| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-15页 |
| 1.1.1 Hα全日面图像云污染去除的研究意义 | 第12-14页 |
| 1.1.2 采用GPU实现快速处理的必要性 | 第14-15页 |
| 1.2 论文的主要工作 | 第15页 |
| 1.3 论文结构安排 | 第15-16页 |
| 1.4 本章小结 | 第16-18页 |
| 第二章 Hα全日面图像云污染检测和修复算法 | 第18-28页 |
| 2.1 图像云污染检测方法 | 第18-23页 |
| 2.1.1 Hα全日面太阳图像有无云污染的判断依据 | 第18-19页 |
| 2.1.2 二值图标准圆法判断图像是否重度云污染 | 第19-20页 |
| 2.1.3 临边昏暗曲线相关系数法判断可修复云污染 | 第20-23页 |
| 2.2 Hα全日面图像云污染的修复算法 | 第23-27页 |
| 2.2.1 Hα全日面图像云污染的修复原理 | 第23-25页 |
| 2.2.2 Hα全日面观测图像标准模板的获取 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 Hα全日面云污染图像实时修正算法的GPU实现 | 第28-44页 |
| 3.1 基于GPU的CUDA并行计算架构 | 第28-32页 |
| 3.1.1 GPU与CPU的比较 | 第28-30页 |
| 3.1.2 GPU的CUDA开发包 | 第30-32页 |
| 3.2 云污染识别与修复算法的CUDA实现 | 第32-42页 |
| 3.2.1 CUDA中CPU和GPU处理任务划分 | 第32-33页 |
| 3.2.2 GPU中实现重度云污染判断 | 第33-35页 |
| 3.2.3 GPU中实现无云污染图像判断 | 第35-39页 |
| 3.2.4 双调排序在GPU上的并行实现 | 第39-42页 |
| 3.2.5 GPU中实现云污染图像的修复 | 第42页 |
| 3.3 算法在CPU和GPU中运行效率对比 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 几种滤波算法在GPU中实现比较 | 第44-64页 |
| 4.1 滤波前图像边缘问题的解决 | 第44-45页 |
| 4.2 云污染图像的中值滤波GPU实现 | 第45-48页 |
| 4.3 云污染图像的形态学滤波GPU实现 | 第48-52页 |
| 4.4 云污染图像的频域巴氏低通滤GPU实现 | 第52-59页 |
| 4.5 三种滤波算法的分析比较 | 第59-61页 |
| 4.6 本章小结 | 第61-64页 |
| 第五章 Hα全日面图像实时改正系统的设计与实现 | 第64-76页 |
| 5.1 Hα全日面图像的实时改正系统设计 | 第64-68页 |
| 5.1.1 Hα全日面图像实时改正系统的总体设计 | 第64页 |
| 5.1.2 模板制+作模块具体设计 | 第64-66页 |
| 5.1.3 图像实时改正模块具体设计 | 第66-68页 |
| 5.2 Hα全日面图像实时改正系统开发环境介绍 | 第68-69页 |
| 5.2.1 硬件环境介绍 | 第68-69页 |
| 5.2.2 软件环境介绍 | 第69页 |
| 5.3 Hα全日面图像实时改正系统的实现 | 第69-73页 |
| 5.3.1 模板制作模块的实现 | 第69-71页 |
| 5.3.2 实时改正模块的实现 | 第71-73页 |
| 5.4 Hα全日面图像实时改正系统性能测试 | 第73-75页 |
| 5.5 本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-80页 |
| 6.1 论文工作总结 | 第76-77页 |
| 6.2 下一步工作展望 | 第77-80页 |
| 致谢 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 附录A：攻读学位期间发表论文目录 | 第86-88页 |
| 附录B：攻读学位期间参与完成的研究成果 | 第88页 |
