一、在图像处理应用中几种并行计算技术的比较（论文文献综述）
朱然[1]（2018）在《天基光学目标检测与跟踪实时处理技术研究》文中提出天基光学监视系统通过部署在天基平台的传感器及时探测、跟踪并识别对国家安全构成威胁的敌方弹道导弹、航空器与航天器等来袭目标,对增强我国的战略威慑能力与战略防御能力,维护国家安全具有重大意义。目标检测与跟踪技术是天基光学监视系统信息处理的核心技术,是实现对导弹目标弹道估计与识别的前提,对天基光学监视系统的探测能力有着重要的影响,一直以来是监视探测中的重点与难点。天基光学监视卫星需进行不间断地全天候监视,且采用大面阵传感器成像体制具有探测范围广、星上下传数据率大等工作特点。信息处理系统实现目标检测、目标跟踪的计算规模大、处理性能与可靠性的要求高。目标检测与跟踪的实时性要求更是对系统软硬件架构设计、并行算法设计与可靠性设计等方面提出新的更高挑战。因此高性能高可用并行计算的实时目标检测与跟踪技术同样是信息处理的关键技术。第二章开展针对面阵传感器成像弱小运动目标检测问题的研究。单帧图像背景抑制采用有限变分模型合理估计背景图像中的云层边缘等细节信息,提升背景抑制的效果。在此基础上,针对序列图像运动目标检测问题构建最优化模型,以充分利用历史帧的序列图像数据。针对传统批处理算法计算效率低的问题,基于单帧图像背景抑制模型与有限变分模型进行了相关的理论推导,并提出改进的序贯处理算法。基于有限变分理论的序列图像运动目标检测算法能够在利用多帧图像数据进行背景抑制的同时,给出弱小运动目标的检测结果。仿真实验结果表明,本文所提序列图像运动检测算法对帧间亚像元运动的弱小目标可取得较好的检测性能。第三章研究基于背景抑制残差图像进行点目标的像平面跟踪问题,以充分发挥面阵成像点扩散模型相对稳定的优势。并专门对于图像量测中目标交叉、临近飞行时出现的成像重叠现象,以及传统多目标滤波算法无法合理建模的局限,开展相关研究。基于可直接近似多目标状态分布函数的多目标粒子滤波器与带标签随机有限集模型及相关理论,提出带标签的多目标粒子滤波算法。详细阐述相关理论推导与数值实现方法,实现了图像量测下多目标状态的高阶矩迭代滤波。直接采用图像量测进行多目标跟踪,可充分利用图像数据,避免了备选点提取等硬判决造成的信息损失,因此基于图像量测的多目标滤波器可达到较高的跟踪性能。第四章则进一步将研究工作扩展到面目标的跟踪问题,同时引入多目标状态平滑,以充分发挥大面阵传感器高帧频成像的优势。基于低门限融合检测提取的有限集量测,针对量测集合中杂波源出现的时间与空间分布特性,研究杂波参数未知观测模型下的多目标平滑算法。通过在线估计目标状态与杂波源分布情况,可对未知杂波分布具有一定的自适应能力。所提目标特征提取方法与自适应杂波状态估计多目标平滑算法适用于点、斑、面等各类形态目标,克服了图像量测多目标跟踪中稳健性不高、观测模型建模精度要求高等局限。可使信息处理系统形成在线回溯能力,仅在短时群延迟后给出更为精确的目标状态估计,有效提升高帧频成像系统的多目标跟踪性能。第五章重点关注高帧频大面阵成像弱小运动目标检测与跟踪实时处理的高性能并行计算技术。在对大视场光学图像进行数据并行的基础上,结合OpenMP并行工具,在集群架构上开展基于共享内存模型的并行图像处理算法研究。对于弱小运动目标融合检测形成的有限集量测,基于MPI并行工具开发并行粒子PHD平滑器。可以更小规模的硬件设备实现大视场低门限的弱小目标实时跟踪,且具备对背景杂波的自适应能力,跟踪性能与图像量测下的检测前跟踪算法相当,为PHD平滑器等多目标跟踪算法应用于实际系统提供了技术支持。本文立足天基光学大面阵成像体制下信息处理的应用需求,提出了适用于弱有形目标检测与跟踪的实时处理算法。论文研究成果完善了弱小运动目标检测与跟踪理论,为天基光学大面阵成像体制下信息处理的系统设计提供理论指导,并为其工程化实现提供高性能并行计算的技术支撑。
