| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文主要研究内容 | 第15-17页 |
| 1.4 本文的组织结构 | 第17-19页 |
| 第二章 GPU硬件架构及编程模型 | 第19-33页 |
| 2.1 GPU与CPU架构的区别 | 第19-20页 |
| 2.2 GPU硬件架构 | 第20-27页 |
| 2.2.1 AMD GPU架构 | 第20-24页 |
| 2.2.2 NVIDIA GPU架构 | 第24-27页 |
| 2.3 众核编程模型 | 第27-31页 |
| 2.3.1 OpenCL编程模型 | 第27-30页 |
| 2.3.2 CUDA编程模型 | 第30-31页 |
| 2.4 小结 | 第31-33页 |
| 第三章 基本图像处理算法的并行性分析及优化原理 | 第33-41页 |
| 3.1 采样算法并行性分析 | 第33-34页 |
| 3.1.1 下采样算法 | 第33页 |
| 3.1.2 上采样算法 | 第33-34页 |
| 3.2 卷积算法并行性分析 | 第34页 |
| 3.3 过冲控制并行性分析 | 第34页 |
| 3.4 图像边界部分处理并行性分析 | 第34-35页 |
| 3.5 归约并行性分析 | 第35页 |
| 3.6 滤波并行性分析 | 第35-36页 |
| 3.6.1 水平滤波 | 第35页 |
| 3.6.2 垂直滤波 | 第35-36页 |
| 3.7 图像处理算法基本优化方法及其原理 | 第36-40页 |
| 3.7.1 数据传输优化 | 第36页 |
| 3.7.2 存储优化 | 第36-39页 |
| 3.7.3 NDRange优化 | 第39页 |
| 3.7.4 指令流优化 | 第39-40页 |
| 3.7.5 数据共享 | 第40页 |
| 3.7.6 数据相关 | 第40页 |
| 3.8 小结 | 第40-41页 |
| 第四章 Sharpness算法的分析及优化 | 第41-57页 |
| 4.1 Sharpness算法介绍 | 第41-46页 |
| 4.1.1 下采样 | 第41-42页 |
| 4.1.2 上采样 | 第42-43页 |
| 4.1.3 差值计算 | 第43-44页 |
| 4.1.4 图像锐化 | 第44-46页 |
| 4.2 Sharpness算法的GPU优化 | 第46-49页 |
| 4.2.1 Host和Device端的数据传输优化 | 第46页 |
| 4.2.2 Kernel融合 | 第46-47页 |
| 4.2.3 归约优化 | 第47-48页 |
| 4.2.4 向量化及数据本地化优化 | 第48页 |
| 4.2.5 边界优化 | 第48-49页 |
| 4.2.6 其他基本优化 | 第49页 |
| 4.3 Sharpness算法的SIMD优化 | 第49-50页 |
| 4.4 性能剖析 | 第50-57页 |
| 4.4.1 GPU和CPU性能对比 | 第51-54页 |
| 4.4.2 各优化方法带来的性能提升 | 第54-57页 |
| 第五章 Laplacian算法的分析及优化 | 第57-67页 |
| 5.1 Laplacian算法介绍 | 第57-60页 |
| 5.2 Laplacian算法的GPU优化 | 第60-63页 |
| 5.2.1 边界padding和水平滤波优化 | 第60-61页 |
| 5.2.2 垂直滤波和下采样优化 | 第61-62页 |
| 5.2.3 上采样算法优化 | 第62-63页 |
| 5.3 Laplacian算法的SIMD优化 | 第63页 |
| 5.4 性能剖析 | 第63-67页 |
| 第六章 结论与展望 | 第67-71页 |
| 6.1 本文工作总结 | 第67-68页 |
| 6.2 研究展望 | 第68-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 个人简历、在学期间发表的论文与研究成果 | 第77页 |