姜荣胜[1]2003年在《矢量量化技术与应用及并行算法设计》文中指出从计算机诞生之日起，不断的追求更高的性能就成了计算机行业不变的主题。由大量处理器组成的高性能并行计算机的研究更是永远处于计算机领域的前沿，但是如何利用这些并行计算技术往往比单纯追求一些测试指标的高低要重要得多。广泛开拓并行应用体系是当务之急。 伴随着国际互连网的发展，人们对多媒体信息的需求与日俱增。象声音、图像、视频等这样的多媒体信息往往占用很大的传输带宽和存储空间。对它们的处理的工作量也往往非常大。因此，用并行计算技术来处理多媒体信息成了一种很好的解决方案。 矢量量化技术由于其极高的压缩效率，正日渐受到研究人员的重视。本文就是从矢量量化技术的研究入手，开发它在图像压缩上的应用。并借助于并行计算技术来加快处理过程。 我们采用理论与应用相结合的办法，从矢量量化的一些基本问题入手，克服其明显的缺点，辅助以其它高效的手段来使矢量量化技术从纯理论的研究走向实际的应用。 我们先重点研究了矢量量化初始码书生成技术，从胞腔分裂，初始码书的生成，胞腔的调整等方面改进了传统的码书生成技术，得到了几个简单、新颖而又高效的初始码书生成、胞腔调整算法以及若干子算法。使得矢量量化初始码书性能有显着的提高，从而为后续主迭代码书生成算法提供了良好的基础。 然后我们又研究了分类矢量量化器，得到一个高效的分类量化器，并使用并行算法加快了其处理速度，并讨论了负载平衡的问题。最后我们又从通用性的角度探讨了如何推广矢量量化技术在图像压缩中的应用。
杨雪[2]2016年在《肝脏CT图像分割并行处理方法的设计与实现》文中研究指明肝脏是人体第二大生命器官,具有调节营养物质、协助机体御寒等一系列重要生理功能,但是肝脏疾病的发病率极高,每年都会在全世界范围内造成大量病人的死亡。CT成像是肝病检测的主要影像学诊断方式,伴随着计算机技术的发展,肝病的计算机辅助诊断成为肝病预防及降低肝癌死亡率的重要手段,快速准确的从CT图像中分割出肝脏器官正是肝病计算机辅助诊断的第一步。针对腹部CT图像序列,本文提出了一种基于GPU的并行全自动肝脏分割方法。首先用基于SOM的矢量量化方法对图像的灰度空间进行分割,该方法先对图像进行边缘增强,将增强后的图像分块并划分为边缘矢量(子块)和非边缘矢量两类,将非边缘矢量作为样本对SOM网络进行训练,网络收敛后的权值作为矢量量化的码本,进而对非边缘矢量进行矢量量化,边缘矢量则按照非边缘的结果逐像素处理。矢量量化分割后,图像的各个矢量被分为若干个矢量模式,每种矢量模式对应一种类别,即CT图像在灰度空间上被分为若干类。肝脏的灰度与腹部图像中某些器官组织的灰度相似,所以灰度分割后不能得到单一的肝脏器官,但是同一个矢量模式图像中的各个器官组织在空间上是不连通的,可以通过空间特征的唯一性再次分割出肝脏。因此,在灰度分割的基础上本文提出并行空域分割的方法,对各个矢量模式的图像进行再一次分割。该方法通过判断相邻行各线段之间的连通关系确定图像中各连通域的面积大小以及上下左右边界坐标,利用面积和边界信息从矢量模式相同的图像中分割出肝脏器官。为了提高算法的效率,本文对以上各个分割步骤设计了相应的并行算法,包括：并行边界增强算法、并行矢量分类算法、并行SOM网络训练、并行非边缘块及边缘块矢量量化算法、并行空域分割算法。本文对10套腹部CT图像序列进行分割实验,所有并行算法均在GPU上以CUDA编程语言实现。实验结果表明,本文提出的并行分割方法在保证一定分割准确性的前提下,分割效率显着提升,仅平均需要0.45分钟完成一套腹部CT序列的肝脏分割,对比串行算法加速了14.67倍。