郭静[2]（2010）在《基于非线性扩散方程的并行图像去噪研究》文中提出在图像处理中,需要大规模计算和数据处理。目前,数字图像处理速度还无法满足实时性的要求。为改善这种情况,人们在图像处理中引入了并行计算技术。并行计算技术是在传统的串行计算基础上发展起来的,并将成为未来的主流计算模式。图像处理的并行化设计是为了提高图像处理的速度,在有限的空间和时间处理更多的图像数据。因此,对图像算法的并行化处理是当前非常重要和有价值的方向。本文主要研究基于非线性扩散方程的并行图像去噪算法。首先,从人类特有的视觉掩蔽效应出发,引入控制函数,改进原有的非线性扩散图像去噪模型。该改进模型利用噪声可见度函数构造?方向扩散控制函数,利用亮度掩盖函数构造?方向扩散控制函数。同时,完成了模型的稳定数值求解,并实现仿真。实验结果表明:该改进模型和原去噪模型相比,其“去噪、保边、留细节、除块效应”的效果更优,图像视觉效果更好。其次,对改进模型做并行化设计。针对改进的去噪模型计算量大、运行时间长等不足,从分治策略、负载均衡、图像边缘数据计算、超级步的划分等方面入手,为改进模型设计并行算法,并利用机群搭建并行图像处理平台,对算法实现仿真。实验结果表明:该并行去噪算法获得的图像处理质量和视觉效果基本与串行去噪算法相当,且具有较短的运行时间、较好的加速比、较高的并行效率,体现了并行算法的优势和必要性。最后,对改进去噪模型的并行算法结构做优化。针对模型采用节点间和节点内两级并行的混合模式,设计多层次并行级联结构,并实现仿真。实验结果表明:该优化算法能保持住先前并行去噪算法所获得的图像质量和视觉效果,且并行性能更好,验证了多层次并行算法的优越性。
杨伟健,姚庆栋[3]（2000）在《在图像处理应用中几种并行计算技术的比较》文中认为本文讨论了三种采用不同并行技术的代表处理器芯片在图像处理底层算法中的性能以及资源利用率的问题，给出芯片系列内部纵向和系列间的横向比较结果，可看出阵列并行处理在图像处理底层方面的潜力以及研制多媒体芯片如何综合选用并行处理技术．
常相伟[4]（2021）在《基于PCNN的地震图像边界定位与追踪》文中提出PCNN作为一种现代神经网络方法,在图像处理中,能够对图像中灰度相似、空间相似的像素进行分组,这一特性非常适用于图像边缘检测定位。PCNN用于图像边缘检测时,检测效果取决于模型中各种参数的设置,包括时间衰减系数、链接强度系数、阈值放大系数等参数的选择。现阶段,PCNN模型参数主要通过经验设置,没有充分利用图像本身的特征信息,在图像处理中不具有普遍性。本文通过分析PCNN模型的参数功能和图像边缘亚像素的灰度空间矩关系,并且根据地震图像信息,对PCNN模型参数进行自适应设置,使地震图像的边缘检测定位更加精确。由于传统的PCNN模型迭代收敛随机,通过分析蚁群算法寻优策略,应用图像交叉熵作为适应度函数,并结合图像输出熵值对模型迭代终止条件进行判断,减少模型迭代冗余,提高图像的边缘检测定位效率。本文在对地震图像的边缘检测定位的基础上对图像进行边界追踪,传统的边界追踪方法由于在追踪过程中会出现重复跟踪、漏跟踪等问题,本文通过分析图像像素的数据结构,提出基于m连通属性的四邻域图像边界追踪方法,并且利用图像的正反序列追踪相交互补特性,从而避免追踪过程中出现边界重叠和边界丢失,以此得到图像边界连续且闭合的轮廓曲线,输出追踪序列Freeman链码,并且能够根据图像像素拓扑结构的交叉配置,实现地震图像边界的内边界和外边界追踪。
