基于GPU加速的医学图像融合研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-16页 |
| ·研究背景和意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·医学图像融合现状 | 第11-12页 |
| ·GPU 的研究现状 | 第12-13页 |
| ·医学图像融合面临的难题 | 第13-14页 |
| ·数据来源 | 第14页 |
| ·论文结构组织 | 第14-16页 |
| 2 可编程的 GPU 技术 | 第16-30页 |
| ·GPU 的产生和发展 | 第16-17页 |
| ·GPU 的加速原理 | 第17-19页 |
| ·GPU 通用计算 | 第19-21页 |
| ·计算概念映射 | 第20页 |
| ·GPU 数据的储存 | 第20页 |
| ·GPU 程序的执行方式 | 第20-21页 |
| ·GPU 运算结果的获取 | 第21页 |
| ·GPGPU 的实现 | 第21页 |
| ·GPU 的计算模型 | 第21-22页 |
| ·CUDA 介绍 | 第22-30页 |
| ·CUDA 的软硬件环境 | 第22-23页 |
| ·CUDA 的体系结构 | 第23-24页 |
| ·编程模型 | 第24-26页 |
| ·存储器模型 | 第26-30页 |
| 3 基于 CPU 的医学图像融合技术 | 第30-44页 |
| ·医学图像融合的基础知识 | 第30-31页 |
| ·医学图像融合的概念 | 第30页 |
| ·医学图像融合的主要环节 | 第30-31页 |
| ·医学图像融合的分类 | 第31-35页 |
| ·常见的图像融合方法 | 第35-38页 |
| ·加权平均法 | 第35页 |
| ·HIS 变换法 | 第35-36页 |
| ·神经网络法 | 第36页 |
| ·多分辨率金字塔法 | 第36-37页 |
| ·小波变换法 | 第37-38页 |
| ·医学图像融合的评价指标 | 第38-41页 |
| ·主观评价法 | 第38-39页 |
| ·客观评价法 | 第39-41页 |
| ·基于小波变换图像融合的改进算法 | 第41-44页 |
| ·低频融合规则 | 第41页 |
| ·高频融合规则 | 第41-43页 |
| ·算法仿真实验 | 第43-44页 |
| 4 基于 GPU 的医学图像融合研究与实现 | 第44-62页 |
| ·图像融合算法的比较 | 第44-46页 |
| ·基于小波变换学的图像融合 | 第46-49页 |
| ·引言 | 第46-47页 |
| ·多分辨率分析与 Mallat 算法 | 第47-49页 |
| ·基于 GPU 的医学图像融合开发环境 | 第49-54页 |
| ·基于 GPU 的医学图像融合设计与实现 | 第54-62页 |
| ·模板卷积在 CUDA 上的实现 | 第54-56页 |
| ·Mallat 算法并行性分析 | 第56-58页 |
| ·Mallat 算法 CUDA 上的实现 | 第58-59页 |
| ·医学图像融合 CUDA 上的实现 | 第59-62页 |
| 5 实验优化及结果分析 | 第62-68页 |
| ·CUDA 程序的优化策略 | 第62-64页 |
| ·选择更优的融合算法 | 第62页 |
| ·有关数据传输的优化 | 第62页 |
| ·有关存储器的优化 | 第62-63页 |
| ·有关核函数使用的优化 | 第63-64页 |
| ·测量程序运行时间 | 第64-65页 |
| ·设备端测时 | 第64-65页 |
| ·主机端测时 | 第65页 |
| ·实验结果分析 | 第65-68页 |
| 6 总结与展望 | 第68-70页 |
| ·论文总结 | 第68页 |
| ·论文展望 | 第68-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第76页 |
