВВР», 2003. -208 с.

9. Бучнев А.А., Ким П.А., Пяткин В. П. Параллельная обработка аэрокосмических изображений на высокопроизводительной гетерогенной вычислительной сети. Исследование Земли из космоса, №2, 2002. - с. 46- 51.

10. Верещака Т.В., Зверев А.Т., Сладкопевцев С. А., Судакова С.С. Визуальные методы дешифрирования. М. : Недра, 1990. - 339 с.

11. Воеводин В.В., Воеводин Вл.В. Параллельные вычисления. - СПб.: БХВ-Петербург, 2002. - 608 с.

12. Воеводин Вл. В., Капитонова А.П. Методы описания и классификации архитектур вычислительных систем. - М. : МГУ, 1994г. - 79 с.

13. Высокоскоростные вычисления. Архитектура, производительность, прикладные алгоритмы и программы суперЭВМ: пер. с англ./ Под. Ред. Я. Ковалика. - М. : Радио и связь, 1988. - 432 с.

14. Гарбук С.В., Гершензон В.Е. Космические системы дистанционного зондирования Земли. - М. : А и Б, 1997.- 2 96 с. : ил.

15. Гергель В. П. Параллельные вычисления. - Нижний Новгород, ННГУ, 2001.

16. Дешифрирование многозональных аэрокосмических снимков. Сканирующая система фрагмент. Методика и результаты. Берлин: Академи-Ферлаг, М.: Наука, 1988. -124 с.

17. Дистанционное зондирование: количественный подход. Под редакцией Ф. Свейна и Ш. Дейвис. М. : Недра, 1983.- 415 с.

18. Дуда Р., Харт П. Распознавание образов и анализ сцен: Пер. с англ./Под ред. B.J1. Стефанюка. - М. : Мир, 1976. - 512 с.

19. Еремеев В.А., Мордвинцев И.Н. и др. Современные гиперспектральные сенсоры и методы обработки гиперспектральных данных // Исследование земли из космоса, №6, 2003. - с. 80-90.

20. Итоги науки и техники, серия: "Исследование Земли из космоса", т. 1, "Физические основы, методы и средства исследований Земли из космоса". М., 1987. -196 с.

21. Итоги науки и техники, серия: "Исследование Земли из космоса", т. 2, "Обработка и использование аэрокосмической информации о Земле". М., 1987. - 172 с.

22. Кашкин В. Б. Сухинин А. И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: Учебное пособие. - М. : Логос, 2001. - 264

23. Киенко Ю. П. Основы космического природоведения: Учебник для вузов. - М. : Картгеоцентр - Геодезиздат, 1999. - 285 с.

24. Классификация и кластер/Под ред. Дж. Вэн Райзина. Москва: «Мир», 1980.

25. Книжников Ю.Ф., Кравцова В.И. Многозональная космическая съемка и ее применение при изучении окружающей среды. Обнинск, 1978. - 47 с.

26. Коновалов Н.А., Крюков В. А. и др. C-DVM - язык разработки мобильных параллельных программ // программирование. - 1999 - №1 - с. 20-28.

27. Корнеев В.Д. Параллельное программирование в MPI. -Изд-во СО РАН, Новосибирск, 2000. - 213 с.

28. Космическая съемка и тематическое картографирование. Под ред. Салищева К. А., Книжникова Ю. Ф. Изд - во МГУ, 1980. - 272 с.

29. Космическое землеведение. Под ред. Садовничего В. А. - МГУ, 1992. - 269 с.

30. Костромин В.А. Самоучитель Linux для пользователя. - СПб.: БХВ-Петербург, 2002. - 672с.: ил.

31. Кочнова И.В. Развитие в МИИГАиК систем высокопроизводительной обработки изображений, использующих метод параллельных вычислений // Труды международной научно-технической конференции, посвященной 225 МИИГАиК - М. : МИИГАиК, 2004. - с. 8891.

32. Кронберг П. Дистанционное изучение Земли. - М. : Мир, 1988. - 343 с.

33. Кук, Розенфельд. Схема обнаружения объектов заданных размеров. ТИИ ЭР, письма, 1970, т.58, № 12, с.109,110.

34. Лацис А. О. Как построить и использовать суперкомпьютер. - М.: Бестселлер, 2003. - 240 с.

35. Малинников В.А., Марчуков B.C., Кочнова И. В. Проблемы распараллеливания в задачах предварительной обработки изображений скользящими пространственными фильтрами // Известия высших учебных заведений. Геодезия и аэрофотосъемка. №6 - М.: МИИГАиК, 2004.

36. Марчуков B.C. Технология автоматизированной обработки материалов многозональной аэрокосмической съемки: Дис. . кандидата техн. наук. - М., 1998. - 143 с.

37. Немнюгин С., Стесик О. Параллельное программирование для многопроцессорных вычислительных систем. - СПб.: БХВ-Петербург, 2002. - 400 с.

38. Ососков А.Г. Параллельная обработка изображений на многопроцессорных системах, управляемых потоком событий - ВЦ Акад. наук СССР, 198 6г.

39. Подбельский В.В. Язык Си++: учебное пособие. М. : Финансы и статистика, 2001. - 5 60 с.

40. Савиных В. П. Визуально - инструментальные исследования Земли с пилотируемого космического комплекса. М.: Недра, 1991. - 110 с.

41. Труды Всероссийской научной конференции. Высокопроизводительные вычисления и их приложения. Черноголовка 2000 - Московский Университет, 2000. - с. 240 - 241.

42. Хокни Р., Джессхоуп К. Параллельные ЭВМ. Архитектура, программирование и алгоритмы. - М.: Радио и связь, 1986. - 392 с.