张金[5]（2021）在《目标识别数据集原始图像恢复算法多线程并行研究》文中研究指明近年来,随着机器学习浪潮的出现,基于机器学习的目标识别算法也得以蓬勃发展。目标识别算法当中,数据集与算法是两大关键因素。合适的数据集和良好的目标识别算法能够极大的提高目标识别的速度以及准确率。现阶段使用的数据集,都是基于数码相机生成的sRGB图像。图像经过图像信号处理器（Image Signal Processor,ISP）流程从原始图像转换成sRGB图像。但ISP流程各步骤对于目标识别准确率的影响不尽相同。为了明确ISP流程具体哪些步骤对于目标识别准确率影响较大,我们需要从原始图像出发,重新配置ISP各步骤进行实验。因此,提出一种能够将s RGB图像转换为原始图像的相关算法显得尤其重要。当前,关于如何将sRGB图像恢复成原始图像的研究方向可以分为传统的相机模型方法和基于机器学习的方法两大类。本文基于传统的相机模型方法,通过逆转图像信号处理器的各个步骤,来最终实现逆转整个ISP流程,将图像从sRGB图像恢复成原始图像。本文提出的InvISP（Invert Image Signal Processor,InvISP）模型,相较于传统的相机模型,根据图像传感器滤色器阵列的基本原理而产生的带有马赛克的原始图像,加入了逆向马赛克这一步骤。使得InvISP模型产生的原始图像能够恢复出马赛克信息。图像处理由于其运算复杂度大,往往需要耗费大量的计算时间。因此,为了加速图像处理,本文提出基于OpenMP的并行优化算法。能够节省计算时间,加快图像处理的过程。实验结果表明,相较于以往的基于相机模型的算法,InvISP模型可以在保证原始图像恢复的基础上,恢复出原始图像的马赛克信息,恢复出的原始图像峰值信噪比（Peak Signal-to-Noise Ratio,PSNR）可以达到28.75dB,结构相似性（Structural Similarity,SSIM）能够达到0.86。本文利用OpenMP加速了图像处理的过程。2线程的情况下加速比能够达到1.6,4线程的情况下加速比能够达到2.1。通过本文所提出来的InvISP模型,可以有效的保障图像恢复的质量,加快图像的处理。
陈林[6]（2021）在《超快速超声血管三维成像技术研究》文中指出血管信息的实时监测对心脑血管疾病的诊断,以及对治疗方案的规划评估有着重要的意义。目前,超声成像基于其低成本、实时性以及无电离辐射等优势成为了临床医学诊断中一种广泛应用的成像方式,而血管检测正是超声成像技术中一个常见的应用点。传统超声成像设备中通常都包含了B模式成像,彩色多普勒成像以及脉冲多普勒成像等成像技术,可用于检测体内血管的分布、血管的走向以及血流速度等血管信息。二维B模式超声图像能够对扫描组织进行实时的解剖成像,基于超声图像的诊断极其依赖于医务人员的临床经验与知识,因此缺乏临床经验的医务人员难以准确识别当前扫描部位的解剖结构,难以从整体器官角度进行评估分析,难以给出准确的诊断结果。加之,医务人员在对器官进行扫查时,必须通过二维平面图像在脑海中构建整个三维扫描空间,这是复杂且花费时间的工作。因此,构建一种三维可视化图像就能帮助医务人员快速且准确地完成诊断。目前,三维超声成像仍然存在重建算法复杂度高,重建时间过长等不足,这让三维超声难以应用到成像实时性要求较高的场景中。本文针对三维重建时间慢的问题,研究了GPU加速技术和超声平面波技术用于三维重建的优化。在数据采集装置上组装了单维度运动的滑轨,并组装了可以固定超声换能器的非程控机械臂,同时设置ULA-OP 256设备的相关参数实现128通道的超声平面波接发控制。在滑轨带动换能器扫查的同时,ULA-OP 256设备通过预设参数发射平面波并对回波数据进行接收,基于获取的数据,实现GPU加速的平面波波束合成以及基于PNN重建算法的三维重建,最终用VTK对重建数据进行可视化渲染。相比于传统聚焦超声的三维重建,平面波的三维重建对超声数据的获取速度进行了优化,使之提高了上百倍;基于GPU的平面波波束合成实现了数据处理速度上的优化,其波束合成的速度较依赖CPU的串行运算速度提高了6倍;而采用GPU加速的PNN算法使重建速度提高了3.8倍。本次研究实现了基于GPU和平面波的超快速三维超声血管可视化,在医疗诊断上具有很高的使用价值。
