| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-13页 |
| 1.1.1 遥感平台发展所带来的对遥感数据快速处理的强烈需求 | 第10-12页 |
| 1.1.2 超级计算机也能放到桌面上 | 第12-13页 |
| 1.1.3 遥感数据高性能计算技术的提出 | 第13页 |
| 1.2 研究现状与发展趋势 | 第13-15页 |
| 1.3 研究内容与结构安排 | 第15-16页 |
| 第二章 CPU+GPU 异构并行计算与 CUDA 技术基础 | 第16-26页 |
| 2.1 从 GPGPU 到 CUDA | 第16页 |
| 2.2 使用 CUDA 技术进行高性能并行计算——CUDA vs CPU 集群 | 第16-20页 |
| 2.2.1 GPU 与 CPU 在发展潜力上的比较 | 第16-17页 |
| 2.2.2 GPU 与 CPU 在并行计算上的比较 | 第17-18页 |
| 2.2.3 GPU 与 CPU 设计上的不同 | 第18-19页 |
| 2.2.4 GPU 与 CPU 比较综述 | 第19页 |
| 2.2.5 GPU 与超级计算机 | 第19-20页 |
| 2.3 CUDA 技术的三个相关模型 | 第20-24页 |
| 2.3.1 编程模型——异构编程 | 第20-22页 |
| 2.3.2 执行模型——软件体系 | 第22-23页 |
| 2.3.3 存储器模型 | 第23-24页 |
| 2.4 CUDA 程序优化 | 第24-25页 |
| 2.4.1 任务划分优化 | 第24页 |
| 2.4.2 执行配置优化 | 第24页 |
| 2.4.3 存储器访问优化 | 第24页 |
| 2.4.4 指令优化 | 第24-25页 |
| 2.4.5 性能优化总结 | 第25页 |
| 2.5 实验平台 | 第25-26页 |
| 第三章 基于 CUDA 的面阵遥感影像快速几何处理研究 | 第26-38页 |
| 3.1 已知畸变参数情况下的畸变差改正影像生成 | 第26-28页 |
| 3.1.1 镜头畸变差改正的理论基础 | 第26-27页 |
| 3.1.2 直接法畸变差校正影像生成步骤 | 第27-28页 |
| 3.2 核线影像生成 | 第28-30页 |
| 3.2.1 核线影像的理论基础 | 第28-30页 |
| 3.2.2 间接法核线影像生成步骤 | 第30页 |
| 3.3 基于 CUDA 的影像校正算法加速策略 | 第30-34页 |
| 3.3.1 合理划分任务 | 第30-32页 |
| 3.3.2 合理组织线程 | 第32页 |
| 3.3.3 优化存储器访问 | 第32-34页 |
| 3.4 实验与分析 | 第34-36页 |
| 3.4.1 基于 CUDA 的核线影像快速生成间接解法实验 | 第34-35页 |
| 3.4.2 基于 CUDA 的快速畸变差校正影像生产直接解法实验 | 第35-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第四章 基于 GPGPU 的面阵遥感影像 SIFT 特征提取与匹配 | 第38-54页 |
| 4.1 SIFT 算子与 SIFTGPU | 第38-39页 |
| 4.1.1 SIFT 算子 | 第38页 |
| 4.1.2 SIFTGPU | 第38-39页 |
| 4.2 基于 SIFTGPU 的特征描述子分块提取匹配 | 第39-49页 |
| 4.2.1 利用 GDAL 实现对全影像格式的存取 | 第39页 |
| 4.2.2 两幅影像之间的变换关系透视变换 | 第39-40页 |
| 4.2.3 透视变换估计和误匹配点剔除 | 第40-44页 |
| 4.2.4 基于重叠区域分块进行特征点的提取和匹配 | 第44-49页 |
| 4.3 实验与分析 | 第49-53页 |
| 4.3.1 单个像对 SIFT 特征提取和匹配 | 第49-51页 |
| 4.3.2 SIFT 特征提取和匹配加速性能对比 | 第51-52页 |
| 4.3.3 区域 SIFT 同名自动点提取 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 基于 CUDA 的数学形态学机载 LiDAR 点云数据滤波方法 | 第54-67页 |
| 5.1 机载 LiDAR 技术及其数据滤波方法 | 第54-55页 |
| 5.1.1 机载 LiDAR 技术 | 第54页 |
| 5.1.2 LiDAR 点云数据滤波 | 第54-55页 |
| 5.2 数学形态学滤波基本原理及其关键步骤描述 | 第55-58页 |
| 5.2.1 由原始离散点云数据建立虚拟规则格网 | 第55页 |
| 5.2.2 虚拟格网的数学形态学滤波 | 第55-57页 |
| 5.2.3 所有点属性的判断 | 第57-58页 |
| 5.3 基于 CUDA 的数学形态学 LiDAR 点云滤波加速策略 | 第58-59页 |
| 5.3.1 虚拟格网建立与所有点属性判断的加速策略 | 第58页 |
| 5.3.2 数学形态学运算的加速策略 | 第58-59页 |
| 5.4 实验结果与分析 | 第59-66页 |
| 5.4.1 实验一：滤波效果评价 | 第59-65页 |
| 5.4.2 实验二：滤波效率比较 | 第65-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 已完成的工作 | 第67页 |
| 6.2 进一步的研究方向 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 作者简历 攻读硕士学位期间完成的主要工作 | 第73页 |
