1、遙感圖像分類方法研究綜述摘要本文概述了遙感圖像分類的概念和原理，詳細探討了傳統(tǒng)的遙感分類方法，對各種方法的進行了定性的比較與分析。然后介紹了分別基于GPU、計算機集群和刀片機服務器的三種加快分類速度的途徑，最后展望了遙感圖像分類方法的發(fā)展方向和研究熱點。關鍵詞：遙感；圖像分類；監(jiān)督分類；非監(jiān)督分類；GPU；機群系統(tǒng)；刀片機1引言在遙感圖像處理的研究中，無論是專業(yè)信息提取，地物變化預測，還是專題地圖制作等都離不開分類。遙感圖像分類有類別多，混合度大和計算量大的特點，分類方法的優(yōu)劣直接關系到分類的精度和速度。由于遙感圖像本身的空間分辨率以及“同物異譜”和“異物同譜”現象的存在，往往出現較多的錯分、

2、漏分現象，導致分類精度不高1，如何實現圖像分類識別并滿足一定的分類精度，是當前遙感圖像研究中的一個關鍵問題, 也是研究的焦點2。2遙感圖像分類原理遙感圖像通過亮度值或像素值的高低差異及空間變化表示不同地物的差異，如不同類型的植被、土壤、建筑物及水體等，這也是區(qū)分不同地物的理論依據。利用光譜特征（地物電磁波輻射的多波段測量值）或紋理等空間結構特征，按照某種規(guī)則就能對地物在遙感圖像上的信息進行識別與分類。圖像分類的目標就是通過對各類地物波譜特征的分析選擇特征參數，將特征空間劃分為不相重疊的子空間，進而把影像內諸像元劃分到各子空間去，從而實現分類3。3傳統(tǒng)分類方法遙感影像的計算機分類方法可分為兩種：

3、統(tǒng)計判決分類和句法模式識別。前者通過對研究對象進行大量的統(tǒng)計分析, 抽出反映模式的本質特點、特征而進行識別。后者則需要了解圖像結構信息, 從而對其進行分類。傳統(tǒng)的分類方法一般為統(tǒng)計判決分類, 如最大似然法、K均值法等。近年來發(fā)展的分類新方法則多采用句法方法, 如專家系統(tǒng)法和決策樹分類法等。根據是否已知訓練樣本的分類數據，統(tǒng)計模式方法可分為監(jiān)督分類、非監(jiān)督分類。下面將具體介紹監(jiān)督分類、非監(jiān)督分類以及其它分類（如模糊分類和人工神經網絡分類）的典型算法及其主要步驟。3.1 監(jiān)督分類監(jiān)督分類是一種常用的精度較高的統(tǒng)計判決分類,在已知類別的訓練場地上提取各類訓練樣本,通過選擇特征變量、確定判別函數或判別

4、規(guī)則,把圖像中的各個像元點劃歸到各個給定類4。常用的監(jiān)督分類方法有最小距離分類、平行六面體分類、最大似然分類等。主要步驟包括：（1）選擇特征波段；（2）選擇訓練區(qū)；（3）選擇或構造訓練分類器；（4)對分類精度進行評價。3.1.1 最小距離分類最小距離分類的基本思想是按照距離判決函數計算象素點與每一個聚類中心的光譜距離，將該像素點歸到距離最近的類別。該分類方法的距離判決函數是建立在歐氏距離的基礎上的，公式如下：dx,Mi=K=1n(xK-MiK)212其中n為波段數(維數)，K是某一特征波段，i是聚類中心數，Mi是第i類樣本均值，MiK是第i類中心第k波段的象素值，dx,Mi是象素點x到第i類中

