【摘 要】由于传感器在进行数据采集与整理的过程中需要对大量的数据信息进行快速的检测与运算，本文针对GPU的通用运算技术应用在这种情况下的相关问题进行探讨。并形成CPU+GPU单机异构环境下的不同遥感数据并行处理算法，本文具体针对两点情况进行了分析：首先，对CUDA技术进行遥感图像处理进行分析。其次，研究GPU通过SIFT的特征匹配下的环境分析。

　　【关键词】CPU+GPU；单机异构；遥感数据技术

　　随着当前社会科技的快速发展与进步，遥感技术发展逐渐朝向多平台、多轨道方面发展。在这个过程中，通过遥感技术获得的数据信息量呈现一种几何倍数的增长。另一方面，某些遥感数据在特定的专业领域对处理效率和精度的要求却越来越高。除此之外，还应当对快速发展起来的计算机技术进行充分的利用，只有这样才能真正的促进相关数据信息处理的速度实现质的提升。

　　1 CPU+GPU异构并行计算

　　CPU作为一项信息处理技术其发展的时间段相对较早，尤其在于GPU之间进行比较的过程中，GPU在通用计算机领域的发展时间不能与CPU之间相提并论。相对于CPU在通用计算机领域中的垄断地位优势，GPU在新的历史时期发展过程中具有几个方面的优势是使得其能够在发展中不被淘汰且继续不断更新的原因。

　　（1）GPU的内存装带宽能力更强。如NVIDIA的G型号的显卡就具有更加强大的内存带宽，目前，该类型的GTX580的内存带宽具有超过180GB/s。CPU的内存带宽则还不能达到这种水平。

　　（2）相对于CPU，GPU具备更多的执行单元。CPU的频率通常情况下回特别高，但是能够表现出来的执行单元数量却相对较少。GPU不同于这种情况，GeForce 8800GTX的显卡就具备128个执行单元。

　　（3）GPU具有相对更加低廉的价格。与CPU目前的价格之间进行比较，我们不难发现，GPU的价格更加低廉。目前市场上同样价格的显卡中，GTX460的显卡包括了1GB内存与2.99GHZ的四核心CPU价格相仿。

　　当然，在进行比较的过程中GPU同样也存在一定的缺陷：如其GPU的执行单元数量多则往往会造成一些简单的工作应用不到这种功能。另外，低端的GPU往往不能支持IEEE754的规格。除此之外，GPU同样也不具有进行分支预测的复杂功能使用等。

　　2 基于CPU+GPU的面阵遥感影像处理

　　在进行遥感技术的使用过程中，经常性的会需要对影像等内容采取几何方法处理。如通过运用多种类型的传感装置对成像几何图形进行影像的模拟以及核线影像的生成等。通过进行实际过程中的校对能对影像进行逐像素的操作。这种操作方式对传统的串行算法具有一定程度的影像，使原本的执行时间不会呈现一种线性增长方式增长。另外，会使得GPU在进行大量的信息数据的处理过程中尽可能的不会消耗过多的时间。基于上述的情况，本文也对相关技术进行了一些改进，通过对CUDA的并行技术的探讨，探析将大量的重复工作对GPU的单元进行执行处理的可行性问题。

　　通过对计算资源的满负荷利用能够最大限度的缩减影像校正处理运行速度，并在此基础上形成几何处理。其在进行具体的处理工作过程中的主要内容主要是对双二维图像进行影像关系的几何关系应用。首先，应当对某个像元进行假设，认定该像元在一个原始影像坐标系中，即p （ x ， y ），在经过遥感技术影像几何处理之后的影像元的坐标系坐标为p ’（ u ， v ），且两个之间存在一种映射关系式：（1）式中采用的是间接法公式，这种公式在进行几何处理之后，其像元点坐标会从p’（ u ， v ）开始，进行反向像点坐标的求证，也即对p （ x ， y ）进行原始像上的坐标进行求值，P的灰度值也会赋给p’。（2）式是直接法公式，即根据原始像点坐标 p （ x ， y ）出发，解求其在几何处理后影像上的像点坐标 p ’（ u ， v ），并将 p 的灰度值赋给 p’。

　　本文根据核线影像生成和已知畸变差参数情况下生成畸变差校正影像的原理，分析提出两种方法在 CPU+GPU 异构环境下的加速策略，研究并论证 GPU 并行技术应用于遥感

　　影像几何处理直接解法和间接解法的可行性。

---

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

---

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。