基于多窗口的蚁群图像边缘检测及并行算法
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 多窗口并行边缘检测的研究现状 | 第12-13页 |
| 1.2.2 蚁群图像边缘检测的研究现状 | 第13-14页 |
| 1.3 主要研究内容与创新之处 | 第14-15页 |
| 1.3.1 主要研究内容 | 第14-15页 |
| 1.3.2 创新之处 | 第15页 |
| 1.4 本文组织架构 | 第15-17页 |
| 第2章 基于改进蚁群算法的图像边缘检测技术 | 第17-26页 |
| 2.1 蚁群算法简介 | 第17-18页 |
| 2.2 图像边缘检测的原理简介 | 第18页 |
| 2.3 基于传统蚁群算法的图像边缘检测 | 第18-20页 |
| 2.3.1 算法的基本思想及相关定义 | 第18-19页 |
| 2.3.2 算法基本步骤 | 第19-20页 |
| 2.4 基于改进蚁群算法的图像边缘检测技术 | 第20-25页 |
| 2.4.1 算法的基本思想及相关定义 | 第20-21页 |
| 2.4.2 算法关键策略及流程图 | 第21-23页 |
| 2.4.3 算法基本步骤 | 第23-24页 |
| 2.4.4 算法实验结果 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于等分窗口的多态蚁群图像边缘检测算法 | 第26-37页 |
| 3.1 等分多窗口机制 | 第26-27页 |
| 3.2 多态蚁群的基本原理 | 第27-28页 |
| 3.3 基于等分窗口的多态蚁群边缘检测算法 | 第28-34页 |
| 3.3.1 算法的基本思想及相关定义 | 第28-29页 |
| 3.3.2 算法关键策略 | 第29-33页 |
| 3.3.3 算法基本步骤 | 第33-34页 |
| 3.4 实验结果与算法分析 | 第34-36页 |
| 3.4.1 实验结果及效果对比 | 第34-36页 |
| 3.4.2 算法分析 | 第36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于信息熵划分的多窗口图像边缘检测算法 | 第37-48页 |
| 4.1 基于信息熵的自适应窗口划分 | 第37-40页 |
| 4.1.1 算法背景 | 第37-38页 |
| 4.1.2 信息熵的基本原理 | 第38-39页 |
| 4.1.3 基于信息熵划分窗口的步骤 | 第39页 |
| 4.1.4 窗口划分粒度和阈值的选择 | 第39-40页 |
| 4.2 基于信息熵划分的多窗口图像边缘检测算法 | 第40-43页 |
| 4.2.1 算法的基本思想及相关定义 | 第40-41页 |
| 4.2.2 算法基本步骤 | 第41-43页 |
| 4.3 实验结果与算法分析 | 第43-47页 |
| 4.3.1 实验结果及效果对比 | 第43-45页 |
| 4.3.2 算法运行时间对比 | 第45-46页 |
| 4.3.3 算法分析 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 基于多窗口的蚁群图像边缘检测并行算法 | 第48-65页 |
| 5.1 算法背景 | 第48-49页 |
| 5.2 CUDA模型简介 | 第49-50页 |
| 5.3 并行计算的实现 | 第50-55页 |
| 5.3.1 粗粒度划分 | 第52-53页 |
| 5.3.2 蚁群算法的并行性及细粒度划分 | 第53-55页 |
| 5.4 并行算法的相关策略 | 第55-58页 |
| 5.4.1 防冲突策略 | 第55-57页 |
| 5.4.2 边缘连接策略及算法 | 第57-58页 |
| 5.5 基于多窗口并行的蚁群图像边缘检测算法 | 第58-62页 |
| 5.5.1 算法的基本思想及相关定义 | 第58-60页 |
| 5.5.2 算法基本步骤 | 第60-62页 |
| 5.6 并行实验与分析 | 第62-64页 |
| 5.6.1 并行算法设计的性能评估 | 第62页 |
| 5.6.2 实验结果与分析 | 第62-64页 |
| 5.7 本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71页 |