5、心Mi的距離。最小距離判別方法的具體步驟如下：(1)確定地區(qū)和波段；(2)選擇訓練區(qū)；(3)根據各訓練區(qū)圖像數據，計算；(4)將訓練區(qū)外圖像像元逐類代入等式計算(,)，按判別規(guī)則比較大小，將像元歸到距離最小的類別；(5)產生分類圖像；(6)檢驗結果，如果錯誤較多，重新選擇訓練區(qū)；(7)輸出專題圖像。最小距離分類有計算量相對較小，分類速度快的優(yōu)點并能適用于樣本較少的情況。缺點是分類精度相對其它監(jiān)督分類方法較低。3.1.2 平行六面體分類平行六面體分類是通過設定在各軸上的一系列分割點，將多維特征劃分成對應不同類別的互不重疊的特征子空間的分類方法。通過選取訓練區(qū)詳細了解分類類別的特征，并以較高的精度

6、設定每個分類類別的光譜特征上限值和下限值，構成特征子空間8。對于一個未知類別的像素點，它的分類取決于它落入哪個類別特征子空間中。如落入某個特征子空間中，則屬于該類，如落入所有特征子空間中，則屬于未知類型。因此平行六面體分類要求訓練區(qū)樣本的選擇必須覆蓋所有的類型。這種方法的優(yōu)點有：快捷簡單，因為對每一個范本的每一波段與數據文件值進行對比的上下限都是常量；對于一個首次進行的跨度較大的分類，這一判別規(guī)則可以很快縮小分類數，避免了更多的耗時計算，節(jié)省了處理時間。缺點是由于平行六面體有“角”，因此象素點在光譜意義上與模板的平均值相差很遠時也可能被分類。3.1.3 最大似然分類最大似然分類利用了遙感數據的

7、統(tǒng)計特征，假定各類別的分布函數為正態(tài)分布，在多變量空間中形成橢圓或橢球分布，根據各方向上散布情況不同按正態(tài)分布規(guī)律用最大似然判別規(guī)則進行判決，得到較高準確率的分類結果。分類公式如下：D=lnac-0.5lnCovc-T(Covc-1)(X-MC)其中，D是加權距離(可能性)，C是某一特征類型，X為象素的測量向量，MC是類型C的樣本平均向量，ac是任一象素屬于類型C的百分概率(缺省為1.0，或根據先驗知識輸入)，Covc是類型C的樣本中的象素的協(xié)方差矩陣。具體的分類流程如下:(1)確定需要分類的地區(qū)和使用的波段和特征分類數，檢查所用各波段或特征分量是否相互已經位置配準；(2)根據已掌握的典型地區(qū)

8、的地面情況，在圖像上選擇訓練區(qū)；(3)計算參數：根據選出的各類訓練區(qū)的圖像數據，計算MC和CovC，確定先驗概率ac；(4)分類：將訓練區(qū)以外的圖像像元逐個代入公式，對于每個像元，分幾類就計算幾次，最后比較大小，選擇最大值得出類別；(5)產生分類圖：給每一類別規(guī)定一個值，如分成10類，可規(guī)定每一類對應的值分別為1,2,3,10。分類后的像元值便用類別值代替并進行著色，最后得到的分類圖像就是專題圖像；(6)檢驗結果，如果分類中錯誤較多，需要重新選擇訓練區(qū)再作以上各步，直到結果滿意為止。雖然最大似然法的分類精度較高，但是計算量大，分類時間長，而且對輸入的數據有一定要求（最大似然是參數形式的，意味著

9、每一輸入波段必須符合正態(tài)分布）。 3.2 非監(jiān)督分類非監(jiān)督分類是在沒有先驗類別知識的情況下，根據圖像本身的統(tǒng)計特征及自然點群的分布情況來劃分地物類別的分類處理。這類方法以圖像的統(tǒng)計特征為基礎，能夠獲得圖像數據內在的分布規(guī)律。因為非監(jiān)督分類不需要對待分類的地區(qū)有已知知識或進行實地考察，相對監(jiān)督分類而言有更廣的應用范圍。主要的方法有K均值分類和ISODATA分類。3.2.1 K均值分類K均值分類的基本思想是通過迭代，逐次移動各類的中心，直至得到最好的分類結果為止。需要預先設定聚類中心的個數（這在一定程度上限制了該算法的應用），逐次移動各類的中心，使聚類域中所有樣本到聚類中心的距離平方和最小，直至各

