赵海娜，吴远峰，高建威，张兵

(1.中国科学院 遥感与数字地球研究所 数字地球重点实验室，北京 100094；2.中国科学院大学，北京 100049)

1 引 言

当今遥感技术正朝着更高空间分辨率、更高时间分辨率和更高光谱分辨率方向发展，这给海量遥感图像分类带来了新的挑战，尤其在灾害监测、战场目标探测以及智能卫星系统等时效性要求较高的应用领域的挑战尤为突出[1-2]。

贝叶斯分类方法具有坚实的数学理论基础以及综合先验信息和数据样本信息的能力，是遥感图像分类的实用方法[3-4]。但基于CPU的贝叶斯串行分类算法在处理较大图像时非常耗时。

传统遥感图像分类加速处理多采用由CPU组成的分布式集群系统的处理模式[5-7]。但是集群系统价格昂贵、体积大、灵活性差，很难应用到战场或星上等要求低重、高灵活性等场景。

近几年来，国内外许多研究将GPU用在遥感影像融合、混合像元分解和实时目标探测等领域，对算法进行了加速处理，获得高效的并行计算能力[8-10]。图形处理器(Graphic Processing Unit，GPU)具有运算密集、高度并行、体积小和性价比高等特点，为解决数据密集型的计算提供了有利条件[11]。本文针对贝叶斯分类算法面临大数据量图像处理速度问题，提出了基于GPU的贝叶斯并行分类算法，并从数据传输和核函数设计两方面对并行算法进行了优化设计。实验结果表明，基于GPU的贝叶斯并行分类算法(以下简称并行算法)与基于CPU的串行算法(以下简称串行算法)相比，在保证分类精度的同时，分类效率明显提高，能够获得25倍～54倍的加速比。……