孙晓芳[7]（2020）在《基于边缘计算的森林火灾视频识别技术的研究》文中进行了进一步梳理2020年《全球森林资源评估》科学报告指出,我国森林覆盖率大约为22.96%,年均净增加量位于全世界第一。然而我国林地分布区域化明显,主要林区为南方集体林区、东北林区、北方林区和西南林区,森林生态环境较为脆弱,容易发生重、特大森林火灾。因此,利用现有的高效技术和方法实现对森林火灾的监测和预警,加强对森林火灾监测系统的研究具有极为重要的意义。本文对传统林火烟雾视频识别算法进行优化,综合运用图像处理、人工智能,模式识别以及云计算技术等方法,建立了基于边缘计算的火灾数据监测预警云平台系统,提高了林火视频监测的时效性和有效性。（1）视频数据预处理是林火烟雾视频关键帧提取前的首要环节,本文提出了一种基于SURF和SIFT特征的视频镜头边界检测算法。该算法镜头边界检测准确率为93%（切变镜头）和76%（渐变镜头）,召回率为95%（切变镜头）和90%（渐变镜头）,F1Score为93.9%（切变镜头）和82.4%（渐变镜头）。实验结果表明该算法综合性能优于像素帧差法等同类型算法,针对视频特征具有更好的查全率和查准率。（2）针对基于传统聚类方法提取视频关键帧需要人工调整聚类中心和聚类数量的缺陷,本文提出了基于改进K-Means的林火烟雾视频关键帧提取算法。该算法基于传统K-Means算法并引入层次聚类与K近邻算法的思想,关键帧的识别准确率为94%,召回率为87%,F1Score为90.3%。实验结果表明该算法在保证准确率和减小冗余度的同时能够完整地表达视频内容。（3）云、雾与烟的视频接近度非常高,为减少林火监测的误报率,本文依据林火监测对象的特点和林火监测的流程,使用HOG特征与支持向量机结合构建了森林火灾烟雾识别模型,即HOGSVM模型,林火烟雾识别准确率达到87.7%。该算法方便网络模型处理,能够满足边缘计算终端设备要求,减少计算量、提高训练识别效果。（4）提出了基于改进Faster R-CNN的林火烟雾视频图像目标识别模型,该模型利用CNN网络之间的特征提取的优势,提取烟雾特征。为保证构建的模型符合边缘计算终端设备的需求,使用Soft-NMS算法来改进Faster R-CNN模型,建立Impro FRCNN模型,以保证计算的快速和准确,林火烟雾目标识别的准确率达到93.1%。（5）通过分析林火监测数据的特点和设备连接模块的功能需求,设计基于Edge X Foundry的边缘计算智能网关软件系统总体设计方案;设计了基于CoAP设备通讯协议规范的设备连接模块的软件架构;设计了基于Consul服务发现框架的注册配置服务;设计访问设备的统一接口的命令控制服务组件,经由Impro FRCNN深度挖掘数据,实现对设备、数据的统一管理;设计实现了边缘智能网关设备;实现了边缘平台训练模型并下发模块,增强了系统的兼容性。综上,本文针对森林火灾视频识别技术利用边缘计算技术对传统云中心的架构进行了改进,提出基于Edge XFoundry框架的边缘计算平台总体方案,并根据方案结合嵌入式技术和识别算法,构建了终端-边缘-云结构的林火识别边缘计算系统,创新性的将林火识别算法和边缘计算相结合,充分解决了传统云在终端设备密集增长带来的故障率高、时效性差的问题,为我国森林防火的自动化、信息化提供了一种新的手段。
周雯[8]（2020）在《面向高速铁路运行安全的智能图像识别方法研究》文中研究指明高铁是复杂巨系统,任何子系统和设施、设备发生故障都可能危及高铁的运行安全。面向移动装备、基础设施状态、运行环境等高铁运行安全的图像视频检测监测系统以其结果直观的特点在全路广泛应用,保障高速铁路的运行安全。虽然现有的检测监测系统与图像数据应用水平可以满足高速铁路基础设施设备状态和运行环境安全检测监测的需求,但它们分散部署于路网的不同地域,目前还处于人机结合判读并核查安全隐患及故障的本地应用阶段,需要投入大量的人工,费时费力。