10、類的中心不再移動（或移動的范圍小于設定的閾值）或達到規(guī)定的迭代次數時停止分類。其主要步驟如下：（1）確定類別數并各類的初始中心：1(0),2(0), (0)，K為類別數。初始中心的選擇對聚類結果有一定影響，一般通過以下方法選?。焊鶕栴}的性質，用經驗的方法確定類別數K，從數據中找出直觀上看來比較適合的K個類的初始中心；將全部數據隨機地分為K個類別，將這些類別的重心作為K個類的初始中心；（2）擇近歸類:將所有像元按照與各中心的距離最小的原則分到K個聚類中心；（3）計算新中心：待所有樣本第i次劃分完畢后，重新計算新的集群中心Zji+1, j=1, 2, ,K；（4）如果聚類中心不變或小于設定的閾值

11、，則算法收斂，聚類結束；否則回到步驟（2），進入下一次迭代；下圖描述了K均值分類過程中各類中心移動的過程。聚類中心數K、初始聚類中心的選擇、樣本輸入的次序，以及樣本的幾何特性等均可能影響k均值算法的進行過程。對這種算法雖然無法證明其收斂性，但當各類之間彼此遠離時這個算法所得的結果是令人滿意的。由于K均值分類有實現過程簡單，分類速度較快的優(yōu)點，在遙感圖像分類應用中有著重要的作用。3.2.2 ISODATA分類ISODATA（Iterative Self-Organizing Data Analxsis Techniques A）分類也稱為迭代自組數據分析算法，它與K均值分類類似，都是通過迭代移動

12、各類的中心，直到得到最好的分類結果。差別在于：第一，它不是調整一個樣本的類別就重新計算一次各類樣本的均值，而是在每次把所有樣本都分類完畢之后才重新計算一次各樣本的均值。所以，K均值分類可看作逐個樣本修正法，ISODATA分類可看作成批樣本修正法；第二，該算法不僅可以通過調整樣本所屬類別完成樣本的聚類分析，而且可以自動地進行類別的“合并”與“分裂”，從而得到類別數比較合理的聚類結果。這種方法不受初始聚類組的影響，對識別蘊含于數據中的光譜聚類組非常有效，前提是重復足夠的次數。缺點是比較費時，因為可能要迭代上百次9。3.3 其它分類方法3.3.1 模糊分類遙感圖像中的像元不一定由單純的一種地物信息構

13、成，因此，用傳統(tǒng)的“硬”分類方法（如前面提到的監(jiān)督分類和非監(jiān)督分類，每個像元歸為單一類別）進行圖像分類，無法獲得較高的精度。一種較好的解決辦法就是采用以模糊理論為基礎的模糊分類法。模糊分類允許根據各類型的百分比函數，將一個像元歸到幾個類別。模糊分類具有過程靈活簡便、主觀影響小、適應面廣等優(yōu)點。但仍存在如下問題: (1）算法性能依賴于參數的初始化；（2)大數據量時算法嚴重耗時。針對于這些問題學者們進行了很多研究，并取得了重要成果，主要研究內容有隸屬函數確定、模糊模式識別匹配(分類)、模糊推理、模糊方法與統(tǒng)計方法的結合、模糊方法與人工神經網絡的結合、模糊動態(tài)識別等10。3.3.2 人工神經網絡分類

14、人工神經網絡分類是利用計算機模擬人類學習的過程，建立輸入與輸出數據之間聯系的程序。在模仿人腦學習的過程中，通過進行重復的輸入和輸出訓練來增強和修改輸入和輸出數據之間的聯系11。所以，人工神經網絡分類也可歸為監(jiān)督分類。人工神經網絡主要由3個基本要素構成，即處理單元、網絡拓撲結構及訓練規(guī)則，是由大量簡單的處理單元(神經元)連接成的復雜網絡，能夠模仿人的大腦進行數據接收、處理、貯存和傳輸。神經網絡方法具有極強的非線性映射能力，可高速并行處理大量數據，而且具有自學習、自適應和自組織能力。下圖為三層神經網絡的典型結構圖。三層神經網絡的典型結構圖12目前，人工神經網絡技術在遙感圖像分類處理中的應用主要有單

