基于GPU的真实感地形绘制

如何高效地处理与显示大规模地形数据目前仍是一个挑战,在分析了大规模地形建模与可视化中存在的主要问题后,充分利用GPU的强大功能,在GPU上进行可见性剔除,实现了CPU与GPU的并行处理。同时充分利用GPU的渲染功能,提高可视化的真实感和实时漫游的速率,实现了大规模三维地形的实时漫游。     

基于Geometry Clipmap算法的大规模地形可视化研究

大规模地形可视化一直是实时计算机图形学的研究瓶颈,归因于地形数据的海量性与实时计算机图形学的实时性之间的矛盾。基于Geometry Clipmap算法提出一个扩展的大规模地形实时渲染的解决方案,在高效地利用现代图形学硬件的同时,有效地减少批次渲染的三角形面片数量。在使用合适的数据调度算法之后,使无限大小地形的实时漫游成为可能。     

基于GPU编程的地形可视化

由于地形模型固有的复杂性,致使计算机硬件水平一直难以满足大规模地形模型的实时显示需求。为了在现有的硬件水平上实现地形模型的快速绘制,在对传统的ROAM算法进行改进的基础上,提出一种基于GPU编程的地形可视化算法,实现了视点依赖的大规模地形的快速可视化。该算法首先基于改进的ROAM(real-time optimallyadaptive meshes)算法生成视点依赖的优化连续LOD模型;然后用GPU编程计算顶点的变换、法向量、纹理坐标、纹理采样和面元光照;最后完成地形的着色。实验结果表明,利用GPU编程不仅能有效提高算法速度,而且能实现较大规模地形的实时漫游。     

基于GPU的大规模地形数据绘制算法

针对大规模地形数据绘制中,对绘制过程快速、生成图像清晰准确的要求,从地形数据的组织、实时绘制时LOD选取标准、层次过渡优化、视锥体裁减等地形可视化的几个关键技术层面着手,提出合理的解决方案。生成的结果表明,该方法能够充分利用GPU进行绘制,可以适用于大规模地形数据绘制。     

大规模三维地形可视化算法研究进展

大规模地形可视化是大型户外环境模拟不可缺少的组成部分,也是近年来可视化领域的研究热点,在游戏、仿真、虚拟现实、地理信息系统等领域有着广泛的应用。本文重点讨论了国内外学者在该领域的研究方法和最新研究进展以及尚未解决的问题。从数据拟合和模型简化两个方面叙述了自适应地形可视化建模方法,根据对现代图形硬件是否友好,将地形模型简化算法归纳为面向CPU的细粒度LOD算法和面向GPU的粗粒度LOD算法两类,同时描述了建模过程中存在的空间不连续问题以及各种解决方案,详细阐述了支持大数据集绘制的out-of-core技术,最后总结并分析了地形可视化建模领域的发展趋势和今后的研究重点。     

基于GPU的真实感地形绘制

如何高效地处理与显示大规模地形数据目前仍是一个挑战,在分析了大规模地形建模与可视化中存在的主要问题后,充分利用GPU的强大功能,在GPU上进行可见性剔除,实现了CPU与GPU的并行处理。同时充分利用GPU的渲染功能,提高可视化的真实感和实时漫游的速率,实现了大规模三维地形的实时漫游。     

海量地形实时动态存储与绘制的GPU实现算法

为了降低实时更新和存储海量地形的形变数据对动态绘制速度的影响,提出一种基于整数小波变换与限制性四叉树相结合的GPU并行动态存储与绘制算法.首先设计面向CUDA并行且无损的基于块的整数小波变换算法和SPIHT压缩算法,提高地形压缩比以减小数据传输量,同时解决了海量地形动态数据存储的编解码的实时性问题,实现了局部动态地形数据的实时存储;然后将小波系数、限制性四叉树层次结构以及模板技术相结合,提出一种自适应三角化和绘制的并行处理算法.实验结果表明,对于海量地形数据,文中算法可以在实现后端及时保存局部形变数据的同时,前端可以保持较高的绘制帧率.     

GPU Tessellation全球地形可视化方法

目的 目前全球大规模地形可视化问题基本都衍生于分块LOD(level of detail)方法,该方法在快速地表漫游中依然存在GPU-CPU的数据传输瓶颈,其基于裙边的缝隙修复方法既需要额外资源,还存在依然无法完全消除的痕迹。为解决这些问题,提出了一种GPU网格生成的地形可视化方法。方法 结合GPU Tessellation方法、基于视点与屏幕空间误差的LOD方法、局部坐标系渲染等算法,使得全球地形可视化的生成效率有明显提高。结果 实现了一个全球地形可视化系统GTVS,提供全球高精度地形数据与多分辨率高清卫星影像数据的调度与渲染等。论文对该系统进行了详实的实验和数据分析,相比传统基于GPU的分块LOD方法,FPS(frames per second)提升100%以上,很好地解决了系统瓶颈问题。结论 结果表明所提方法实用、鲁棒、扩展性好,可广泛地适用于大规模的全球渲染系统中。     

基于GPU的并行高性能AC算法

随着网络的发展,网络流量的增长速度与网络安全系统的过滤能力之间的矛盾日益突出。作为网络安全系统的核心模块———模式匹配模块的处理能力受到严峻的挑战。传统串行模式匹配算法已经很难满足当前网络的需求。本文改进了传统的AC算法,利用高性能专用并行处理芯片———GPU来提高AC算法的处理速度,提出了一种G-AC算法。实验表明,在不同数据集上,其性能分别是传统AC算法的10倍以上。     

