| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 GPU并行计算技术研究现状 | 第12-13页 |
| 1.2.2 图像检索系统研究现状 | 第13-14页 |
| 1.3 本文主要工作 | 第14-15页 |
| 1.4 本文的结构安排 | 第15-17页 |
| 第二章 相关基础知识 | 第17-39页 |
| 2.1 GPU并行计算与CUDA平台 | 第17-19页 |
| 2.1.1 GPU并行计算 | 第17-18页 |
| 2.1.2 CUDA软件架构 | 第18-19页 |
| 2.2 CUDA编程模型 | 第19-25页 |
| 2.2.1 主机和设备 | 第19-20页 |
| 2.2.2 CUDA线程模型 | 第20-22页 |
| 2.2.3 CUDA内存模型 | 第22-23页 |
| 2.2.4 CUDA编程模型的优化准则 | 第23-25页 |
| 2.3 SIFT特征提取算法 | 第25-32页 |
| 2.3.1 尺度空间理论 | 第26页 |
| 2.3.2 SIFT特征提取算法的基本原理 | 第26-32页 |
| 2.4 SIFT特征匹配算法 | 第32-35页 |
| 2.4.1 相似性度量 | 第33-34页 |
| 2.4.2 KD-Tree算法和BBF搜索算法 | 第34-35页 |
| 2.5 k-means聚类算法 | 第35-38页 |
| 2.5.1 聚类分析 | 第35-36页 |
| 2.5.2 k-means算法原理 | 第36-38页 |
| 2.6 本章小结 | 第38-39页 |
| 第三章 基于GPU的并行SIFT算法关键技术研究 | 第39-51页 |
| 3.1 SIFT算法的并行化总体设计 | 第39-41页 |
| 3.2 SIFT特征提取并行研究与实现 | 第41-45页 |
| 3.2.1 尺度空间构建并行研究与实现 | 第41-42页 |
| 3.2.2 极值点检测并行研究与实现 | 第42-43页 |
| 3.2.3 特征点方向计算并行研究与实现 | 第43-44页 |
| 3.2.4 特征点描述符计算并行研究与实现 | 第44-45页 |
| 3.3 SIFT特征匹配并行研究与实现 | 第45-46页 |
| 3.4 实验与分析 | 第46-50页 |
| 3.4.1 SIFT特征提取实验分析 | 第46-48页 |
| 3.4.2 SIFT特征匹配实验分析 | 第48-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于GPU的并行k-means算法关键技术研究 | 第51-58页 |
| 4.1 k-means算法的并行化总体设计 | 第51-52页 |
| 4.2 k-means算法的并行研究与实现 | 第52-56页 |
| 4.2.1 算法粗粒度并行研究与实现 | 第53-54页 |
| 4.2.2 算法细粒度并行研究与实现 | 第54-56页 |
| 4.3 实验与分析 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 基于GPU的并行图像检索系统的设计与实现 | 第58-80页 |
| 5.1 系统开发背景与特性分析 | 第58-59页 |
| 5.2 系统需求与用例分析 | 第59-61页 |
| 5.3 系统概要设计 | 第61-64页 |
| 5.3.1 系统功能结构及硬件结构设计 | 第61-63页 |
| 5.3.2 系统框架与流程设计 | 第63-64页 |
| 5.4 系统详细设计与实现 | 第64-72页 |
| 5.4.1 特征库的创建模块 | 第64-67页 |
| 5.4.2 特征库的分类模块 | 第67-68页 |
| 5.4.3 索引创建模块 | 第68-69页 |
| 5.4.4 图像检索模块 | 第69-70页 |
| 5.4.5 通信模块 | 第70-72页 |
| 5.5 系统应用效果及性能分析 | 第72-79页 |
| 5.5.1 系统展示 | 第72-74页 |
| 5.5.2 系统检索性能评价 | 第74-79页 |
| 5.6 本章小结 | 第79-80页 |
| 第六章 总结与展望 | 第80-82页 |
| 6.1 论文总结 | 第80-81页 |
| 6.2 工作展望 | 第81-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 攻读硕士期间科研成果 | 第87-88页 |