| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究的背景 | 第10-11页 |
| 1.1.2 研究的意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究内容与结构安排 | 第14-16页 |
| 2 GPU通用并行计算与CUDA技术基础 | 第16-26页 |
| 2.1 GPU发展简介 | 第16-17页 |
| 2.2 GPU与CPU的对比 | 第17-19页 |
| 2.3 CUDA架构 | 第19-25页 |
| 2.3.1 CUDA软件环境 | 第19-20页 |
| 2.3.2 CUDA编程模型 | 第20-21页 |
| 2.3.3 CUDA存储器模型 | 第21-23页 |
| 2.3.4 CUDA执行模型 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 遥感影像归一化植被指数研究内容 | 第26-34页 |
| 3.1 归一化植被指数研究方法 | 第26-27页 |
| 3.2 多光谱遥感图像波段分离 | 第27-29页 |
| 3.3 基于OpenCV的图像读取与显示 | 第29页 |
| 3.4 遥感图像处理 | 第29-32页 |
| 3.4.1 数字图像灰度直方图 | 第29-30页 |
| 3.4.2 图像的增强处理（对比度拉伸） | 第30-31页 |
| 3.4.3 基于OTSU算法的图像二值化处理 | 第31-32页 |
| 3.5 本章小结 | 第32-34页 |
| 4 基于GPU实现遥感影像归一化植被指数算法 | 第34-46页 |
| 4.1 算法加速的可行性分析 | 第34-35页 |
| 4.2 算法的并行化 | 第35-39页 |
| 4.2.1 CPU与GPU任务划分 | 第35-37页 |
| 4.2.2 线程映射模型 | 第37-39页 |
| 4.3 并行算法的实现流程 | 第39-40页 |
| 4.4 算法的准确性验证 | 第40-45页 |
| 4.4.1 使用ENVI实现归一化植被指数算法 | 第41-43页 |
| 4.4.2 对归一化植被指数并行算法的结果验证 | 第43-44页 |
| 4.4.3 归一化植被指数提取结果误差分析 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 5 遥感影像归一化植被指数并行算法优化 | 第46-54页 |
| 5.1 block和thread数量优化 | 第46-48页 |
| 5.2 共享存储器访问优化 | 第48页 |
| 5.3 并行算法性能测试 | 第48-53页 |
| 5.3.1 测试环境及方法 | 第48-50页 |
| 5.3.2 block和thread数量优化后的性能对比 | 第50-51页 |
| 5.3.3 共享存储器访问优化后的性能对比 | 第51-52页 |
| 5.3.4 归一化植被指数提取算法的性能对比 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 研究工作总结 | 第54页 |
| 6.2 进一步的工作与展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-61页 |
| 攻读学位期间发表的学术论文与参加的项目 | 第61-62页 |