基于GPU+CPU的CANNY算子快速实现

本文提出一种基于GPU+CPU的快速实现Canny算子的方法。首先将算子分为串行和并行两部分,高斯滤波、梯度幅值和方向计算、非极大值抑制和双阈值处理在GPU中完成,将二维高斯滤波分解为水平方向上和垂直方向上的两次一维滤波从而降低计算的复杂度;然后使用CUDA编程完成多线程并行计算以加快计算速度;最后使用共享存储器隐藏线程访问全局存储的延迟;在CPU中则使用队列FIFO完成边缘连接。仿真测试结果表明：对分辨率为1024×1024的8位图像的处理时间为122 ms,相对应单独使用CPU而言,加速比最高可达5.39倍,因此本文方法充分利用了GPU的并行性的特征和CPU的串行处理能力。     

基于CUDA编程接口的GPU Trace模块设计

面对互联时代海量的信息数据,图形处理器凭借极强的并行计算处理能力,通过GPU+CPU的架构为现代无线接入网设备的信号处理,提供了一种理想的技术手段。文章设计了一款基于CUDA编程接口的GPU Trace模块,用于在GPU+CPU平台架构中跟踪记录GPU的运行信息。     

基于GPU的分类并行算法的研究与实现

分析了KNN算法在GPU上实现并行计算的可能性,提出了通过使用CUDA实现KNN算法的方案,在研究了GPU对存储访问的机制后,通过设计合理的数据以及对算法的改进,避免存储体冲突的产生,提高了算法的健壮性。研究结果证明该方法在GPU上的并行运算速度明显要快于CPU,有着很好的加速比。     

基于GPU的线性调频信号脉冲压缩算法实现

利用NVIDA公司开发的CUDA技术对线性调频信号脉冲压缩算法进行了研究。用CUDA C和C语言分别在GPU、CPU平台对该算法进行仿真,并对程序执行时间做出了比较。实验结果表明,在GPU平台上实现脉冲压缩算法的运算效率明显优于在CPU上。     

在GPU上实现Jacobi迭代法的分析与设计

随着GPU技术的快速发展,GPU的浮点运算能力飞速提升。将GPU浮点处理能力用于非图形计算领域正成为高性能计算领域的热点研究问题。Jacobi迭代法是科学计算中常用的计算方法。在分析了GPU和Jacobi迭代法特征的基础上,基于Nvidia的CUDA平台设计并实现了Jacobi迭代算法,并通过实验表明,相对于CPU取得了较好的加速效果。     

基于GPU的并行图像离散小波变换

针对现有的离散小波变换耗时久的问题,本文利用CUDA并行计算技术,提出了一种基于GPU的离散小波变换算法实验结果表明在一张2048×2048分辨率的图像中达到了最大106.34的加速比,而且保持了良好的效果。     

基于GPU的LCS算法加速机制研究与实现

协议特征识别技术中用到了一种重要的LCS算法,它是一种字符串比对算法,提取出字符串中的最长连续公共子串。然而,通过理论分析和实验表明：这个查找过程是一个时间复杂度较高的运算过程,如果输入的数据分组比较大,那么运行的时间将会非常长,为此不得不控制输入数据分组的大小和数量,这严重限制了所采用样本集的大小。提出了基于GPU对LCS运算实现加速的方法。在此基础上搭建和配置了CUDA平台,在此平台下研究并实现了LCS算法的并行性。通过对LCS算法在CUDA下并行性的研究,有效地加快了LCS算法的运行速度。实验结果表明,GPU下LCS算法的运行效率比CPU有了显著的提高。     

GPU加速在集成成像的应用

针对在计算3D集成成像过程中耗时较多的问题,采用了一种新的硬件加速方法——GPU加速,分别在不同透镜数目和三维物体复杂度下,对CPU和GPU的运算时间进行对比。结果表明:计算复杂度大于数据拷贝时间时,GPU的整体加速效果明显,并且随着计算复杂度的提高,加速效果越来越显著。     

Voronoi图栅格生成算法GPU并行实现

针对矢量法生成Voronoi图计算与存储复杂的缺点,重点分析研究了Voronoi图的栅格生成方法。对不同的栅格生成算法的复杂性和效率进行了比较分析,并针对以往方法速度较慢的问题,提出一种CUDA平台下GPU并行栅格扫描的方法。该方法利用GPU的多线程特性,将各个栅格的计算分散到不同的线程中并行处理。相比其他栅格生成方法,该方法不需要考虑栅格的规模,能够以几乎线性的时间完成Voronoi图的生成,极大地提高了生成速度。     

基于 GPU 加速的并行字符串匹配算法

在分析了经典的串行字符串匹配算法（BF ,KMP ,BM ,BDM ,Shift -And/Shift -Or ,ZZL）基础上,对ZZL算法的预处理过程进行改进,并结合GPU的单指令多线程的并行计算特点,对ZZL算法进行并行改进,以达到处理大规模数据的速度提升。     

基于GPU的星图配准算法并行程序设计

星图配准是星图处理应用中的一个重要步骤,因此星图配准的速度直接影响了星图处理的整体速度.近几年来,图形处理器(GPU)在通用计算领域得到快速的发展.结合GPU在通用计算领域的优势与星图配准面临的处理速度的问题,研究了基于GPU加速处理星图配准的算法.在已有配准算法的基础上,根据算法特点提出了相应的GPU并行设计模型,利用CUDA编程语言进行仿真实验.实验结果表明:相较于传统基于CPU的配准算法,基于GPU的并行设计模型同样达到了配准要求,且配准速度的加速比达到29.043倍.     

