| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第9-15页 |
| ·图像匹配概述 | 第9-11页 |
| ·GPU 通用计算发展概述 | 第11-12页 |
| ·本文的主要研究内容和章节安排 | 第12-13页 |
| ·本文的组织结构 | 第13-15页 |
| 第二章 图像匹配基本理论 | 第15-23页 |
| ·图像匹配的基本概念 | 第15-18页 |
| ·图像匹配的数学定义 | 第15页 |
| ·图像匹配得四项基本要素 | 第15-16页 |
| ·图像匹配性能评价 | 第16页 |
| ·空间变换模型 | 第16-18页 |
| ·图像匹配基本流程 | 第18-19页 |
| ·图像匹配算法的分类 | 第19-23页 |
| ·基于图像灰度的匹配算法 | 第19-20页 |
| ·基于图像特征的匹配算法 | 第20-23页 |
| 第三章 GPU 体系架构和 CUDA | 第23-29页 |
| ·GPU 的体系架构 | 第23-24页 |
| ·CUDA 概述 | 第24页 |
| ·CUDA 编程模型 | 第24-26页 |
| ·CUDA 的程序架构 | 第26-27页 |
| ·CUDA 软件栈 | 第26页 |
| ·CUDA Ｃ语言 | 第26-27页 |
| ·CUDA 编译器 | 第27页 |
| ·CUDA 程序的优化 | 第27-29页 |
| ·CUDA 优化评估策略 | 第27页 |
| ·CUDA 优化实现策略 | 第27-29页 |
| 第四章 基于 SUSAN 算子的 SUSAN-SIFT 改进算法 | 第29-37页 |
| ·SIFT 算法介绍 | 第29-33页 |
| ·构建 DoG 尺度空间 | 第29-30页 |
| ·DoG 尺度空间内极值点的检测 | 第30-31页 |
| ·确定关键点主方向 | 第31-32页 |
| ·计算特征点描述符 | 第32-33页 |
| ·基于 SUSAN 算子的 SUSAN-SIFT 改进算法 | 第33-35页 |
| ·SUSAN 算子 | 第33-34页 |
| ·生成 SUSAN-SIFT 关键点提取算子 | 第34页 |
| ·SUSAN-SIFT 算法特征点提取及分类 | 第34-35页 |
| ·特征向量的匹配 | 第35-37页 |
| 第五章 SUSAN-SIFT 算法的 CUDA 并行实现 | 第37-46页 |
| ·基于 CUDA 的 SIFT 算法实现 | 第37-40页 |
| ·建立 DoG 空间 | 第37-38页 |
| ·DoG 空间内极值点的检测 | 第38-39页 |
| ·确定特征点主方向 | 第39-40页 |
| ·特征点描述符的计算 | 第40页 |
| ·特征向量的匹配 | 第40页 |
| ·基于 CUDA 的 SUSAN-SIFT 算法优化 | 第40-41页 |
| ·实验结果及分析 | 第41-46页 |
| ·实验环境 | 第41页 |
| ·实验结果 | 第41-43页 |
| ·实验分析 | 第43-46页 |
| 第六章 总结与展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 攻读硕士学位期间取得的科研成果 | 第50-51页 |
| 致谢 | 第51页 |
