基于GPU的快速Sobel边缘检测算法

传统的Soble边缘检测算法的优化和实现都是针对常用处理器(CPU、DSP和FPGA等)提出的,难以应用在图像处理器(GPU)上.本文提出了一种基于NVIDIA公司CUDA架构图形处理器(GPU)的快速Sobel边缘检测算法.快速算法根据GPU的并行结构和硬件特点,采用了纹理存储技术、多点访问技术和对称计算技术三种加速技术,优化了数据存储结构,提高了数据访问效率,降低了算法复杂度.实验结果表明,快速算法充分利用了GPU的并行处理能力,在处理4 096x4 096分辨力的8位灰度图像时速度可达190 fps,是基于CPU实现的122倍.     

基于GPU的结构光三维测量快速计算方法

针对CCD摄像机高分辨率下CPU进行三维测量计算效率低的问题,提出基于GPU技术的快速计算方法.同时针对三维测量的四个具备并行度的过程,该方法给出了在GPU上可实现的具体算法流程,并根据数据规模及GPU特性,设计了一种新的GPU设备端数据结构组织方式.实验结果表明,该方法有效利用了GPU的大规模并行处理能力,在处理500万像素数据过程中整个测量时间仅需4s左右,计算效率是CPU的160倍.     

基于CUDA的点匹配合成算法

纹理合成在计算机动画制作中具有重要地位。为克服传统串行点匹配纹理合成算法效率低下的缺陷，提出一种基于计算统一设备架构（CUDA）的并行合成算法。通过合理安排CPU和GPU之间的数据传输，用GPU进行繁琐耗时的计算，明显地提高了算法效率。     

基于GPU加速视频抠像技术

为提高视频抠像处理的速度,提出基于GPU(图形处理器)加速的视频抠像方法,将色度抠像算法转化为GPU中的纹理图像渲染过程,利用GPU并行计算和高速浮点计算特性,使得色度算法在GPU中加速执行,有效的提高了算法计算速度。     

术语解释

正1、GPU加速:GPU(Graphic Processing Unit)即图形处理器,GPU加速是指利用一个图形处理器(GPU)和一个中央处理器(CPU)来加速应用程序的执行。CPU和GPU在处理任务时截然不同,CPU由专为顺序串行处理而优化的多核组成,而GPU则由专为多任务并行处理而设计的数以千计的更小、更高效的众核组成。     

JPEG2000编码的GPU并行计算可行性分析

本文简要简述了CUDA并行计算的概念和JPG2000算法的核心处理步骤,分析了GPU并行计算计算参与数字电影母版制作过程中最消耗时间的JPG2000编码环节的可行性.     

3D非均匀直线网格GPU体绘制方法研究

计算机图形硬件技术的快速发展可以用来加速可视化过程,为此针对非均匀直线网格,给出了基于均匀辅助网格的CPU光线投射算法、基于辅助纹理的GPU光线投射算法,以及基于切片的3D纹理体绘制算法,并在Nvidia Geforce 6800GT图形卡上对这些算法进行了测试。结果表明,GPU算法远远快于CPU算法,而基于切片的3D纹理体绘制算法则快于GPU光线投射算法。     

基于图像处理器的传声器阵列实时声成像方法

为了解决传声器阵列用于声场分析时的精确且快速声成像的技术难题,提出了一种利用图像处理器(Graphics Processing Unit,GPU)的通用计算技术实现快速声成像算法。可控响应功率算法是广泛应用的一种声源定位算法,但计算量巨大,阻碍了它在实际场合中的应用。通过将可控响应功率算法进行任务分解及线程映射,实现了利用计算统一设备架构实现的基于GPU的可控响应功率声源成像定位算法,在特定阵元通道数和信号长度情况下,与基于CPU的声源定位计算方法相比,综合计算效率提高了约20倍,并将其成功地应用于平面螺旋阵的声成像应用中,实现了实时声成像定位。     

基于并行处理技术的谷物粒型快速测量算法

谷物粒型是决定谷粒品质和产量的重要参数之一。传统人工测量粒型的方法耗时、工作量大、主观性强。本文首先介绍一种基于线阵列采集技术和工业输送技术的谷物粒型自动测量系统。为提高系统测量效率,文章中应用了图形处理器(GPU)并行处理技术,在统一计算设备架构(CUDA)下对测量算法进行优化。实验结果表明,基于GPU的并行加速算法,能有效提高测量效率,当图像中谷粒数近2000颗时,优化后的算法速度为中央处理器(CPU)下算法运行速度的400多倍,且随着采集图像中谷粒数的增多,优化测量算法的加速效果更显著。     

基于k-均值的文本聚类算法及改进

本文提出了k-means聚类算法中选取初始聚类中心及处理孤立点的新方法,改进了k-means算法对初始聚类中心和孤立点文本很敏感的不足之处,并将改进后的算法应用于中文文本聚类中。实验结果表明,改进的算法较原算法在准确率上有较大提高,并且具有更好的稳定性。     

应用 Python-GPU 求解的实时混合试验方法研究

提出了基于 Python 和图形处理器（GPU）数值求解的实时混合试验系统。将土‐结相互作用系统作为试验模型，使用 Python‐GPU 代替 CPU 数值求解，对提出的实时混合试验系统进行了仿真与试验验证。研究结果表明，使用 Python‐GPU 对无条件稳定算法求解，积分步长 20 ms 时 GPU 实时求解模型自由度超过 24000，是同一台计算机CPU 求解规模的 7 倍左右，提升了实时混合试验的试验能力。     

基于减法聚类算法的视频运动目标定位

针对视频运动目标定位的需要,本文给出了一种新的视频运动目标定位方法.该方法运用减法聚类算法对视频运动目标进行定位.分析了减法聚类算法的原理,给出了减法聚类算法的公式推导,目标定位的实现步骤及流程框图.研究了本文方法对不同类型视频运动目标的定位效果,并与基于区域生长的定位方法进行了详细比较.结合实验数据说明了本文方法的定位过程、处理时间及抗噪性能.实验结果表明,本文方法适用于待定位视频序列二值图像存在较大噪声斑点或空域连通特性较差的场合.     

