基于GPGPU技术的大规模地理数据的处理和分析
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-13页 |
| 1.1.1 海量遥感数据处理 | 第9-10页 |
| 1.1.2 图形处理器通用计算技术(GPGPU) | 第10-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.2.1 遥感影像处理 | 第14-15页 |
| 1.2.2 空间聚类问题 | 第15页 |
| 1.3 本文研究主要工作 | 第15-16页 |
| 1.4 本文的组织安排 | 第16-17页 |
| 2 CUDA相关技术理论 | 第17-24页 |
| 2.1 GPU线程 | 第17-18页 |
| 2.2 CUDA存储器与缓存机制 | 第18-22页 |
| 2.2.1 共享存储器 | 第19-20页 |
| 2.2.2 全局存储器 | 第20页 |
| 2.2.3 纹理存储器 | 第20页 |
| 2.2.4 锁页存储器 | 第20-21页 |
| 2.2.5 流处理 | 第21-22页 |
| 2.2.6 缓存机制 | 第22页 |
| 2.3 CUDA执行模型 | 第22-23页 |
| 2.4 CUDA算法设计 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 遥感影像处理 | 第24-38页 |
| 3.1 影像的组织 | 第24-25页 |
| 3.2 金字塔构建 | 第25-29页 |
| 3.2.1 坐标转换 | 第25-26页 |
| 3.2.2 重采样 | 第26-29页 |
| 3.2.3 数据编码 | 第29页 |
| 3.3 基于GPU的金字塔构建 | 第29-35页 |
| 3.3.1. 数据传输 | 第30-32页 |
| 3.3.2 两级分解策略 | 第32-35页 |
| 3.3.3 内存和显存的阈值 | 第35页 |
| 3.4 实验结果与分析 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 4 二部图聚类算法 | 第38-47页 |
| 4.1 二部图聚类 | 第38-39页 |
| 4.2 空间关系建立 | 第39-40页 |
| 4.3 构建二部图 | 第40-41页 |
| 4.4 基于GPGPU的算法优化 | 第41-43页 |
| 4.4.1 并行算法设计分析 | 第41-42页 |
| 4.4.2 全局存储器的优化 | 第42-43页 |
| 4.4.3 共享存储器的优化 | 第43页 |
| 4.5 实验结果与分析 | 第43-45页 |
| 4.6 本章小结 | 第45-47页 |
| 5 总结与展望 | 第47-49页 |
| 5.1 总结 | 第47页 |
| 5.2 展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 攻读学位期间主要的研究成果 | 第53-54页 |
| 致谢 | 第54页 |