郑婵[3]2003年在《网络并行计算在图像压缩上的设计与研究》文中研究指明从第一台计算机冯·诺依曼机诞生至今的半个多世纪以来，计算机科学与技术对现代科技产生了深远影响并已渗透到人类生活的方方面面。在多媒体领域中，如何有效地处理、存储、显示和传送大量的多媒体数据，如文字、声音、图像等，成为人们关注的重点。采用多媒体压缩技术可以将这些信息数据的存储量和实时图像所需要传输的数据量大大降低。而大多数图像压缩算法都具有运算复杂、运算量大、数据量大、运算类型规范等特点。 另一方面，在高尖端科技领域内，并行处理技术的出现和蓬勃发展，使得该技术成为现代高性能计算机中最关键技术之一。并行算法和软件的许多研究方面尚处于探索阶段，技术上还不成熟。研究一般的通用并行算法难度极大，而且在具体应用时，通常也不能直接使用，因此，针对具体体系结构的实际应用，进行并行算法研究可望得到较大的发展。实时图像处理就是这样一个既有重大的应用前景，又非常需要并行处理新技术的应用领域。 在图像处理中，用最少的时间开销和最小的空间开销传输、处理多媒体信息是一个难题，也是图像处理的关键所在。提高通信带宽可以加速数据的传输，增加存储器可以提供更大的存储容量，但这些都不能真正满足实际应用的需求。这就需要高压缩比的图像压缩算法，但目前高压缩比的图像压缩算法往往十分耗时，高压缩比的获得是以大量的计算时间为代价的。因此，在获得图像信号高压缩比的同时，必须研究合适的图像压缩的并行算法，以提高计算速度，满足各种系统的实时要求。 本文即以新兴的网络并行计算技术为主要研究对象，重点研究了并行算法及其在图像压缩编码中的应用。本文概述了并行处理技术和图像压缩技术；并详述了并行算法、图像压缩算法的基本概念和模型；着重讨论了网络并行LogP模型及并行计算的开发环境；并通过FFT并行编码算法、DCT并行编码算法、帧间运动估计和补偿的并行算法、游程并行编码算法等图像压缩编码处理的并行算法的设计、分析、优化及模拟实现，较全面、形象地展示了并行算法的开发方法及其应用。
吴羡[4]2014年在《H.264编码关键模块并行算法设计及其在CUDA上的实现》文中指出视觉是人类获取信息的主要途径。视频作为视觉信息的载体,其数据量大,难于传输和存储,因此开发高效的视频编解码算法一直是学术界和工业界的关注点。从第一代视频编码标准H.261到H.264及现在的高效视频编码(HEVC),学者和工程师们不断的优化设计各种编解码算法,期望以更小的计算复杂度达到更高的压缩效率。H.264优秀的视频压缩效果以及良好的网络适应性使其成为应用最为广泛的视频编解码协议,但H.264优越的编码性能以计算复杂度的大幅度提高为代价,于是如何提高H.264编码计算效率成为研究的热点问题。现代计算机正在朝着多核、众核的方向发展,基于多核、众核的并行计算以及并行算法设计也是方兴未艾。GPU是一种众核处理器,原来用作图形渲染,近些年来也被广泛的应用于通用并行计算。2007年英伟达公司推出了计算统一设备架构(CUDA)以及与之配套的CUDA-C程序设计语言,推动了GPU并行计算的发展。将视频编码算法映射到GPU上实现已经成为提高H.264编码算法计算效率的一个重要方向,如何设计适合GPU的H.264并行编码算法成为问题的关键所在。本文在研读H.264协议和串行编码算法的基础上,充分挖掘GPU的众核计算能力,完成了H.264中若干关键模块的并行算法设计与实现,其中包括：为树状结构运动估计设计一种全并行运动估计算法；为H.264关键模块P帧设计了并行计算帧间预测和帧内预测的梯状并行运动估计算法；为H.264中B帧预测设计了并行计算前向预测和后向预测的B帧预测并行算法；为H.264并行视频编码器关键模块码率控制设计了适合于CABAC熵编码的码率控制算法。本文设计的所有并行编码算法均在GPU上通过CUDA编程进行了实现,并进行了大量的实验。实验表明本文所设计和实现的并行算法能够在保持视频重建质量的前提下大幅提高H.264并行编码器的计算效率,能够实现对1080p视频的实时编码。
