高性能处理研究现状

4.1国内外研究现状1.1.1国外研究现状4.1.1.2高性能遥感数据并行处理遥感应用中利用高性能并行算的例子很多都是关于高光谱影像处理的。AnotonioJ.Plaza和Chein-IChang编著的HighPerformanceComputinginRemoteSensing（Chapman&Hall/CRC，2008）一书中共收录了18篇文章，其中有8篇关于高性能高光谱遥感数据处理。K.A.Hawick等DistributedHigh-PerformanceComputationforRemoteSensing（1997）描述了处理遥感影像数据（如静止卫星影像）的分布式并行算法，在广域网ATM中利用嵌入并行和高性能处理模块，构建了基于主/从计算模式的分布数据存储模式。Chao-TungYang的ParallelComputinginRemoteSensingDataProcessing在SMP上利用Linux/PVM执行消息传递，以矩阵乘法和并行射线跟踪为例进行了相应的实验。RhondaD.Phillips的Hybridimageclassificationandparameterselectionusingasharedmemoryparallelalgorithm（Computers&Geosciences33（2007）875–897）提出了混合分类算法的共享内存并行方式IGSCR（iterativeguidedspectralclassrejection）有助于串行算法到并行算法的转换。AntonioPlaza·JavierPlaza·DavidValencia的Impactofplatformheterogeneityonthedesignofparallelalgorithmsformorphologicalprocessingofhigh-dimensionalimagedata（JSupercomput）描述了不同异构平台对多维影像数据形态学处理的并行算法。S.N.V.Kalluri等的Highperformancecomputingalgorithmsforlandcoverdynamicsusingremotesensingdata（InternationalJournalofRemoteSensing）描述了遥感数据高性能土地覆盖动态变化监测算法。应用于遥感领域的高性能计算经历了突飞猛进的发展。1994年，一个团队集合在NASA’sGoddardSpaceFlightCenter（GSFC）创建由商业硬件（PCs）构成的运行于Linux操作系统上的集群，即第一个Beowulf集群。1996年，美国加利福尼亚理工学院的Pentium-Pro集群证明集群在遥感应用中的可行性。1997年，GSFC开始了一个项目，即HIVE（Highly-parallelIntegratedVirtualEnvironment）项目，创建商业集群提供给不想创建它们的用户使用。当前，一种改进的HIVE在GSFC中用于遥感数据处理计算，被称为Thunderhead。该系统是包括512个同构处理器的Beowulf集群，由256个双核2.4GHzIntelXeon节点，每一个节点具有1GB内存、80GB硬盘。系统性能总峰值是2457.6GFlops。Thunderhead的512个计算节点中，有若干节点通过2Ghz的光纤网络Myrinet连接到控制节点。NASA当前支持用于遥感应用其它的大规模并行集群，如NASAAmesResearchCenter的Columbiasupercomputer。这个系统在2006年全球超级计算机TOP500中排名第8。在每年的全球超级计算机TOP500中名单中，都会看到若干用于遥感应用的HPC系统。国外的遥感集群处理系统已日趋成熟，给环境遥感监测专题产品高性能处理提供了技术支撑。1.1.2国内研究现状4.1.2.2高性能遥感数据并行处理我国很多专家学者对遥感数据并行处理进行了研究，如周海芳的《遥感图像并行处理算法的研究与应用》（国防科学技术大学博士论文，2003.10）研究并实现了基于多项式变换的系统几何校正并行算法、遥感图像自动配准技术及其并行算法和基于流域变换的遥感图像分割并行算法。安兴华的《一种适于集群系统的细粒度遥感图像镶嵌并行算法》（清华大学学报自然科学版，2002）提出一种细粒度遥感图像镶嵌并行算法，该算法通过维护一个“双缓冲队列”和采用“任务动态选择”算法进行任务分配，极大地减少了通信开销和任务等待，而且图像的色调均衡化和重采样都可以融入到镶嵌算法的并行执行，还提出了一种基于不规则边界的改进λ插值图像融合算法，用以解决图像重叠部分的无缝拼接。郑明玲的《遥感图像配准中特征点选择的高性能算法研究及其实现》（计算机学报，2004.09）提出了一种用于全自动化、高精度的、分布均匀的特征点选择高性能算法；但是以理想影像为基础的，对于实际影像需要考虑去噪及特征点的正确性判断。蒋艳凰的《卫星遥感图像并行几何校正算法研究》（计算机学报，2004.07）提出一种分布存储环境下的并行几何校正算法，每个处理器通过计算本地输入子图像在目标图像中的范围，确定其需要进行重采样计算的区域，使计算过程中所需的数据均为本地数据，很好的解决了数据局部性问题。我国高性能计算发展迅速，许多领域都引入了高性能计算机，在遥感数据处理领域中，中科院计算所开展的课题“并行处理的理论、算法与结构”，以数字信号处理应用为背景研究了与并行算法相匹配的并行体系结构，重点研究了FFT的并行实现方法；以遥感图像处理应用为背景，研究了网络并行处理的体系结构与实现技术，在分布式网络环境下的共享内存、共享磁盘文件、共享显示装置等方面进行了有益的探索，实现了一个基于PC或工作站集群的并行遥感图像处理系统，它具有处理速度快、存储容量大和性能价格比高等特点，并初步实现了高分辨率遥感图像的分屏显示。中科院对地观测中心研制了一套基于微机集群的大数据量遥感图像快速并行处理系统和与之结合应用的并行文件系统，该系统基于32位PC集群，系统吞吐量大。目前我国高性能遥感数据并行处理有了一定的研究基础，可以实现环境遥感数据处理业务化。因此，研发高性能并行处理系统，快速获取环境遥感监测专题产品，实现环境遥感监测专题产品业务化是未来的发展趋势。