ROAM算法及其在地形可视化中的应用

三维地形可视化是GIS、计算机仿真、虚拟现实等领域中的关键技术之一,而基于多层次细节的实时优化自适应网格动态地形渲染算法（ROAM）凭借其简单性和可扩展性成为解决海量高程数据地形可视化的常用方法。本文详细介绍了ROAM算法的原理及其特点,进而针对实际应用提出对算法的改进,并进行了具体实现。实验结果表明,使用ROAM技术能
够真实地反映地形面貌。改进后的算法避免了ROAM对视点距离的敏感性,提高了运算速度,能够满足三维地形场景显示的应用需求。     

地形分块绘制中的边界裂缝处理算法

提出了一种避免地形块间裂缝的算法,将公共边界上的顶点状态设为一致,对于那些由不活跃变为活跃的边界点,利用顶点引入次序的有向无环图将其祖先顶点也设为活跃.该算法考虑了边界处理时对邻边的影响,处理结果不影响网格的规则特性.实验结果表明：该算法有效地解决了地形块间的裂缝问题,适用于分块地形的绘制.     

ROAM算法在超大规模地形渲染中的应用

地形的三维可视化在多个领域中有着广泛的应用.ROAM算法是目前使用最广泛的网格构造算法之一.本文提出了一种改进的ROAM算法实现,并且和地形数据分块技术、视锥裁减技术相结合,进而提出了一种解决超大规模地形数据的实时渲染问题的方法.这种方法可以实现地形的连续细节层次渲染,并且可以利用帧和帧之间的关联性,极大地提高了渲染速度.基于本方法实现的原型程序在普通的PC机上取得了很好的渲染效果.     

基于混合多细节层次技术的实时绘制算法

细节层次是实时图形生成的一项重要技术.提出一种把视点无关和视点相关两类多细节层次技术结合起来的网格模型实时绘制算法.该算法首先根据应用领域的不同要求或用户给出的误差范围,对模型进行与视点无关的预处理简化,然后把简化后得到的模型用在与视点相关的实时简化算法中.实验表明,这种网格模型简化和绘制算法能在损失很小的屏幕像素误差的前提下大大提高绘制速度.     

基于层次细节模型的遮挡裁剪算法

遮挡裁剪和应用层次细节模型是两种有效的三维复杂场景渲染加速算法，为了快速地进行三维复杂场景的渲染，提出了一种结合层次细节模型与遮挡裁剪技术的算法框架，该算法首先在预处理阶段，将场景划分成不同空间层次结构；然后在运行时刻，对较高的空间层次，可应用遮挡裁剪技术判别场景的可见性，并裁剪掉不可见场景部分，而在局部的较低层次上，则应用网格简化方法来选择适当的模型层次细节，实验结果显示，该算法取得了较好的加速性能。     

ROAM动态地形渲染算法的改进

三维真实感地形的生成一直是计算机图形学领域中的焦点课题,研究了基于层次细节的实时优化自适应网格动态地形渲染算法,采用了基于地形块包围盒的可见性投影剔除技术的实时优化策略,提出了嵌套包围球方法和屏幕空间误差法相结合的优化算法来改进误差判据,以提高地形绘制的快速性,给出了该层次细节模型在地形渲染中的实现方法。实验证明,通过对实时优化自适应网格算法的实现和优化,在保证一定的地形渲染效果的前提下,减少了开销同时提高了实时渲染速度。     

3D游戏程序设计中简化模型细节层次的数学方法

应用真实的角色和场景图形的表现,再现真实世界的3D游戏已成为电子游戏的主流产品。通过程序设计算法简化模型细节层次是实时3D图形学应用于游戏角色和场景图形表现的一项技术。该文论述了不同层次细节模型简化的数学方法,通过简化游戏中的角色或场景图形的复杂度,以满足实时3D渲染要求,达到真实世界3D游戏的表现效果。     