李小平[5]2004年在《并行图像编码技术及应用》文中研究说明随着网络技术和多媒体技术的飞速发展,图像在人们的日常生活和工作中扮演着越来越重要的角色。图像能给人们以直观而具体的物体形象,是人类认识世界的重要信息来源。如今,图像已成为多媒体中最为重要的数据类型。由于图像信息丰富、数据量大,因此,为满足实际应用需要,有必要对图像数据进行压缩处理,而图像数据中存在着大量的冗余信息,包括统计冗余、结构冗余以及视觉冗余等,所以为压缩提供了可能,目前已发展成为专门的研究领域,即图像压缩。常见的图像压缩编码方法有:统计编码,预测编码,变换编码、矢量量化编码,神经网络编码,分形编码等。而将并行计算应用到图像压缩编码中,能极大提高图像编码效率,这也是图像压缩编码的一个新研究领域。本文将讨论图像压缩编码技术及其应用。首先讨论并行计算的基本知识,将介绍并行计算机系统的体系结构、并行计算的软件环境和并行算法设计和性能评估;接着介绍图像压缩编码的基本知识,包括图像压缩编码的基础知识、图像压缩编码的常用方法和图像压缩编码的国际标准,紧接着介绍了矢量量化压缩编码的基本理论和LBG算法的基本原理及其缺点,对一种基于模拟退火的LBG的改进快速算法进行串行算法实现,通过实验验证了该改进算法的性能,并分析了针对该算法的并行算法,分析了并行算法的优点和缺点;最后,介绍图像压缩编码技术在实际的应用,主要介绍了两个方面:第一个方面详细地介绍了设计和实现MPEG-4音视频压缩系统的过程,并阐明了该系统的突出优点,即功能强大、系统稳定和性价比高等。第二个方面探讨了MPEG-4标准的视频编码的并行性。
崔晨[6]2012年在《基于GPU的H.264编码器关键模块的并行算法设计与实现》文中认为视频在给人们提供丰富信息的同时,其视频庞大的数据量使得视频的压缩技术成为人们关注的热点。H.264是一个有着优异性能的视频压缩编解码标准,但它的高压缩比是以较高的编码复杂度为代价的,算法的计算量也远高于之前的一系列视频标准。随着科技的发展,图形处理器(GPU, Graphic Processing Unit)强大的多线程并行通用计算(GPGPU, General Purpose GPU)能力吸引了许多研究学者。本文研究基于GPU的H.264关键算法的并行设计与实现问题。本文采用CPU与GPU协同工作的方式,各自发挥自身处理器的优势。利用CPU负责处理文件存取等一些需要较多逻辑判断的工作任务,利用GPU多线程并行机制来处理H.264标准中含有大量并行任务的模块,如帧内预测、帧间预测,变换量化等。这样就能够充分利用CPU与GPU的资源。本文对H.264中的帧间预测与变换量化两大模块分别设计了并行算法并在CUDA平台上使用GPU加以实现。帧间预测模块可分为像素内插、运动补偿与六边形运动搜索叁部分,我们根据每个模块不同的数据相关性,设计了不同的并行算法,并做了相应的优化处理,使得算法能够更好的适应GPU的硬件特点。在变换量化模块,本文对传统的蝶形快速算法做了并行改进,同时给出了数据计算量的分析与算法合理性分析。通过实验对本文设计的GPU并行算法与传统的CPU串行算法进行对比分析,在像素内插与变换量化模块,算法耗时加速比均达到20倍以上,六边形搜索的并行算法加速比可达100以上最后对本文算法的进一步改进策略及进一步的发展做了简要的阐述。
金良益[7]2017年在《遥感影像矢量化中多边形数据优化处理技术研究》文中研究表明遥感影像矢量化作为矢量数据来源的重要技术手段,近年来随着遥感技术的发展而愈发受到重视。一般的矢量化方法对矢量化数据的后处理关注不足,而矢量化多边形的优化问题是矢量化数据后处理的关键,优化结果的好坏及优化效率的高低直接影响到矢量化数据的实际应用。同时,海量遥感影像矢量化技术的发展进步也对更加高效的矢量化数据后处理技术提出了更迫切的需求。鉴于此,本文结合矢量数据化简相关方法和并行计算技术,对遥感影像矢量化中多边形数据优化处理方法开展研究,主要进行以下工作:1.总结栅格矢量化算法、矢量数据化简处理、并行计算与地理空间数据处理等领域的研究现状和已有研究成果,分析存在的不足,以此为基础明确本文研究内容及研究思路。2.基于动态规划的无拓扑矢量化多边形公共边提取算法研究。结合动态规划原理,提出一种无拓扑遥感影像矢量化数据中多边形公共边提取算法,通过对比实验,验证本文所提出方法的有效性和高效性,为后续矢量化多边形的化简奠定数据基础。3.