15、一的BP(Back Propagation，反向傳播)網絡、模糊神經網絡、多層感知器、徑向基函數(RBF)網絡、Kohonen自組織特征分類器、Hybrid學習向量分層網絡等多種分類器。3.4 各種傳統(tǒng)分類方法的比較監(jiān)督分類的關鍵是訓練樣本的選擇, 訓練樣本的質量直接關系到分類能否取得良好的效果。在選擇訓練樣本時要充分考慮研究區(qū)地物的光譜特征和分布區(qū)域特征并結合大量的野外調查, 才能保證所選取的訓練樣本具有較好的代表性。非監(jiān)督分類不需要對地面信息有詳細的了解，也不需要選擇訓練樣本。能根據地物的光譜特征進行分類，受人為因素的影響較少，而且算法成熟, 操作簡單。在初步分析圖像時,用非監(jiān)督分類的方法

16、來研究數據的自然集群分布情況是很有價值的。兩種分類方法各有特點，實際應用中應充分考慮分類要求，如分類精度和速度，選擇合適的分類方法作為基礎算法。下表是上述分類方法的特點的總結。方法區(qū)別原理適應條件特點效果局限性最小距離法元素到聚類中心距離最小每一個要識別的類有對應的代表向量精度取決于對已知地物類型的了解和訓練統(tǒng)計的精度計算簡便，可對像元順序掃描分類，效果較好對于類別重疊的情況，分類精度受到限制最大似然分類歸屬概率最大多數情況適用，但對出現概率低的類別可能影響精度建立一個判別函數集分類錯誤小而精度高容易受到參數估計的限制平行六面體分類設定分割點將多維特征劃分成分別對應不同分類類別的互不重迭的特征

17、子空間通過選取訓練區(qū)詳細了解分類類別(總體)的特征特征子空間快捷簡單，節(jié)省處理時間由于平行六面體有“角”，像素在光譜意義上與模板的平均值相差很遠時可能被分類K均值分類所有樣本到聚類中心的距離平方和最小對待分類區(qū)域缺乏足夠了解聚類中心數K始終固定快速簡單，工作量小盲目的聚類；難以對產生的類別進行控制ISODATA分類以初始類別為“種子”施行自動迭代聚類的過程不便對分類區(qū)域進行實地考察動態(tài)調整類別數K當類之間彼此遠離時得的結果是令人滿意的當多個地物類型的光譜特征類型差異很小時，分類的精度就會降低模糊分類利用像元的隸屬度函數進行分類混合像元問題，界線不明顯的對象在單個像元中提取各類地物信息(類似于黑

18、箱問題)進行“準純樣本”到“模糊樣本”的轉化可改善分類精度模糊樣本選取困難人工神經網絡分類無參數分類器對待分類區(qū)域有足夠了解高維性、自組織性、模糊性和冗余性其分類精度優(yōu)于最大似然法若要提高訓練精度需要多次迭代，非常費時遙感圖像的分類算法很多,但還沒有一種算法是最普遍和最佳的,這主要是由于遙感圖像數據的復雜性決定的。從前面的敘述筆者得出了下面的結論：（1）與其它分類方法相比，監(jiān)督分類和非監(jiān)督分類算法最為簡單，應用最為成熟。針對這些方法已經開發(fā)出了應用軟件，使用方便。（2）神經網絡分類方法屬于非參數分類器，不需要統(tǒng)計分布的假設，因此要比傳統(tǒng)統(tǒng)計分類方法的應用范圍廣泛。近年來，神經網絡分類方法有了較