充分利用国铁集团主数据中心、铁路数据服务平台等路网中已存在的信息基础设施资源,解决好面向高铁运行安全的智能图像识别问题,实现高铁运行安全图像检测监测系统的智能化升级,将大幅提升工作效率,降低工作成本。近年来,深度学习、边缘计算、云计算等信息技术的优势汇聚,促进了人工智能正由技术研发走向行业应用。深度学习等人工智能技术与面向高铁运行安全的图像视频场景相结合,可以对高速铁路设施设备的运行状态智能识别和运行环境的实时检测监控,实现基于图像的高铁运行安全隐患排查、缺陷检测、故障诊断。本文将重点研究高铁设施设备运行安全图像的智能识别方法及应用,主要取得了以下创新性的成果:（1）基于深度主动半监督学习的高铁运行安全图像半自动标注方法。针对利用深度学习方法进行海量高铁运行安全图像智能识别过程中图像标注效率低的问题,提出了基于深度主动半监督学习的高铁运行安全图像半自动标注方法,以连续迭代范式的方式将主动学习和半监督学习引入卷积神经网络的微调过程中,让深度卷积神经网络通过增量的方式对高铁运行安全图像的特征进行学习,可以满足高铁运行安全图像数据的快速标注。将上述方法应用于动车组运行安全图像数据的标注问题,将动车组运行图像的语义标注问题转化为动车组结构子系统分类和零部件目标检测问题,将标注任务分解为粗标注和精细标注两个阶段,提出一种面向动车组零部件分类层级结构的两阶关联的基于深度主动半监督学习的动车组运行安全图像半自动标注方法,量化了数据标注量与目标任务表现之间的关系,利用较少的标注数据量可以在目标任务上获得较高的性能表现。（2）基于卷积神经网络的动车组运行安全图像缺陷检测方法。针对目前TEDS系统利用图像匹配方法自动识别缺陷精度低的问题,提出基于卷积神经网络的动车组运行安全图像缺陷检测与分割模型,分析动车组运行安全图像及其缺陷形态的特征,优化了基于区域的目标检测模型,采用可改变感受野的可变形卷积（DCN）适应缺陷形态的多样性,采用在线困难样本挖掘（OHEM）筛选出困难样本重新输入预测网络以平衡正负样本的比例,克服了缺陷形态尺寸变化多样和复杂背景下正负样本不平衡的困难。（3）基于两阶级联轻量级卷积神经网络的高铁接触网悬挂紧固件缺陷识别方法。针对高铁接触网悬挂运行状态监测图像中小目标紧固件缺陷检测问题,分析了接触网悬挂图像的特点,对比接触网悬挂紧固件缺陷检测与自然图像目标检测的不同,将紧固件缺陷检测问题转换为紧固件检测和运行状态精细识别两个过程解决,提出基于两阶级联轻量级卷积神经网络的紧固件缺陷识别方法。首先,设计了由轻量级的特征提取网络、全局注意力模块、相互增强的分类器和检测器组成的紧固件检测模型,实现目标紧固件实例的高效检测;然后,搭建轻量级的多标签分类网络,进行紧固件运行状态的精细识别,实现紧固件缺陷的识别。（4）高速铁路运行安全图像智能识别应用总体架构。分析路网中高速铁路运行安全图像检测监测信息系统的应用现状及部署特点,提出“边缘+云”的高铁运行安全图像智能识别应用总体架构,在统一的铁路数据服务平台基础之上,构建了高铁运行安全图像智能识别平台的逻辑架构和功能架构,并结合业务范围设计了数据流转和边缘计算的流程,通过典型的TEDS图像检测应用系统具体阐述智能识别应用总体架构,并详细设计了TEDS系统图像智能识别的应用架构、系统架构和系统智能识别应用的软件流程。
徐孟晖[9]（2020）在《基于近似计算和随机计算的极化码置信传播译码器的高效实现研究》文中认为2008年,Ar（?）kan教授提出极化码（Polar code）的编码和译码方式,证明了对于二进制离散无记忆信道,这种全新的编码方式可以达到香农极限。然而,随着新兴的物联网（Io T）技术及其应用的快速发展,人们对极化码译码器译码效率的要求快速提高,随之而来的是译码器硬件复杂度的增加,这使得设计者们必须不断地在译码性能和硬件复杂度之间寻求平衡。首先,我们将近似计算技术引入极化码的BP译码器设计中。