实时地形绘制算法综述

实时地形绘制在游戏、飞行训练、军事演习模拟、地理信息系统(GIS)等领域中有着广泛应用。实时地形绘制算法一般采用视点相关的连续细节层次简化技术等方法来减少实际所需要绘制的地形数据量。该文介绍了实时地形绘制中的几种代表性算法并讨论了当前的最新研究进展，分析了目前尚存在的问题和研究前景。     

LOD地形渲染算法

我们开发了一个基于分形和快速动态渲染的地形生成系统,使用了四种不同的渲染算法,并对这几种不同的地形渲染算法进行了比较实验。     

ROAM动态地形渲染算法研究

三维真实感地形的生成一直是计算机图形学领域中关注的焦点课题 ,而基于层次细节的实时优化自适应网格动态地形渲染算法凭借其诸多的优点在军事仿真、GIS系统、VR系统、数字地球以及视频游戏等各个领域得到了广泛的运用。目前三维地形渲染技术主要包括体素渲染和层次细节渲染 ,该文在比较了这两种渲染方法的优缺点后 ,论述了基于后者的实时优化自适应网格算法的优势所在 ,详尽地剖析了其算法思想 ,并给出了该算法的一个具体的实现。     

并行对称矩阵三对角化算法在GPU集群上的有效实现

对称矩阵三对角化是求解稠密特征问题的关键计算过程.针对GPU集群采用了MPI(message passing interface)和GPU级2级并行方法设计实现了基于MPI和CUDA(compute unified device architecture )的稠密对称矩阵三对角化算法.在MPI集群级并行中,通过将2维通信域中行-列通信域间的全局数据通信设计为完全并行的点-点数据通信方式,改善了三对角化MPI并行算法的通信性能.通过改进原矩阵三对角化的MPI并行算法,避免了在GPU级并行中使用的不规则的矩阵-向量运算,这部分的并行性能提升了1倍左右.并且,将在GPU并行中存在的小粒度计算合并为较大粒度计算,该策略可通过加大计算密集度来充分地发挥GPU的计算能力,增加GPU的利用率,从而提升了算法的性能.此外,利用多个CUDA流使算法中独立的CUDA操作可以在不同的流中并发执行.并且,在并行算法中,利用CPU与GPU之间的异步数据传输,使得在不同流中的数据传输和核函数同时执行,隐藏了数据传输的时间,进一步提升了算法的性能.在中国科学院超级计算机系统“元”上,使用Nvidia Tesla K20 GPGPU测试了不同规模矩阵的基于MPI+CUDA的三对角化并行块算法的性能,取得了较好的加速效果与性能,并且具有良好的可扩展性.     

从大型体数据集中生成等值面的并行算法

从体数据集中生成等值面是体可视化的主要技术之一。当体数据集的数据量很大时，计算量也随之增大，单处理机的存储与计算能力难以胜任其可视化要求，基于并行与分布式计算环境设计并行可视化算法是有效的办法。本文基于工作站群机系统的ＰＶＭ环境，设计并实现了一种有效的、从大型体数据集中生成等值面的并行算法。     

Fermi架构下的时域高斯滤波并行算法

为提高图形图像处理中高斯滤波算法模块的计算速度,将高斯滤波与Fermi平台相结合,设计了一种高斯滤波时域的并行算法。数据测试结果显示,与基于CPU的实现相比,采用Fermi架构的GPU处理不仅可以得到误差精度小于0.0001的计算结果,而且可以取得较大的加速效果。在数据规模为512×112×128和滤波窗口大小为11的情况下能够达到约210倍的加速效果。     

并行区域填充算法研究

区域填充是图形处理中常用操作,利用目前多核CPU的优势和NVIDA显卡的通用计算能力,实现对指定区域进行并行填充的方法。算法利用多种子算法,采用多线程技术快速地完成填充,同时算法避免传统算法需要人为设置种子位置的缺点。完成后再对填充结果进行判断,丢弃无效的填充区域最终得到需要的结果。实验证明,对于比较大的图片多核CPU的加速性能明显。     

基于CUDA的Adaboost算法并行实现

Adaboost算法是一种用于目标检测的有效算法,自2001年应用于人脸检测以来,陆续有各种改进算法提出,旨在提高检测精度和适用范围.然而,训练一个Adaboost分类器仍然是一个很耗时间的过程.目前,CUDA与Adaboost结合的研究主要集中于在已有分类器的基础上加速目标检测的过程,构建实时目标检测系统.本文对Ad...     