19、大的發(fā)展，尤其是BP網絡分類方法，神經網絡分類結果與傳統(tǒng)統(tǒng)計分類方法相比，分類結果精度有了明顯提高13。但其對樣本數量有一定要求，在樣本數量多時，精度較高，但耗費時間長，在樣本數量少時因無法很好進行參數的學習和調整，精度收到影響，因而仍未能在實際分類中廣泛應用。（3）各種分類方法各有特點，在處理圖像分類問題時沒有唯一的“正確”方法。在具體分類時，需要根據被用來分析的數據的性質、可獲得的計算機資源及分類數據的應用采用特定的方法。必要時可綜合應用多種方法，以提高分類的準確率與精度。如李敏基于模糊C均值算法的遙感圖像變化檢測的研究提出了一種山函數與密度函數結合的聚類中心初始化算法；王崇倡等采用動量自

20、適應學習速率調整算法對BP網絡算法進行改進，取得了良好效果；曾建潮構建了一種全局收斂的改進算法，對算法的速度進化迭代方程作了相關的改進。4三種硬件加速方法簡介遙感圖像處理具有數據量大、運算密集、算法復雜等特點，如何快速、高效地處理遙感圖像成為遙感圖像處理技術研究的目標之一。本文簡要介紹了從三種硬件的方向加快分類的方法，分別是GPU加速、機群系統(tǒng)加速和刀片機服務器加速，并對這些研究工作的特點進行了簡要分析，最后總結了研究中存在的問題。4.1 GPU加速GPU（Graphics Processing Unit，圖形處理器），是一種專門在個人電腦、工作站和一些移動設備（如平板電腦、智能手機等）上進行

21、圖像運算工作的微處理器。作為通用大規(guī)模并行處理器，GPU具有運算密集、高度并行、體積小等特點，為加速遙感圖像處理提供了新的技術手段。4.1.1 GPU與CPU的差異GPU在計算能力上相對于CPU有明顯優(yōu)勢的原因在于兩者的設計目標與體系結構不同。如下圖所示，CPU的執(zhí)行單元采用了復雜的控制與分支預測以及大量的緩存來提高執(zhí)行效率，能夠面對盡可能多的通用處理事務，用于計算的算術邏輯單元ALU(Arithmetic Logic Unit)只占很小一部分。CPU與GPU架構比較GPU則在有限的而積上提供更多的計算單元和很高的數據帶寬，通過大量計算單元的并行處理實現了更強大的計算能力。2007年，NVID

22、IA推出了CUDA(Compute Unified Device Architecture)，它是第一種通過使用類C語言對GPU進行編程開發(fā)的通用計算開發(fā)環(huán)境及其軟件體系14，提升了GPU的可編程性。4.1.2 GPU加速的三個方向從加速原理角度，大致可分為下面三種方法(1)基于數據分塊的多線程并行技術該技術的主要特點是對圖像數據進行分塊和線程任務分配，讓每個線程負責處理其中一個數據塊，通過多線程并行工作的方式共同完成整個遙感圖像數據處理，下圖為示意圖?；跀祿謮K的多線程并行示意圖(2)基于CUDA庫的并行加速技術通過調用CUDA函數庫中并行處理算法來實現遙感圖像的并行處理。(3)基于算法分

23、解的協(xié)同并行技術對算法進行拆分，將具有高密度數據計算特征的處理部分交給GPU處理，其他不宜GPU處理的部分（處理過程中存在較多的判斷、分支等邏輯處理步驟）交給CPU處理。4.1.3 GPU應用存在的問題綜上所述，盡管GPU有強大的計算能力，對大多數遙感圖像處理算法適應性較好，但由于GPU本質上仍屬于協(xié)處理器性質，但系統(tǒng)應用中存在一些問題15：（1）數據存儲問題：遙感圖像GPU并行處理流程一般需要將數據一次性載入GPU顯存，其處理數據量受限于GPU顯存容量；（2）數據載入問題：GPU顯存包括全局存儲器、共享存儲器、紋理存儲器和常數存儲器，不同類型的存儲器具有不同的容量和讀寫速率，處理速度受限于所