在实际应用中,人们对于计算系统并不总是要求100%的计算精确度,近似计算是一种以可接受的计算精度降低来换取大量硬件资源消耗的技术。近似计算技术在具有抗干扰能力或是纠错能力的计算系统,如:图像处理、手写识别和一些神经计算系统中可以实现大大降低系统硬件复杂度的作用。通信系统的纠错码译码也可以认为是一种纠错系统,因为它可以处理带有噪声的信道输入信号。通过对极化码BP译码器的近似化处理,我们可以根据具体场景和使用者的要求,设置不同的近似参数,在译码性能和译码器的复杂度之间做出平衡。另一方面,以随机比特序列进行运算的随机计算（Stochastic Computing）,是传统二进制计算电路的一种更低成本的替代方式,凭借其超高的硬件使用效率和良好容错性着称,可以达到以最低的硬件代价来实现逻辑运算的功能。但是,运算精确度低的缺点一直限制了随机计算的大量推广和应用。基于此,本文将极化码的BP译码算法在概率域进行转换,设计一种基于随机计算的极化码BP译码算法,并给出了对应的优化策略,在保证其译码性能的同时,大大降低其硬件复杂度。首先,我们对现有的基于传统二进制计算的极化码BP译码算法进行分析,将以似然比（LR）形式存储的信道信息从实数域转化为概率信息,并用随机序列来对其进行表示。接着,我们从信道信息的初始化、BP算法中译码节点的更新公式以及判决规则三个方面对基于传统二进制计算的BP译码算法进行改造,给出基于随机计算的极化码BP译码算法和对应的电路设计方案。接着,我们从随机计算本身的精度出发,分析了影响随机计算精度和随机译码器译码性能的因素:随机序列的波动性、随机比特序列的精度以及随机比特序列之间的相关性。之后,根据影响基于随机计算的极化码BP译码器译码性能的3个因素,我们分别给出了对应优化策略,包括:调整随机比特序列长度、分阶段部分序列重排和信道信息缩放等策略,并给出了对应的电路设计模块。基于matlab的译码性能仿真结果表明,采用了上述优化模块的随机译码器的译码性能可以达到传统BP译码器的性能水平。同时,硬件综合结果显示,随机计算技术的引入,给BP译码器带来了巨大的硬件效能的提升。
刘凯[10]（2020）在《面向数据挖掘的量子算法关键技术研究》文中研究指明量子计算作为一种利用量子力学基本原理来完成计算任务的新兴技术,具有经典计算无法比拟的强大计算能力,一经提出就获得广泛关注。尤其在大数质因子分解与Grover搜索等量子算法提出之后,人们更加深刻的认识到量子计算或将为整个信息处理领域的演进与发展带来强劲动力。最近,许多国家颁布了关于量子计算研究的中长期发展规划,不断为该领域的技术实现与应用探索加码提速。作为一项应用广泛的信息技术,数据挖掘旨在从海量数据中提取隐藏其中的重要信息。该研究领域的蓬勃发展已衍生出搜索引擎、社交软件等一系列的实用工具,极大的改变了人们的日常生活。然而伴随着大数据时代数据量的急剧攀升,数据挖掘任务面临着越来越多的挑战,急需强大的算力支持。为解决该问题,研究人员开始将目光投向未来可期的量子计算当中,尝试在学科交叉中寻求新的突破。在此背景下,我们针对数据挖掘领域中的若干问题开展量子算法的相关研究,一方面用于展示量子计算的优越性能,扩大其应用范围,另一方面也为数据挖掘领域面临的诸多挑战建言献策,提供未来可行的解决方案。具体来讲,本文的主要研究内容包括以下几个方面:1、归纳总结目前应用于数据挖掘领域的量子计算理论与方法量子计算经过多年的发展,拥有众多的理论与方法。本文,我们首先针对可应用于数据挖掘的量子计算基础理论进行介绍,阐述量子计算有别于经典计算的优良特性。然后,我们对目前量子数据挖掘中的已有方法进行归纳,总结量子算法的研究特点,为后续的相关研究提供参考。2、基于量子计算开展图像匹配问题研究图像匹配是数字图像处理中的关键步骤,其在目标定位、医学图像分析中扮演着重要角色。文中,我们基于量子比特的纠缠叠加特性设计了一种新型彩色图像存储模型,然后基于该模型我们提出了量子图像匹配的实现算法,该算法相比较于经典的图像匹配算法能实现平方级别的加速效果。