基于边缘强度匹配的图像融合并行算法的研究

图像融合是图像理解和计算机视觉领域中的一项重要课题。随着图像规模的增大,图像融合面临着处理速度的挑战。最近几年,GPU面向通用计算应用得到了快速发展。本文基于GPU编程模型和硬件特性,深入研究了基于边缘强度的图像融合算法,提出了该算法的并行模型。实验结果表明,该方法有效地综合了源图像中的重要信息,融合图像边界清晰,得到较好视觉效果和较优的评价指标,执行速度与CPU上相比提高了3个数量级。     

基于全变分理论的红外图像去噪

为了去除红外图像中的噪声,提出了一种基于全变分理论的去噪算法。该方法继承了经典全变分模型在去除噪声中保护边缘的优点,结合图像平滑扩散原理,得到了一个全新的扩散函数;同时引入了一个边缘检测算子,对正则项和忠诚项的相关参量进行了改进,使得修复后的图像大大避免了阶梯效应;最后对该算法的实现进行了推导。结果表明,该算法能够有效地去除噪声,并且避免了阶梯效应的产生。     

Shearlet变换域自适应图像去噪算法

首先采用Haar小波滤波器,设计出一种数字Shearlet变换算法。然后对Shearlet系数间的相关性进行统计分析,提出了一种尺度相关的自适应阈值收缩图像去噪算法。最后选用峰值信噪比和视觉质量为评价标准,实验验证算法的去噪性能。结果表明,本文算法获得更高的峰值信噪比,更好地保留了图像的细节信息。     

基于全变分模型的图像噪声去除效果比较

基于偏微分方程的图像去噪方法由于将数学与工程结合得更加紧密,具有较强的自适应能力和灵活性.本文首先介绍了目前已经提出的变分模型的快速Split-Bregman算法,然后通过大量数值实验对不同模型的去噪效果进行了比较.所研究的模型包括L1范数、L2范数、LTV(1ayered total variation)规则项、MTV(multicharmel total variation)规则项和CTV(color total variation)规则项,从灰度图像和彩色多通道图像两方面进行分析.实验结果表明对于灰度图像基于L1范数的TV去噪模型效果较好,彩色图像中CTV模型对图像去噪边缘保持最好,其他依次是MTV模型、LTV模型.     

基于非局部均值的彩色图像去噪

传统的彩色图像去噪算法通常是分层处理的,而忽略了彩色图像RGB通道之间的相关性,因此基于RGB通道联合相似度估计提出了一种新的彩色图像非局部均值去噪方法。在用非局部均值滤波对彩色图像进行去噪时,首先以目标像素为中心确定其支撑区域,然后根据多通道联合相似度估计确定权重,最后采用逐块滤波的方法对每一层进行滤波。并且针对彩色图像中含有的高斯噪声提出了一种新的噪声参数估计方法。由实验结果可以看出该算法比传统的去噪算法在PSNR和FSIM方面都有提高。因此可以看出在图像去噪过程中考虑三通道之间的相关性是必要的,同时也证明了算法的有效性。     

基于图像旋转和分块的奇异值分解图像去噪

奇异值分解在图像处理中具有重要应用,针对奇异值分解在图像去噪中存在的问题,提出了分块旋转奇异值分解图像去噪新方法。首先分析了奇异值分解在图像去噪中的应用及对非竖直水平方向信息的图像在去噪时存在的问题;采用图像旋转的方法,将非竖直水平方向信息的图像变为竖直或水平方向信息的图像,较好克服了奇异值分解在图像去噪中的内在问题;对于图像具有的多方向性信息,通过图像分块获得各个图像块的方向性信息,分别对每个图像块进行旋转奇异值分解去噪,获得了最佳的奇异值分解图像去噪效果。仿真结果表明,与传统的奇异值分解去噪算法相比,     

图像小波阈值去噪算法研究

图像去噪的目的是在满足最小均方误差准则的条件下,将原始图像从观测到的含噪图像中还原出来.在Dohono提出的多分辨率分析小波阈值去噪的基础上,对阈值函数进行了改进.实验结果表明:与传统软阈值和硬阈值函数相比,改进的阈值函数通过调整参数的取值,可以取得较好的去噪效果,证明了在多数情况下,传统阈值函数并不能达到最佳的去噪效果.