| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题背景 | 第11-13页 |
| 1.2 图像颜色编辑算法的发展 | 第13-15页 |
| 1.3 本文工作 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第2章 颜色迁移及GPU加速相关理论综述 | 第18-31页 |
| 2.1 颜色空间概述 | 第18-21页 |
| 2.1.1 RGB颜色空间 | 第18-19页 |
| 2.1.2 1αβ颜色空间 | 第19-20页 |
| 2.1.3 HSV颜色空间 | 第20-21页 |
| 2.2 GPU加速简介 | 第21-24页 |
| 2.2.1 GPU组成架构 | 第22页 |
| 2.2.2 CUDA软件架构 | 第22-24页 |
| 2.3 稀疏矩阵存储格式 | 第24-27页 |
| 2.3.1 COO坐标格式存储 | 第24-25页 |
| 2.3.2 CSR压缩行存储 | 第25-26页 |
| 2.3.3 存储结构比较 | 第26-27页 |
| 2.4 局部线性嵌入算法 | 第27-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于GPU加速的KNN算法 | 第31-39页 |
| 3.1 基于欧氏距离的KNN问题 | 第31-32页 |
| 3.2 KNN数据点间距离计算CUDA加速 | 第32-36页 |
| 3.3 KNN算法距离排序CUDA加速 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 稀疏矩阵运算GPU加速设计 | 第39-50页 |
| 4.1 稀疏矩阵并行化可行性分析 | 第39-42页 |
| 4.2 稀疏矩阵向量乘法GPU加速 | 第42-45页 |
| 4.2.1 SpMV基本并行算法 | 第42-44页 |
| 4.2.2 改进的SpMV并行算法 | 第44-45页 |
| 4.3 基于GPU加速的稀疏矩阵线性方程组求解 | 第45-49页 |
| 4.3.1 雅可比迭代法算法原理 | 第45-46页 |
| 4.3.2 雅可比迭代法GPU加速 | 第46-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 实验对比与分析 | 第50-61页 |
| 5.1 实验环境设置 | 第50页 |
| 5.2 基于GPU加速的KNN算法实验及结果分析 | 第50-52页 |
| 5.3 基于CUDA加速的稀疏矩阵运算实验及结果分析 | 第52-56页 |
| 5.3.1 GPU加速对稀疏矩阵向量乘法的影响 | 第52-54页 |
| 5.3.2 雅可比迭代法GPU加速 | 第54-56页 |
| 5.4 保持流形结构的图像颜色编辑加速 | 第56-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第6章 总结和展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66页 |