遥感影像矢量化多边形边界化简方法研究。从地理空间数据不确定性理论出发,提出遥感影像矢量化多边形边界化简方法。通过对矢量化多边形边界进行“磨角插值”和基于可接受域限定的自适应滤波平滑处理,最后采用基于全局阈值的DP算法进行压缩,消除数据冗余。实验结果显示,该方法相对于传统方法具有更好的平滑效果及更高的位置精度。4.矢量化多边形公共边提取与化简方法并行化改进研究。基于MPI并行编程模型,设计数据并行模式下矢量数据划分与并行处理结果融合的方法。对主从架构下的矢量化多边形并行优化算法进行详细设计,并设计相关实验进行验证与分析。实验表明,该方法能较大的提高矢量化数据后处理的效率。5.遥感影像矢量化多边形优化模块的设计与实现。设计并开发遥感影像矢量化多边形优化模块插件,并将其集成到地理信息产品生产线系统中,结合一个实例验证本文研究内容的有效性和实用性。
佘春东[8]2004年在《数据挖掘算法分析及其并行模式研究》文中研究说明数据挖掘(DM)就是从大型数据集中抽取知识,其目的是发现深藏在一般数据之中的有用模式。本文介绍了DM的任务和方法,总结了DM的研究现状,指出关联规则发现和复杂数据挖掘是DM领域的研究热点。由于可利用的数据规模太大以及其多维的本征,使得对开发高效的、可扩展的并行算法的需求日益增强。然而,设计这样的算法是很具挑战性的。数据挖掘的一个重要方面是关联规则的挖掘。挖掘关联规则的算法大致有两类:一类是基于Apriori的,另一类无需产生候选集,而前者在进行频繁项目集计数时需要产生候选集。本文在深入研究现有算法的基础上,对其中具有较好效率和可扩展性的并行算法——IDD和HD算法,引入近似算法,有效地解决了算法中一个非常重要的问题:候选项目集在各个处理器节点之间的划分问题,从而尽可能使得各节点负载平衡,最终达到提高算法效率的目的。文中给出了两种近似算法及其性能证明,其一是在线算法,其二为离线算法,并对改进算法进行了复杂性分析。对于无需产生候选集的算法。本文分析了高效的FP-growth算法在共享存储体系结构下,并行建立频繁模式树和并行挖掘频繁项目集的实现方法,指出了算法存在由于任务分配不均而导致处理器之间负载不均衡的缺陷。基于此,本文提出了一种动态负载平衡机制,实验数据表明:采用新调度策略的并行算法,其效率有明显的提高。序列模式发现在DM领域的地位越来越重要。以基因分析为例,其中许多重要的知识发现任务需要对DNA和蛋白质序列进行分析。这类任务中最耗时的操作是计算序列数据库中所有子序列(称为序列模式)的发生频度。发现序列模式的算法主要有叁类。其中基于投影树的频繁模式发现算法在性能上明显优于其它算法,但仍然需要大量的计算时间。于是我们基于投影树算法,给出了其数据并行模式(DPF)和任务并行模式(TPF),接着进行了算法的复杂性分析。同时,理论推导表明:DPF具有一定的可扩展性,TPF具有较好的可扩展性。实验数据揭示:这些算法都能获得较好的加速比,而且任务并行模式具有更好的性能。<WP=6>针对图像数据预处理中的数据压缩和特征提取两个重点,介绍一种基于连续Hopfield神经网络的非数值并行算法应用于图像数据挖掘的聚类预处理过程。在实现数据聚类的同时,达到对图像矢量量化压缩的目的。而矢量量化压缩的过程,实际上又可以把最终得到的码书看成是提取一幅图像的特征向量(矢量)组的过程。我们的工作重点在于在对图像数据进行数据挖掘之前,先对之进行预处理,通过数据压缩,并把压缩过程和图像的特征提取联系起来,达到简化图像表示的目的,从而为下一步的处理(多媒体数据挖掘处理)提供支持。
