摘要 | 第3-5页 |
abstract | 第5-6页 |
第1章 绪论 | 第10-18页 |
1.1 论文研究背景和意义 | 第10-11页 |
1.2 国内外研究现状及发展趋势 | 第11-16页 |
1.2.1 图像处理技术研究现状 | 第11-13页 |
1.2.2 国内外JPEG2000图像解压缩算法处理研究现状 | 第13-14页 |
1.2.3 GPU技术研究现状 | 第14-16页 |
1.3 主要研究内容 | 第16-17页 |
1.4 本章小结 | 第17-18页 |
第2章 GPU的硬件架构和编程模块 | 第18-29页 |
2.1 GPU并行处理技术研究 | 第18-19页 |
2.2 GPU的体系结构 | 第19-21页 |
2.2.1 NVIDIA公司的G80GPU体系架构 | 第19-20页 |
2.2.2 AMD公司的GPU体系架构 | 第20-21页 |
2.3 CPU与GPU的优势和局限 | 第21-22页 |
2.4 GPU并行设计与协同工作 | 第22-24页 |
2.4.1 并行计算的设计原则 | 第22-23页 |
2.4.2 GPU与CPU协同工作 | 第23-24页 |
2.5 CUDA编程 | 第24-28页 |
2.5.1 CUDA编程框架研究 | 第24-25页 |
2.5.2 CUDA编程模型 | 第25-26页 |
2.5.3 CUDA的软件体系 | 第26-27页 |
2.5.4 CUDA编程关键步骤 | 第27-28页 |
2.6 本章小结 | 第28-29页 |
第3章 群智能优化算法在GPU上实现 | 第29-50页 |
3.1 算法介绍及改进 | 第29-35页 |
3.1.1 基本粒子群优化算法 | 第29-31页 |
3.1.2 基本细菌觅食算法 | 第31-34页 |
3.1.3 改进的具有粒子行为的细菌群优化算法 | 第34-35页 |
3.2 算法测试和评估 | 第35-41页 |
3.2.1 经典测试函数实验 | 第36-39页 |
3.2.2 有约束测试函数实验 | 第39-41页 |
3.3 利用GPU硬件资源对算法进行加速 | 第41-47页 |
3.3.1 算法并行设计 | 第41-42页 |
3.3.2 算法并行实现 | 第42-44页 |
3.3.3 并行计算的性能分析 | 第44-47页 |
3.4 算例应用 | 第47-49页 |
3.5 本章小结 | 第49-50页 |
第4章 GPU上实现JPEG2000图像解压缩的并行加速 | 第50-66页 |
4.1 JPEG2000解压缩算法研究 | 第50-57页 |
4.1.1 JPEG2000解压缩算法基本理论 | 第51-53页 |
4.1.2 预处理 | 第53页 |
4.1.3 小波变换 | 第53-55页 |
4.1.4 量化 | 第55页 |
4.1.5 EBCOT编码 | 第55-57页 |
4.2 JPEG2000解压缩算法在GPU上的实现 | 第57-62页 |
4.2.1 算法的并行性分析 | 第57-58页 |
4.2.2 算法实现的硬件基础 | 第58页 |
4.2.3 算法实现的总体过程介绍 | 第58-60页 |
4.2.4 算法实现的接口设计 | 第60-62页 |
4.3 算法测试与评估 | 第62-65页 |
4.3.1 实验环境 | 第62-63页 |
4.3.2 实验结果 | 第63-64页 |
4.3.3 实验结论 | 第64-65页 |
4.4 本章小结 | 第65-66页 |
第5章 JPEG2000图像解压快视软件平台设计 | 第66-78页 |
5.1 软件实验平台需求分析 | 第66-67页 |
5.2 软件实验平台总体设计 | 第67-71页 |
5.2.1 软件实验平台内部结构框架设计 | 第67-69页 |
5.2.2 软件实验平台功能模块 | 第69页 |
5.2.3 软件实验平台类图设计 | 第69-71页 |
5.3 软件实验平台模块类接口设计 | 第71-74页 |
5.3.1 设备的选择类 | 第71页 |
5.3.2 GPU解压界面实现 | 第71-72页 |
5.3.3 数据回读显示界面实现 | 第72页 |
5.3.4 ADV212解压快视界面实现 | 第72-74页 |
5.3.5 数据回读显示界面实现 | 第74页 |
5.4 软件实验平台的界面设计与实现 | 第74-77页 |
5.5 本章小结 | 第77-78页 |
第六章 结论 | 第78-80页 |
参考文献 | 第80-84页 |
硕士期间发表的论文及学术成果 | 第84-85页 |
科研项目 | 第84页 |
发表论文 | 第84-85页 |
致谢 | 第85-86页 |