| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 GPU 加速原理与实现方法 | 第11-16页 |
| 1.3.1 GPU 的应用现状 | 第11-14页 |
| 1.3.2 CUDA 编程模型和存储器模型 | 第14-15页 |
| 1.3.3 CUDA 并行实现手段 | 第15-16页 |
| 1.4 文章主要研究内容 | 第16-18页 |
| 第2章 图像预处理算法并行化研究 | 第18-31页 |
| 2.1 引言 | 第18页 |
| 2.2 图像预处理算法的并行化 | 第18-27页 |
| 2.2.1 图像灰度变换的并行化 | 第18-19页 |
| 2.2.2 图像高斯滤波的并行化 | 第19-22页 |
| 2.2.3 直方图均衡化处理的并行化 | 第22-24页 |
| 2.2.4 Wallis 变换的并行化 | 第24-27页 |
| 2.3 实验分析 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于 SIFT 立体匹配算法的改进 | 第31-43页 |
| 3.1 引言 | 第31页 |
| 3.2 SIFT 立体匹配算法原理 | 第31-38页 |
| 3.2.1 尺度空间极值检测 | 第32-34页 |
| 3.2.2 精确关键点定位 | 第34-35页 |
| 3.2.3 关键点主方向分配 | 第35-36页 |
| 3.2.4 关键点描述子生成 | 第36-37页 |
| 3.2.5 SIFT 特征匹配 | 第37-38页 |
| 3.3 SIFT 匹配算法的改进 | 第38-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 基于 CUDA 的 SIFT 立体匹配算法实现 | 第43-56页 |
| 4.1 引言 | 第43页 |
| 4.2 算法总体并行设计 | 第43-46页 |
| 4.3 特征点检测的并行分析 | 第46-51页 |
| 4.3.1 尺度空间的构建 | 第46-48页 |
| 4.3.2 极值点检测并行 | 第48-49页 |
| 4.3.3 特征点梯度的计算 | 第49-50页 |
| 4.3.4 特征描述子的计算 | 第50-51页 |
| 4.4 特征匹配的并行分析 | 第51-52页 |
| 4.5 实验效果及评价 | 第52-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第5章 实验结果与算法性能分析 | 第56-72页 |
| 5.1 引言 | 第56页 |
| 5.2 双目实验平台简介 | 第56-59页 |
| 5.2.1 实验平台的搭建 | 第56-58页 |
| 5.2.2 交互界面的设计 | 第58-59页 |
| 5.3 基于 SIFT 的区域增长立体匹配算法的实验效果 | 第59-61页 |
| 5.4 基于 GPU 的 SIFT 立体匹配算法的实验效果 | 第61-71页 |
| 5.4.1 不同外界环境下的算法评价 | 第61-68页 |
| 5.4.2 重要参数对算法的影响 | 第68-71页 |
| 5.5 本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 攻读学位期间发表的学术论文 | 第78-80页 |
| 致谢 | 第80页 |