王茂芝[9]2003年在《基于小波变换的矢量量化图像压缩编码研究》文中研究指明视觉在人类感知中起着极为重要的作用，而视觉感知的结果和表现形式——图像，是人类认识世界的重要信息来源，因此，图像已成为多媒体技术中最为重要的数据类型。图像的处理与分析技术已发展成为现代信号处理技术中的专门分支学科。由于图像信息丰富、数据量大，因此，为满足实际应用需要，有必要对图像数据进行压缩处理，而图像数据中存在着大量的冗余信息，包括统计冗余、结构冗余以及视觉冗余等，所以为压缩提供了可能，目前已发展成为专门的研究领域——图像编码。常见的图像压缩编码方法有：统计编码，预测编码，变换编码，子带编码，模型基编码，小波变换编码，矢量量化编码，神经网络编码，分形编码等。 本文以矢量量化压缩编码和小波变换压缩编码这两种图像压缩编码方法为主要研究对象。在概述了图像压缩编码理论的基础上，首先介绍矢量量化压缩编码理论，提出了一种基于模拟退火的LBG改进算法，并通过实验验证了改进算法的性能；接着介绍小波变换及其应用于图像压缩编码的相关理论，重点介绍了基于小波变换的嵌入零树编码(EZW：Embedded Zerotrees Wavelet)算法；在矢量量化和小波变换的结合方面，提出了一种基于视觉特性的小波变换跨带矢量量化压缩编码方案，并通过实验验证了算法的性能；最后，在并行性探讨方面，设计了一种基于数据分割的二维DCT图像压缩编码算法，并在PVM实验环境下验证了算法的性能。
龚文宁[10]2013年在《基于OpenCL的H.264关键模块并行算法设计与实现》文中指出视频作为一种信息含量十分丰富的信息载体,已经成为当今信息时代不可缺少的重要组成部分。由于视频序列通常拥有庞大的数据量,如何进行有效地数据压缩一直是人们研究的热点。作为主流的视频编码标准,H.264有着突出的压缩性能,但同时计算复杂度也相当可观。GPU (Graphic Processing Unit，图形处理单元)由于具有强大的浮点运算能力,近年来逐渐被应用到通用计算领域。2008年OpenCL异构编程框架的提出使人们在GPU等异构硬件平台上开发可移植的并行程序成为可能。因此,将GPU应用在视频编码领域具有广阔的前景。本文重点研究H.264编码环节中计算复杂度较高的几个关键模块,结合OpenCL平台与GPU硬件的并行特性,设计多种高效的并行算法：针对帧间预测模块设计一种帧间预测全并行算法,包括亚像素内插并行算法、运动补偿算法、整像素运动搜索全并行算法和亚像素运动搜索全并行算法；设计一种改进的梯状并行运动搜索算法,在大幅提高运动搜索速度的同时能有效控制码率；针对H.264整数DCT和量化运算,设计一种基于OpenCL的并行二维DCT和并行量化算法；针对环路滤波过程中滤波强度的求取,设计一种并行算法,同时针对环路滤波的执行环节设计一种分次并行滤波算法。实验结果表明,与传统CPU串行算法相比,本文基于OpenCL平台设计的并行算法在保证图像质量和压缩效率的同时,能够有效地提高计算效率,使计算速度得到显着加快。
参考文献：
[1]. 矢量量化技术与应用及并行算法设计[D]. 姜荣胜. 电子科技大学. 2003
[2]. 肝脏CT图像分割并行处理方法的设计与实现[D]. 杨雪. 大连理工大学. 2016
[3]. 网络并行计算在图像压缩上的设计与研究[D]. 郑婵. 电子科技大学. 2003
[4]. H.264编码关键模块并行算法设计及其在CUDA上的实现[D]. 吴羡. 大连理工大学. 2014
[5]. 并行图像编码技术及应用[D]. 李小平. 电子科技大学. 2004
[6]. 基于GPU的H.264编码器关键模块的并行算法设计与实现[D]. 崔晨. 大连理工大学. 2012
[7]. 遥感影像矢量化中多边形数据优化处理技术研究[D]. 金良益. 解放军信息工程大学. 2017
[8]. 数据挖掘算法分析及其并行模式研究[D]. 佘春东. 电子科技大学. 2004
[9]. 基于小波变换的矢量量化图像压缩编码研究[D]. 王茂芝. 电子科技大学. 2003
[10]. 基于OpenCL的H.264关键模块并行算法设计与实现[D]. 龚文宁. 大连理工大学. 2013
标签：计算机软件及计算机应用论文; 并行计算论文; 图像压缩论文; 矢量化论文; 图像分割论文; 矢量数据论文; 矢量论文; 并行处理论文; 图像编码论文; 预测编码论文; 矢量运算论文; 图像融合论文; 量化分析论文; 数据压缩论文; 算法论文;