A high-speed wideband spectrometer system based on CUDA-GPU

针对射电信号观测的需求,设计并实现了一种基于统一计算设备架构(CUDA)和图形显示卡(GPU)的宽带高速频谱分析系统.该系统通过运用库利-图基(Cooley-Tukey)快速傅立叶变换算法与谱分析算法实现实时宽带高速频谱分析.系统的关键部分在于通过CUDA来完成运用线程合并算法对数据在CPU与GPU之间传递时的转换,并使用并行流水算法在总线中共享多核GPU来降低实时运算时间.该系统主要为500m口径射电望远镜工程的高分辨率微波巡视项目而设计,实测中满足目标需求,并可应用在射电信号观测或类似的高速密集数据运算中.     

影像边缘检测Prewitt算子的改进算法

本文对Prewitt经典算子进行了分析,根据算法的计算规律提出了一种改进的计算方法,通过对常规算法与改进算法的计算量进行比较分析,从理论上说明了改进算法具有简洁的处理步骤,提高了处理的速度;又通过对200幅256×256影像的具体实验证明,改进算法不仅拥有与原算法相同的效果,而且,处理时间显著缩短。     

基于多分辨率数据源镶嵌的大规模地形实时绘制算法

针对不同分辨率的测量地形数据源,提出了镶嵌四叉树模型,用以实现对多分辨率数据源的镶嵌,以及与细节层次(LOD)算法的融合.设计了基于此模型的批LOD算法,给出了相关公式,并设计了一种从CPU到GPU的渐进LOD数据传输方法.分析了镶嵌四叉树的场景浏览模式,设计了基于此模型的双向两级外存数据调度算法,通过水平、高度两个方向的预测和两级数据预取实现数据页的动态更新,实现了三维地形场景的快速构建和实时浏览.实验表明,该算法能够快速处理大规模多分辨率数据源并且能够充分发挥CPU、GPU与I/O的效率,从而在有限环境下进行快速实时绘制.     

影像边缘检Prewitt算子的改进算法

本文对Prewitt经典箅子进行了分析,根据算法的计算规律提出了一种改进的计算方法,通过对常规算法与改进算法的计算量进行比较分析,从理论上说明了改进算法具有简洁的处理步骤,提高了处理的速度;又通过对200幅256×256影像的具体实验证明,改进算法不仅拥有与原算法相同的效果,而且,处理时间显著缩短.     

基于量子核聚类算法的图像边缘特征提取研究

为了提高图像边缘特征提取质量,采取了量子核聚类算法。首先把像素映射量子编码,在码元建立域内对像素块进行随机采样;然后通过聚类距离计算数据点和每一个聚类核心的距离,把数据向量分配到距离最小的核心向量中,核函数确定有效影响范围;最后对像素聚类相异性分析,给出了算法流程。实验仿真显示这种算法对图像边缘特征提取轮廓清晰,连贯性好,评价指标MS和聚类准确率较好,算法收敛快。     

基于改进谱聚类算法的低压户变关系识别

台区辨识的准确性对配电网的安全稳定运行起着关键作用,其结果直接影响配电网线损计算的精度与配电网的综合保护。传统的台区识别算法对工频过零序列直接进行聚类分析,无法满足“非凸”序列的准确识别。基于此,文章提出一种适用于输入任意过零序列的改进谱聚类算法。该算法以最大化相似度矩阵(weight matrix,WM)的方差作为自适应粒子群算法的目标函数,再自适应选取WM参数阈值将WM变为稀疏矩阵,从而将传统谱聚类算法的特征值计算问题简化为求取规范拉普拉斯矩阵的正交零空间问题,实现无类标签数据的精确聚类和快速计算。通过仿真软件获得的样本数据,其识别准确度可达99.11%,优于传统聚类算法的效果,处理实测数据时仍能达到98.71%的识别准确度。     

一种基于GA的聚类集成算法

提出了一种基于GA的聚类集成算法ECUNGA(ensemble clustering using NMI and GA).算法利用GA搜索一个与聚类集体差异度小的聚类,以此来达到综合聚类集体信息,得到更优秀的聚类的目的.算法相比于传统基于互信息理论的方法,使用GA搜索,提高了搜索的能力且具有较低计算复杂度.最后,在UCI数据集上进行实验,取得了理想的效果.     

基于广度优先搜索的小波聚类算法

针对传统小波聚类算法采用相连定义聚类时精度和效率不够的问题,提出了一种基于广度优先搜索的改进小波聚类算法。该算法综合了小波聚类算法和广度优先搜索邻居聚类算法两者的优势,以小波聚类算法的网格邻居单元定义去改善广度优先搜索邻居聚类算法人工输入参数的敏感性,同时以广度优先搜索邻居聚类算法类门限参数的设定去改善小波聚类算法类划分不精确的缺陷。通过航空发动机转子模拟振动信号实验数据,对其分别进行小波聚类,广度优先搜索邻居聚类以及改进的小波聚类分析,结果表明:基于广度优先搜索的小波聚类能够很好地改善传统小波聚类的聚类精度和聚类速度,明显地降低计算复杂度。