基于CUDA平台的遗传算法并行实现研究

CUDA技术方便程序员在GPU上进行通用计算,但并没有提供随机数产生的应用接口。为此,本文提出并实现在CUDA开发平台上并行产生均匀随机数算法,测试证明算法可行。在此基础上优化基本遗传算法,并在GPU上并行实现其所有操作,提高其运行速度和准确度;分析了种群大小和遗传代数对此算法加速比及准确度的影响,并与MAT-LAB工具箱进行比较。实验表明,相比MATLAB遗传算法工具箱,基于CUDA平台实现的遗传算法性能更高,准确度更好。     

基于CUDA实现MRRR算法并行

MRRR(Multiple Relatively Robust Representations)算法是求解对称三对角矩阵本征值问题高效、精确的算法之一。在分析MRRR算法及CUDA(Compute Unified Device Architecture)并行体系结构的基础上,针对算法的可并行性,采用单指令多线程并行方式实现了基于CUDA的MRRR算法并行,并从存储结构方面优化算法。实验结果显示,与LAPACK库中串行MRRR实现相比,并行方法在保证精度的基础上获得了20倍的加速比,进而从计算精度和计算时间上说明MRRR算法适合在GPU上并行。     

使用GPU加速BLAST算法初探

应用GPU通用高性能编程技术实现了一种加速BLAST算法的新方法。BLAST是目前最常用的用于生物序列查询比对的算法和软件包,其处理速度受到串行化执行和磁盘I/O等因素的影响。本文通过实验分析了BLAST软件包中的典型程序BLASTN的运行热点,并选定关键热点模块,应用CUDA编程技术对其进行并行化改造。对比实验结果表明,对于平均序列长度较大的序列库,应用GPGPU并行化可明显缩短该模块的运行时间,获得超过35倍的加速比。这说明,我们可以利用GPGPU对BLAST进行并行化加速,以满足高性能生物序列查询的需求。     

基于CUDA的k-means算法并行化研究

k-means算法在面对大规模数据集时,计算时间将随着数据集的增大而成倍增长。为了提升算法的运算性能,设计了一种基于CUDA(Compute Unified Device Architecture)编程模型的并化行k-means算法,即GS_k-means算法。对k-means算法进行了并行化分析,在距离计算前,运用全局选择判断数据所属聚簇是否改变,减少冗余计算;在距离计算时,采用通用矩阵乘加速,加快计算速度;在簇中心点更新时,将所有数据按照簇标签排序分组,将组内数据简单相加,减少原子内存操作,从而提高整体性能。使用KDDCUP99数据集对改进算法进行实验,结果表明,在保证实验结果的准确性的情况下,改进算法加快了计算速度,与经典的GPUMiner算法相比加速比提升5倍。     

基于GPU实现叠前时间偏移走时计算的并行算法

走时计算是叠前时间偏移计算中最耗时的部分,通过分析传统的串行走时算法,发现静态8点插值算法非常适合在GPU上运行。首先利用CUDA技术对静态8点插值算法进行并行化改造,设计静态8点并行插值算法,然后测试其正确性,统计其相对误差情况。实验表明此算法比工业生产上的动态插值算法更准确,最后我们利用体偏作性能测试。试验结果表明,运行在GPU上的静态8点并行插值算法内核性能是运行在CPU上的动态插值算法内核的22．76倍。这说明,静态8点并行插值算法适合进行走时计算,并且可以应用于工业生产上。