摘要 | 第3-4页 |
Abstract | 第4-5页 |
第1章 绪论 | 第8-12页 |
1.1 研究背景与意义 | 第8-9页 |
1.2 国内外研究现状 | 第9-10页 |
1.2.1 超声弹性成像 | 第9页 |
1.2.2 运动位移估计技术 | 第9-10页 |
1.2.3 CUDA并行计算 | 第10页 |
1.3 本文工作创新 | 第10-11页 |
1.4 组织结构 | 第11-12页 |
第2章 传统互相关算法及基于和表的互相关算法二维实现 | 第12-24页 |
2.1 传统的互相关算法 | 第12-13页 |
2.2 基于和表的互相关算法 | 第13-15页 |
2.3 传统的二维互相关算法 | 第15-16页 |
2.4 基于和表的二维互相关算法 | 第16-19页 |
2.4.1 二维和表模型构建及计算方式 | 第16-17页 |
2.4.2 基于和表的二维互相关算法实现 | 第17-19页 |
2.5 实验结果与分析 | 第19-23页 |
2.5.1 计算效率 | 第20-22页 |
2.5.2 模拟仿真试验 | 第22-23页 |
2.6 本章小结 | 第23-24页 |
第3章 基于GPU并行的传统二维互相关算法和基于和表的二维互相关算法 | 第24-39页 |
3.1 GPU并行计算 | 第24-25页 |
3.2 基于GPU并行的归一化二维互相关算法 | 第25-28页 |
3.2.1 传统二维算法的并行化策略 | 第25-27页 |
3.2.2 片上访问优化 | 第27-28页 |
3.3 基于GPU并行的二维和表互相关算法 | 第28-33页 |
3.3.1 基于和表的二维互相关算法的并行性分析 | 第28页 |
3.3.2 基于和表的二维互相关算法的并行策略 | 第28-31页 |
3.3.3 基于和表的二维互相关算法的并行化实现 | 第31-33页 |
3.4 实验结果与分析 | 第33-38页 |
3.4.1 计算效率 | 第33-37页 |
3.4.2 模拟仿真试验 | 第37-38页 |
3.5 本章小结 | 第38-39页 |
第4章 基于互相关系数矩阵插值的运动位移估计 | 第39-51页 |
4.1 基于纹理内存的双线性插值 | 第40-42页 |
4.1.1 双线性插值 | 第40-41页 |
4.1.2 基于纹理内存的双线性插值 | 第41-42页 |
4.2 基于纹理内存的三次B样条插值 | 第42-46页 |
4.2.1 三次B样条插值 | 第42-44页 |
4.2.2 基于纹理内存的三次B样条插值 | 第44-46页 |
4.4 实验结果与分析 | 第46-49页 |
4.4.0 对比度噪声比(CNRE) | 第46页 |
4.4.1 计算效率 | 第46-48页 |
4.4.2 模拟仿真试验 | 第48-49页 |
4.5 本章小结 | 第49-51页 |
第5章 总结与展望 | 第51-53页 |
5.1 本文工作总结 | 第51页 |
5.2 后续工作展望 | 第51-53页 |
致谢 | 第53-54页 |
参考文献 | 第54-58页 |
攻读硕士学位期间发表的论文及科研成果 | 第58页 |