Abstract
The rapid processing of remote sensing (RS) images is essential in many large-scale real-time monitoring, such as meteorological monitoring and natural disaster warning. However, the computation cost of RS is often expensive, traditional RS processing methods cannot satisfy the time requirement of dynamic monitoring. Fortunately, cloud computing not only provides an effective service for data management, but also offers a convenient way to execute RS computing. It is necessary to integrate the rapid RS processing services in a unified cloud computing architecture. The architecture can provide users with integrated rapid RS image processing service through effective huge data management and distributed parallel processing. This paper explores rapid processing methods and strategies for RS images based on cloud computing. In order to compare with other computing paradigms, we choose the maximum likelihood classification (MLC) as our experimental algorithm and Mahalanobis distance clustering (MDC) as our verifying algorithm to execute comparing. In these experiments, we compare the computation cost of RS processing in three computing paradigms (stand-alone, MPI, and MapReduce). From the intensive experimental results, we find that the RS processing based on cloud computing performs best from the aspects of programming convenience, data management and computational efficiency simultaneously, especially when processing huge amount of data
چکیده
پردازش سریع تصاویر دریافت از راه دور (RS) در بسیاری از نظارت های بلادرنگ مقیاس بزرگ ضروری است، مانند نظارت هواشناسی و هشدار فاجعه طبیعی. با این حال، هزینه محاسبه RS اغلب گران است، روشهای پردازش RS سنتی نمی توانند زمان مورد نیاز نظارت پویا را تامین کنند. خوشبختانه، محاسبات ابری نه تنها سرویس موثر برای مدیریت داده ها فراهم میکند، بلکه یک راه مناسب برای اجرای محاسبات RS ارائه می دهد. لازم است تا سرویس پردازش RS سریع را در یک معماری محاسبات ابری یکپارچه ادغام کنیم. معماری می تواند به کاربران سرویس پردازش تصویر RS سریع یکپارچه از طریق مدیریت موثر داده های بزرگ و پردازش موازی توزیع شده ارائه کند. این مقاله به بررسی روش های پردازش سریع و استراتژی برای تصاویر RS بر اساس محاسبات ابری میپردازد. به منظور مقایسه با دیگر نمونههای محاسباتی، ما طبقه بندی حداکثر احتمال (MLC) را به عنوان الگوریتم آزمایش و خوشه فاصله ماهالانوبیس (MDC) را به عنوان الگوریتم تایید برای اجرای مقایسه انتخاب کرده ایم. در این آزمایشات، ما هزینه محاسبات پردازش RS را در سه پارادایم محاسبات (مستقل، MPI، و MapReduce) مقایسه کردیم. از نتایج آزمایشی فشرده، پی بردیم که پردازش RS بر اساس محاسبات ابری بهترین عملکرد را از جنبه های راحتی برنامه نویسی، مدیریت داده ها و بهره وری محاسباتی به طور همزمان، به ویژه هنگامی که مقدار زیادی از داده ها را پردازش میکند، ایفا میکند.
1- مقدمه
پردازش تصویر RS نقش مهمی در بسیاری از کاربردها ایفا می کند. یک موضوع عملی پردازش تصویر RS بهنگام بودن است. به عنوان مثال، اصلاح یک تصویر RS (30000*30000پیکسل) شامل تقریبأ ده ها میلیارد عملیات ممیز شناور است که تحت معماری محاسبات فعلی نیاز به چند ساعت حتی چند روز دارد که به پایان برسد. زمان پردازش نمی تواند الزامات این برنامه های خاص را تأمین کند [1]. محاسبات مستقل غیر ممکن است که قدرت چنین وظایف بهنگام را فراهم کند....