24、采用的存儲器類型；（3）數據I/O問題：GPU數據處理需要在顯存和內存之間來回傳輸數據，處理性能受限于顯存與內存之間的總線帶寬等。4.1.4 小結在很多科研領域，隨著對處理速度要求的提高和處理系統(tǒng)環(huán)境的限制(如外場作業(yè))，GPU和CPU協(xié)同工作不失為一種有效提升計算機運算能力的途徑。有研究者提出了集群CPU并行處理系統(tǒng)的設想，通過將多個GPU集成為GPU處理服務器來加快運算速度。但是，如何使GPU與CPU更協(xié)調地工作，從系統(tǒng)角度獲得更為優(yōu)化的整體處理流程，形成高效的快速處理系統(tǒng)，仍有待于未來的進一步研究。4.2 機群系統(tǒng)加速從字面上理解，機群就是一組協(xié)同工作的計算機。它能夠將工作負載從一個超載

25、的系統(tǒng)(或節(jié)點)遷移到機群中的另一個系統(tǒng)(或節(jié)點)上，從而大大的提高了它的處理能力，甚至可以和專用計算機(小型機和大型機)相媲美，性價比卻遠高于專用計算機16。在機群中，常見的硬件有：結點、網絡、存儲。軟件有:機群系統(tǒng)、節(jié)點系統(tǒng)、應用支撐軟件。下圖為機群系統(tǒng)的結構示意圖。典型的機群系統(tǒng)體系結構4.2.1 機群系統(tǒng)的優(yōu)點顯而易見的是，機群系統(tǒng)能夠將不同型號、不同操作系統(tǒng)的計算機組合成機群對圖像分類進行并行運算，相對于一臺計算機而言，極大的提升了運算的速度。除此之外，機群系統(tǒng)還有下列優(yōu)點：（1）系統(tǒng)開發(fā)周期短：計算機系統(tǒng)大多采用商用工作站和通用LAN網絡，使主控節(jié)點管理系統(tǒng)相對容易上手，可靠性高。

26、（2）系統(tǒng)總價低：構成集群的工作站或PC機都是批量生產的，價格低廉。（3）節(jié)約系統(tǒng)資源：由于集群系統(tǒng)的結構比較靈活，它可以將不同體系結構，不同性能的工作站或PC機連在一起，用戶可以充分利用現有設備，節(jié)約系統(tǒng)資源，提高工作效率。（4）系統(tǒng)擴展性好：機群系統(tǒng)大多使用通用網絡，系統(tǒng)擴展性很強，而且對大小不同的顆粒度并行應用都具有很好的效率。（5）易于升級：機群計算機在結點性能上可以同處理器發(fā)展保持同步，降低系統(tǒng)升級的費用。4.2.2 機群系統(tǒng)的一些限制因素基于機群的高性能遙感處理技術需要將遙感處理的過程中的多任務合理拆分或者是將一個處理任務分解成幾個能獨立運行的子任務，分配到集群的節(jié)點上，并行地執(zhí)行

27、各個任務，進而快速高效地處理遙感數據。所以，要進行遙感機群處理有下面幾個限制因素：（1）通信開銷大：機群系統(tǒng)中每臺機器都有獨立的存儲器，各節(jié)點機器的內存不共享，如果要進行全局共享數據讀寫操作，必須通過機器間的通信來進行數據傳輸；（2）體積大，不便于移動；（3）有些任務不能進行分解和并行化處理。4.2.3 小結快速貪吃算法、最小-最小算法、最大-最小算法和最大時間跨度算法都是較為常用的機群調度算法17。然而無論使用哪種調度算法，都有一個無法解決的問題。因為一個機群管理系統(tǒng)可以控制的節(jié)點的總數是有限的，當某個機群所擁有的計算機的總數接近或者達到極限時，運算量也將達到極限，很難再提高整個機群的效率。

