| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-17页 |
| 1.1 聚类算法及应用概述 | 第11-13页 |
| 1.2 并行技术及发展现状 | 第13-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 2 论文相关理论与技术 | 第17-32页 |
| 2.1 聚类算法 | 第17-22页 |
| 2.1.1 基于划分的方法 | 第17页 |
| 2.1.2 基于层次的方法 | 第17-19页 |
| 2.1.3 基于密度的方法 | 第19-21页 |
| 2.1.4 基于网格的方法 | 第21-22页 |
| 2.1.5 基于模型的方法 | 第22页 |
| 2.2 图形处理器GPU | 第22-32页 |
| 2.2.1 GPU介绍 | 第22-24页 |
| 2.2.2 CUDA架构 | 第24-32页 |
| 3 基于密度的DENSITY PEAKS聚类算法并行化研究 | 第32-53页 |
| 3.1 DENSITY PEAKS聚类算法 | 第32-38页 |
| 3.1.1 Density Peaks聚类算法思想 | 第32-36页 |
| 3.1.2 Density Peaks聚类算法存在问题 | 第36-38页 |
| 3.2 DENSITY PEAKS聚类算法的改进 | 第38-42页 |
| 3.2.1 密度计算方法改进 | 第38-39页 |
| 3.2.2 距离定义调整 | 第39-40页 |
| 3.2.3 聚类中心决策 | 第40页 |
| 3.2.4 改进算法描述 | 第40-42页 |
| 3.3 改进的DENSITY PEAKS聚类算法的并行化设计 | 第42-47页 |
| 3.3.1 基于GPU的任务划分 | 第42-44页 |
| 3.3.2 CUDA并行线程模块 | 第44-46页 |
| 3.3.3 距离矩阵存储优化 | 第46-47页 |
| 3.4 实验结果与分析 | 第47-52页 |
| 3.4.1 评价指标 | 第47-48页 |
| 3.4.2 实验环境 | 第48-49页 |
| 3.4.3 实验结果 | 第49-52页 |
| 3.5 小结 | 第52-53页 |
| 4 DENSITY PEAKS聚类并行算法在视网膜血管提取中的应用 | 第53-65页 |
| 4.1 视网膜血管分割研究现状简述 | 第53页 |
| 4.2 视网膜结构 | 第53-54页 |
| 4.3 视网膜像素特征提取 | 第54-58页 |
| 4.3.1 SWT特征 | 第54-56页 |
| 4.3.2 WLD特征 | 第56-57页 |
| 4.3.3 Gabor响应特征 | 第57-58页 |
| 4.4 针对视网膜血管提取应用的算法设计 | 第58-60页 |
| 4.5 实验结果与分析 | 第60-63页 |
| 4.5.1 实验环境 | 第60-61页 |
| 4.5.2 实验结果 | 第61-63页 |
| 4.6 小结 | 第63-65页 |
| 5 总结与展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第69-71页 |
| 学位论文数据集 | 第71页 |
