题目：并行计算在高光谱图像分类算法中的应用研究

目前，高光谱图像分类技术研究主要集中在分类特征提取及分类器构造方面。一般情况下，性能优越的特征提取或分类器训练算法均需要耗费大量的计算时间，研究高光谱图像分类的并行算法可大大提高图像信息处理效率。本文重点针对三类典型的高光谱图像分类并行算法及并行处理软件展开研究与实践工作： 在基于投影寻踪的异常检测并行算法中，使用负熵作为提取数据集中非高斯结构的投影指标，针对该指标下最优异常投影方向的不同求解方法分别实现并行处理。首先针对遗传算法求解方法设计了一种自调节迁移率网状连通的并行遗传算法；其次针对特定方向集搜索求解方法，通过分解指标计算，提出候选方向投影指标的并行计算方法。通过加速提取异常数据结构，实现自然背景下异常目标的快速检测。 在基于BP神经网络的图像分类并行算法中，首先采用保局投影算法保持数据集在原始空间中可分特征的同时有效降低数据维数。针对网络分类器训练过程耗时过长的问题，分别通过划分特征训练样本集和划分网络隐含层神经元两个途径实现分布式系统下的并行训练，提高了分类器训练速度，通过比较两种方法的并行加速性能得出了两种并行训练方法所适用的高光谱图像分类场合。 在基于样本核映射的图像分类并行算法中，针对核FDA分类算法的分类器参数求解过程中存在的大规模矩阵计算耗时过长的问题，分别对其中的大规模核矩阵计算、大规模矩阵乘与求逆等关键环节实现并行求解。分类阶段则通过划分图像数据实现待分类像元的核映射及分类过程的并行处理，提高了数据分类处理速度。 最后，开发实现了一个高光谱图像并行处理软件系统HSIPPS，初步完成了软件原型系统的实现及上述成果的集成。系统采用模块化设计，易于扩展与升级。