28、為了解決上述問題，有研究者引入了異構多機群系統(tǒng)的概念。將不同種類的機群結合起來，形成一個統(tǒng)一的，異構的(這里提到的異構是指機群管理系統(tǒng)之間的異構，或者說調度異構，而不是指計算機、操作系統(tǒng)、平臺之間異構)，更大的機群系統(tǒng)16，較好的解決了機群算法的問題。但是調度算法也變得更加復雜，這也是日后深入研究的方向之一。4.3 刀片機服務器加速刀片服務器是指在標準高度的機架式機箱內可插裝多個卡式的服務器單元，是一種實現HAHD(High Availability High Density，高可用高密度)的低成本服務器平臺，為特殊應用行業(yè)和高密度計算環(huán)境專門設計。下圖為刀片機服務器的示意圖。刀片機服務器“刀

29、片”們可以通過板載硬盤啟動各自的操作系統(tǒng)（Windows NT/2000、Linux等），類似于一個個獨立的服務器。管理員可以使用系統(tǒng)軟件將這些母板集合成一個服務器集群，在集群模式下，所有的母板可以連接起來提供高速的網絡環(huán)境，并同時共享資源，為相同的用戶群服務。4.3.1刀片機服務器的優(yōu)點通過集合多個“刀片”，刀片機服務器便可在集群模式下集合這些母版的計算能力。由于結構合理，刀片機服務器有以下優(yōu)點：（1）便于升級與維護：在集群中插入新的刀片，就可以提高整體性能。由于每塊刀片都支持熱插拔的，系統(tǒng)可以輕松地進行替換，將維護時間減少到最?。唬?）規(guī)模小：由于省去了機箱及交互設備，其重量、體積較計算機

30、或服務器小得多；（3）穩(wěn)定性較高：內置的負載均衡技術能有效提高服務器的穩(wěn)定性和核心網絡性能。4.3.2 刀片機服務器的不足盡管前面列舉了刀片機服務器的許多優(yōu)點，但是高密度的“刀片”設置也帶來了不少問題，主要如下：（1）發(fā)熱嚴重：一個刀片機箱的最大耗電量是8000瓦，需要額外提供良好的散熱和冷卻系統(tǒng)；（2）廠商標準不一：刀片機服務器沒有統(tǒng)一的標準，服務器刀片常常設計成只能在某家廠商自己的機箱里面運行，通常只能使用同一家公司的全套設備；（3）密度高才有經濟意義：算上機箱和通用服務的成本，每臺服務器的成本就會超過同等處理能力的獨立服務器系統(tǒng)。所以，只有通過增加刀片數分攤機箱的成本，才能有更好的經濟意

31、義。4.3.3 小結本章簡單介紹了三種加快分類速度的途徑：GPU、機群系統(tǒng)和刀片機服務器。三種途徑各有其特點：將具有高密度數據計算特征的處理部分交給GPU處理，GPU加速法屬于單個計算機級別的硬件加速；機群系統(tǒng)利用高速互聯網絡聯系一組或多組計算機進行并行運算，提升效果更明顯，但體積過大，不適用于野外工作；刀片機服務器體積小，運算能力強大，但發(fā)熱嚴重，也是提升分類速度的一種有效方法。在實踐中，我們可以根據實際需要選擇合適的加速方法。5 結語傳統(tǒng)的遙感圖像分類方法如目視解譯、監(jiān)督分類和非監(jiān)督分類，算法成熟、操作簡單, 仍然是目前應用較多的方法。近年來發(fā)展起來的分類新方法, 如決策樹分類法、綜合閾值法、專家系統(tǒng)分類法、多特征融合法以及基于頻譜特征的分類法等, 能夠更準確地提取出目標地物, 對圖像分類有不同程度的改進, 在實際應用中通常和傳統(tǒng)分類方法結合起來使用。隨著計算機技術的不斷發(fā)展，我們還可以從硬件角度去改善遙感圖像分類技術。本文介紹的GPU、機群系統(tǒng)和刀片機服務器是三種應用較多，比較成熟的方法，主要從并行運算的方向提升硬件設備的運算能力。盡管這些方法已被實踐證明有效，但是如何確定調度算法，使硬件設備高效率地協(xié)同工作仍然是待解決的問題。遙感圖像的分辨率已有了很大提高, 但圖像分類技術還跟不上遙感技術的發(fā)展。雖然不少研究者從不同角度出