فلش‌کارت‌های آموزشی بهینه‌سازی الگوریتم‌های پردازش تصویر ماهواره‌ای

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی الگوریتم‌های پردازش تصویر ماهواره‌ای

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر دوره و نقشه راه
• 2. مبانی برنامه‌نویسی: متغیرها، انواع داده و عملگرها
• 3. ساختارهای کنترل جریان: شرط‌ها و حلقه‌ها
• 4. توابع، ماژول‌ها و کتابخانه‌ها
• 5. ساختارهای داده پایه: لیست‌ها، آرایه‌ها و دیکشنری‌ها
• 6. مفهوم پیچیدگی الگوریتم و نماد O بزرگ
• 7. مبانی جبر خطی برای پردازش تصویر: بردارها و ماتریس‌ها
• 8. آشنایی با محیط‌های توسعه یکپارچه (IDE) و دیباگینگ
• 9. کنترل نسخه با Git: مفاهیم پایه
• 10. مقدمه‌ای بر پردازش تصویر دیجیتال: پیکسل، کانال و وضوح
• 11. فضاهای رنگی (RGB, Grayscale, HSV)
• 12. هیستوگرام تصویر و کاربردهای آن
• 13. فیلترهای پایه در حوزه مکان: هموارسازی و تیز کردن
• 14. عملیات مورفولوژیک: فرسایش، انبساط، باز و بسته کردن
• 15. مقدمه‌ای بر سنجش از دور و تصویربرداری ماهواره‌ای
• 16. انواع سنسورهای ماهواره‌ای: اپتیکال، رادار (SAR) و لیدار
• 17. ویژگی‌های تصاویر ماهواره‌ای: وضوح مکانی، طیفی، زمانی و رادیومتریک
• 18. فرمت‌های استاندارد داده‌های ماهواره‌ای: GeoTIFF, HDF, NetCDF
• 19. پیش‌پردازش تصاویر ماهواره‌ای: تصحیحات رادیومتریک
• 20. تصحیحات اتمسفری و حذف اثرات جوی
• 21. تصحیحات هندسی و ارتوکتیفیکاسیون
• 22. ثبت و هم‌مرجع‌سازی تصاویر (Image Registration)
• 23. موزاییک‌سازی تصاویر برای پوشش مناطق بزرگ
• 24. شاخص‌های طیفی رایج: NDVI, EVI, NDWI
• 25. مقدمه‌ای بر طبقه‌بندی تصاویر: نظارت‌شده و نظارت‌نشده
• 26. چرا به محاسبات سطح بالا (HPC) نیاز داریم؟
• 27. قانون امدال و قانون گوستافسون: محدودیت‌های موازی‌سازی
• 28. طبقه‌بندی فلین: SISD, SIMD, MISD, MIMD
• 29. معماری کامپیوتر مدرن: CPU، کش و سلسله‌مراتب حافظه
• 30. مفاهیم اساسی موازی‌سازی: توازی داده و توازی وظیفه
• 31. معیارهای ارزیابی عملکرد: سرعت، توان عملیاتی، تاخیر و FLOPS
• 32. آشنایی با محیط‌های HPC: کلاسترها و ابرکامپیوترها
• 33. کار با خط فرمان لینوکس و اسکریپت‌نویسی Shell
• 34. سیستم‌های مدیریت صف و زمان‌بندی کارها (مانند Slurm)
• 35. مقدمه‌ای بر مدل‌های برنامه‌نویسی موازی
• 36. مدل حافظه مشترک و معرفی OpenMP
• 37. دستورات (Pragmas) اصلی در OpenMP و ساختار برنامه
• 38. موازی‌سازی حلقه‌ها با for parallel
• 39. موازی‌سازی وظایف با Sections و Tasks
• 40. همگام‌سازی (Synchronization): Critical, Barrier, Atomic
• 41. مدیریت حوزه داده‌ها: Private, Shared, Reduction
• 42. بهینه‌سازی عملکرد در برنامه‌های OpenMP
• 43. اشکال‌زدایی برنامه‌های چندنخی
• 44. مطالعه موردی: پیاده‌سازی فیلتر کانولوشن با OpenMP
• 45. مدل حافظه توزیع‌شده و معرفی MPI
• 46. ارتباطات نقطه به نقطه: Send و Receive
• 47. ارتباطات گروهی (Collective): Broadcast, Scatter, Gather
• 48. عملیات کاهشی (Reduction Operations) در MPI
• 49. ارتباطات غیرمسدودکننده (Non-blocking)
• 50. گروه‌ها و ارتباط‌دهنده‌ها (Communicators)
• 51. انواع داده‌های مشتق‌شده در MPI
• 52. توپولوژی‌های مجازی: کارتزین و گراف
• 53. اشکال‌زدایی برنامه‌های MPI