基于GPU的大规模海浪实时绘制

海浪建模与绘制是近二十年来计算机图形学领域的一个经典问题,同时,随着硬件的发展,尤其是图形处理器(GPU)以大大超过摩尔定律的速度高速发展和其高速计算能力、并行性、其可编程功能,使得基于GPU的通用计算成为一个新研究热点.利用GPU的高速计算能力和可编程功能,解决海浪模拟中的复杂计算问题,提出一种基于图形硬件的大规模海浪实时绘制方法.首先,对图形处理器进行了概述.然后,基于Gerstner-Rankine模型生成海洋高度场,采用屏幕细分自适应算法对数字地球上的可视海洋表面进行采样,利用图形处理单元的可编程特性进行顶点和颜色计算,模拟实时球面海浪效果.实验结果表明,基于GPU的方法可以在普通PC图形硬件上实现大规模海浪的交互漫游.     

基于Geometry Clipmap的大规模地形绘制算法

针对地形渲染的实时性与大规模地形数据的海量性之间的矛盾,基于Geometry Clipmap算法的基本思想,对其进行了简化和改进.在原始地形数据处理阶段,精简了原算法的数据结构,并按Clipmap格式进行存储;在绘制阶段,针对相邻层次间的裂缝问题,提出了一种删除边的方法有效地消除了裂缝.实验表明,该方法充分利用了GPU的优势,为大规模地形的实时绘制提供了解决方案.     

一种大规模地形的高效绘制算法

大规模地形的实时可视化是仿真和虚拟地理环境系统的重要问题。文章提出了一种基于规则网格的视点相关的地形模型实时生成及绘制算法。该算法采用类似于纹理多重映射的技术,以屏幕误差作为细分的依据,通过基于地形小块的自顶向下的细分来实时生成地形连续LO D模型。在PⅣ1.7G、集成显卡、256M B RAM的硬件平台上,本算法可实现对257×257个采样点地形的实时漫游.实验表明,该算法具有较低的时间、空间开销,适于大规模地形的实时可视化。     

海量数据GPU体绘制优化研究

高性能GPU使得体绘制在廉价的硬件上获得良好的性能,但海量数据体绘制的效率依旧低下.本文探讨了GPU体绘制中图形硬件的瓶颈,并提出新颖的算法解决这些问题:采用数据分块和八叉树划分体数据实现空单元跳过优化.该算法解决了海量数据超过可用纹理空间的难题,同时允许实时改变体绘制传递函数.     

基于Mipmap的大规模地形绘制算法与仿真

研究大规模地形与纹理数据动态可视化算法与仿真问题。针对大规模地形与纹理数据动态可视化实时显示难题,提出一种基于Mipmap的大规模地形动态绘制算法,实现模型数据库组织与管理的高效性、场景调度的实时性,以北京市地形数据为仿真模型,实现大规模地形与纹理数据动态可视化算法与实时仿真。上述算法在Mipmap技术的基础上,首先利用双线性内插算法把离散的原始数据生成规则网格DEM,然后采用四叉树结构的LOD算法简化海量地形和纹理数据,最后使用四队列分页调度、基于视域的LRU算法释放内存、多线程并行处理的场景优化策略来进行动态调度和绘制。结合OSG和Open GL渲染引擎,将基于Mipmap的大规模地形绘制算法应用在北京市地形绘制中,仿真结果表明,上述算法比传统的CLOD地形瓦片绘制算法,具有更快的渲染绘制速率,并且能够快速绘制北京市地形数据和在不同场景下进行快速浏览。     

基于光线投射的全GPU实现的地形渲染算法

地形渲染算法需要处理大量的地形及纹理数据,影响三维动画显示的流畅性和性能提高。随着GPU绘制能力提高,CPU与GPU的负载失衡逐渐成为制约性能提高的瓶颈。结合现代GPU体系结构,在GPU上实现了基于光线投射（Ray Casting）的地形渲染算法。算法简化了Ray Casting算法,把LOD策略和预裁剪统一到GPU中实现,保证了CPU和GPU之间的负载平衡,同时简化了应用程序的编制。为获得较好效果,还采用查找表（Lookup—Table）的实时纹理合成算法合成纹理,进一步降低了CPU处理纹理数据的开销。实验表明,本文算法不仅充分利用了GPU的处理能力,还降低了CPU负载,提高了动态三维重建的帧刷新率,并获得较逼真的渲染效果。     

基于GPU的大尺度网络布局显示

复杂网络的可视化是复杂网络研究中的重要手段.随着Web2.0时代和大数据时代的来临,作为研究对象的复杂网络的规模越来越大,这对复杂网络可视化布局算法的布局效果和运算速度提出了新的挑战.本文针对复杂网络布局的力导引算法,从布局效果和算法效率两方面对该算法进行了改进和实现.布局效果方面,利用复杂网络中的关节点,对网络数据进行抽象合并,从而实现分层次的网络布局显示.算法效率方面,针对压缩后的网络采用具有强大浮点运算能力的GPU进行计算,对力导引算法需要斥力计算、引力计算和坐标更新三个部分均实现了基于GPU的并行计算,大大提高了计算效率.