43. Шилдт Г. Самоучитель С++, 3 издание: пер. с англ. -Спб.: BHV - Санкт-Петербург, 1998. - 688 с.

44. Юстуссон Б. И. Быстрые алгоритиы в цифровой обработке изображений. Под ред. Т.С.Хуанга. - М.: Радио и связь, 1984. - с. 156-191.

45. Amdahl G. Validity of the single-processor approach to achieving large-scale computing capabilities. // Proc. 1967 AFIPS Conf., AFIPS Press, V. 30, 1967. - p. 483.

46. Chang С. I., Smith S. C. Linear spectral random mixture analysis for hyperspectral imagery // IEEE Transactions on Geoscience and Remote Sensing, V. 40, № 2, 2002. - pp. 375 - 392.

47. Davies L.S., Rosenfeld A. IEEE Trans. - v. SMC -8, n 9, 1978. - pp. 705 - 710.

48. Feng T. Some Characteristics of Assotiative Parallel Processing // Proc. 1972 Sagamore Computing Conf., 1972. - pp. 5 - 16.

49. Flynn M.J. Very high-speed computing systems. Proc. IEEE. - vol. 54, 1966. - pp. 1901 - 1909.

50. Fu K.S., Mui J.K. - Pattern Recognition. - v. 13, N 1, 1981. - pp. 3 - 16.

51. Gat N., Subramanian S. Spectral Imaging: Technology and Application. Special Issue // Hyper spectrum News Letter, V. 3, № 1, 1997.

52. Haertel V., Langrebe D.A. On the classification of classes with nearly equal spectral response in remote sensing hyperspectral image data // IEEE Transactions on Geoscience and Remote Sensing, V. 37, № 5, 1999. -pp. 2374-2386.

53. Handler W. On classification schemes for computer systems in the post Von Neumann era // Lecture Notes in Computer Science, 1975.

54. Handler W. Standarts, Classification and Taxonomy: Experiences with ECS // Workshop on Taxonomy in Computer Architecture, 1981. - pp. 39 - 75.

55. Haralick R.M., Watson L. Computer Graphics and Image Processing. - v. 15, n 2, 1981. - pp. 113 - 129.

56. Hu Y.H., Lee H.B., Scarpace F.L. Optimal linear spectral unmixing // IEEE Transactions on Geoscience and Remote Sensing, V. 37, № 1, 1999. - pp. 639 - 644.

57. Ifarraguerri A., Chang C.I. Multispectral and hyperspectral image analysis with convex cones. // IEEE Transactions on Geoscience and Remote Sensing, V. 37, № 2, 1999. - pp. 756 - 770.

58. Invariant subpixel material detection in hyperspectral imagery // IEEE Transactions on Geoscience and Remote Sensing, V. 40, № 3, 2002. - pp. 599 - 608.

59. Jia X., Richards J.A. Efficient maximum likelihood classification for imaging spectrometer data sets // IEEE Transactions on Geoscience and Remote Sensing, V. 32, № 2, 1994. - pp. 274 - 281.

60. Jia X., Richards J. A. Segmented principal components transformation of efficient hyperspectral remote sensing image display and classification // IEEE Transactions on Geoscience and Remote Sensing, V. 37, № 1, 1999. - pp. 538 - 542.

61. Johnson E. E.Completing an MIMD Multiprocessor Taxonomy // Computer Architecture News, 1988. - V. 16. N 2. - pp. 44 - 48.

62. Keshava N. Distance Metrics and Band Selection in Hyperspectral Processing With Applications to Material Identification and Spectral Libraries // IEEE Transactions on Geoscience and Remote Sensing, V. 42,• № 7, 2004. pp. 1552 - 1565.

63. Lee J.S. - Computer Vision Graphics and Image Processing, 1983. - v. 24, n 2. - pp. 255-269.

64. Miller C., Payne G. D. Parallel Processing of Spaceborne Imaging Radar Data. Supercomputing, 1995.

65. Minski M., Papert S. On some associative, parallel and analog computations. Associative /information

66. Techniques, edit. E. J. Jacobs Elsevier. New York, 1971.

67. Nagao M., Matsuyama T. Computer Graphics and Image Processing, 1979. - v. 9, n 4. - pp. 394-407.

68. Ostu H. A threshold selection method from gray-level histogram, IEEE Trans. Systems Man Cybernet, SMC- 8, 1978. pp. 62-66.

69. Prewit J.M.S. - In: Picture Processing and Psychopictorics Ed. by A. Rosenfeld, B. Lipkin. N.Y.: Academic Press, 1970. - pp. 75-149.

70. Prewit J.M.S. and Mendelson M.L. The analysis of cell image, in Ann.New York, Acad. Sci. - Vol. 12 8, New York Acad Sci., New York, 1966. - pp. 1035 - 1053.

71. Skillicorn D. A Taxonomy for Computer Architectures // Computer, 1988. - V. 21, N 11. - pp. 46 - 57.7 6. Snyder L. A Taxonomy of Synchronous Parallel Machines. University Park. Penn., 1988. - pp. 281 -289.

72. Tennenbaum J.M., Sobel I, e.a. - In: Proc. of Intern. Joint Conf. on Artificial Intelligence, 1969.- pp. 521-526.

73. Tsai W. Moment-preserving thresholding: A new approach comput Vision Graphics Image Process. 29, 1985. - pp. 377 - 393.

74. Wang D.C.C., Vangnucci A.H., Li C.C. Computer Graphics and Image Processing. - v. 15, n. 2, 1981. -pp. 167 - 181.

75. Zucker S.W., Rosenfeld A., Davis L.S., Picture Segmentation by Texture Discrimination, IEEE Trans. Computers, C-24, 12, 1228 - 1233 (December 1975) .