• 54. مطالعه موردی: تجزیه دامنه برای پردازش تصویر با MPI
• 55. مقدمه‌ای بر معماری GPU و محاسبات عمومی روی آن (GPGPU)
• 56. آشنایی با CUDA: کرنل، نخ، بلاک و گرید
• 57. مدل حافظه در CUDA: حافظه سراسری، مشترک، ثابت و محلی
• 58. نوشتن اولین کرنل CUDA: جمع دو بردار
• 59. انتقال داده بین میزبان (CPU) و دستگاه (GPU)
• 60. همگام‌سازی نخ‌ها در CUDA
• 61. استفاده از جریان‌ها (Streams) برای اجرای همزمان کرنل‌ها
• 62. کتابخانه‌های CUDA: cuBLAS, cuFFT, NPP
• 63. بهینه‌سازی و پروفایلینگ کرنل‌های CUDA
• 64. مطالعه موردی: تبدیل فوریه سریع (FFT) روی GPU
• 65. پروفایلینگ و تحلیل عملکرد: شناسایی گلوگاه‌ها
• 66. ابزارهای پروفایلینگ: gprof, Valgrind, Intel VTune
• 67. بهینه‌سازی توسط کامپایلر: سطوح و پرچم‌های بهینه‌سازی
• 68. برداری‌سازی (Vectorization) و دستورالعمل‌های SIMD
• 69. اهمیت محلی بودن ارجاع (Locality of Reference)
• 70. بهینه‌سازی دسترسی به حافظه و کش (Cache Blocking)
• 71. تکنیک‌های بهینه‌سازی حلقه: باز کردن، ادغام و شکستن
• 72. ساختار داده‌ها و چیدمان حافظه: AoS در مقابل SoA
• 73. کاهش دقت محاسباتی: Float در مقابل Double
• 74. ورودی/خروجی موازی (Parallel I/O) و کتابخانه MPI-IO
• 75. کار با فرمت‌های HDF5 و NetCDF در محیط‌های موازی
• 76. مدل‌های برنامه‌نویسی ترکیبی: MPI + OpenMP
• 77. مدل‌های برنامه‌نویسی ترکیبی: MPI + CUDA
• 78. پیاده‌سازی موازی هیستوگرام تصویر
• 79. بهینه‌سازی الگوریتم‌های طبقه‌بندی نظارت‌نشده (مانند K-Means) با MPI
• 80. بهینه‌سازی الگوریتم‌های طبقه‌بندی نظارت‌شده (مانند SVM) با CUDA
• 81. پیاده‌سازی موازی الگوریتم‌های آشکارسازی تغییرات
• 82. تسریع محاسبات تبدیل‌های هندسی روی GPU
• 83. پیاده‌سازی مقیاس‌پذیر ثبت تصاویر ماهواره‌ای
• 84. بهینه‌سازی الگوریتم‌های استخراج عوارض (Feature Extraction)
• 85. پیاده‌سازی الگوریتم‌های موزاییک‌سازی در مقیاس بزرگ
• 86. پردازش جریان داده‌های ماهواره‌ای (Real-time/Near real-time)
• 87. مطالعه موردی: پایش سیلاب با استفاده از داده‌های SAR به صورت موازی
• 88. مطالعه موردی: تحلیل پوشش گیاهی و بیابان‌زایی در مقیاس بزرگ
• 89. مطالعه موردی: شناسایی اشیاء با یادگیری عمیق روی کلاسترهای GPU
• 90. محاسبات سطح بالا در ابر (Cloud HPC): AWS, Azure, Google Cloud
• 91. استفاده از کانتینرها (Docker, Singularity) برای تکرارپذیری در HPC
• 92. چارچوب‌های محاسبات توزیع‌شده پایتون: Dask و Ray
• 93. نقش FPGA در تسریع پردازش تصویر
• 94. روندهای آینده در HPC و پردازش تصویر
• 95. جمع‌بندی دوره و ارائه پروژه نهایی
• 96. **بهینه‌سازی حافظه در پردازش تصویر: تکنیک‌های Tile-based Processing و Memory Mapping**
• 97. **پردازش موازی و توزیع‌شده تصاویر ماهواره‌ای: استفاده از Dask و Spark**
• 98. **بهینه‌سازی الگوریتم‌های فیلتر کردن تصویر: پیاده‌سازی‌های سریع با استفاده از FFT و تکنیک‌های Spatially Variant Filtering**
• 99. **بهینه‌سازی عملیات هندسی تصاویر: وارپینگ، رجیستر کردن و موزاییک با استفاده از روش‌های مبتنی بر نقاط کلیدی (Keypoint-based Methods)**
• 100. **تطبیق مقیاس بزرگ: پردازش تصاویر ماهواره‌ای با وضوح بسیار بالا و تکنیک‌های Level of Detail (LOD)**