3、基于量子计算进行图同构问题研究图同构问题是传统计算领域中的经典难题之一,尽管不少知名学者为该问题的求解付出了艰辛的努力,然而人们目前依然无法获知该问题是否能在多项式时间内解决。本文,我们利用量子计算的理论方法对其进行探索,设计出一种实用的近似求解算法。实验发现,相比于其它同类型的图同构问题求解方案,该方法不仅针对普通图拥有最好的同构判别精度,同时针对强正则图这类较难处理的图数据依旧有优越的判别能力。4、基于量子计算探索图相似性度量的新方式图相似性度量是一类开放性的数据挖掘应用问题,其在图数据结构的分类、聚类等任务中有重要的应用。本文,我们基于量子计算设计了一种新型图核函数构造方法,该方法利用量子漫步模型来提取拓扑结构特征。实验发现,相比于目前已有的若干经典图核函数,该方法能较好的完成图分类任务。5、基于量子计算探寻网络节点中心性度量的新方法寻找具有中心性的网络节点是图数据挖掘领域中经常需要面对的问题,已有的方案大多直接基于图拓扑结构来进行节点中心性的度量。文中,我们基于量子计算可逆原理,使用量子漫步的逆过程来进行中心节点的发掘。同时,我们将该中心性度量方法应用于社区发现任务中,针对经典标签传播算法中存在的冷启动与社区吞并问题进行了优化。实验发现,优化后的新方法能更精确、更稳定的完成社区划分任务。在本文的研究中,我们一方面使用量子计算的原理尝试对数据挖掘领域中的经典难题进行求解,设计相关的量子算法,展示量子计算的强大性能;另一方面我们也对数据挖掘领域中的应用性问题进行了探索,扩展了量子计算的应用范围。文中的研究方法不仅可促进量子计算与数据挖掘领域的交叉融合,同时也可为量子计算在其它信息处理领域的普及与应用提供有效的指导。
二、在图像处理应用中几种并行计算技术的比较（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、在图像处理应用中几种并行计算技术的比较（论文提纲范文）
（1）天基光学目标检测与跟踪实时处理技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 关键技术问题分析 |
| 1.2.1 天基光学大面阵传感器 |
| 1.2.2 弱小运动目标检测 |
| 1.2.3 高性能多目标跟踪 |
| 1.3 国内外研究现状 |
| 1.3.1 序列图像弱小目标检测 |
| 1.3.2 多目标跟踪 |
| 1.3.3 高性能并行计算 |
| 1.4 论文的主要工作和结构安排 |
| 第二章 基于有限变分理论的序列图像运动目标检测 |
| 2.1 引言 |
| 2.2 有限变分理论基础 |
| 2.2.1 背景抑制建模 |
| 2.2.2 有限变分函数空间 |
| 2.2.3 图像恢复算法 |
| 2.3 单帧图像背景抑制 |
| 2.3.1 问题模型 |
| 2.3.2 简化模型求解 |
| 2.3.3 通用模型求解 |
| 2.4 序列图像运动目标检测 |
| 2.4.1 批处理算法 |
| 2.4.2 序贯处理算法 |
| 2.5 仿真实验与结果分析 |
| 2.5.1 民航监视场景 |
| 2.5.2 多目标仿真场景 |
| 2.6 本章小结 |
| 第三章 基于背景抑制图像量测的点目标滤波算法 |
| 3.1 引言 |
| 3.2 随机有限集多目标跟踪理论 |
| 3.2.1 随机有限集 |
| 3.2.2 有限集统计理论 |
| 3.2.3 点量测PHD滤波器 |
| 3.3 图像量测一阶多目标滤波 |
| 3.3.1 图像量测PHD滤波器 |
| 3.3.2 一阶多目标滤波器的局限 |
| 3.4 图像量测高阶多目标滤波 |
| 3.4.1 多目标粒子滤波器 |
| 3.4.2 带标签随机有限集 |
| 3.4.3 带标签多目标粒子滤波器 |
| 3.4.4 SMC实现算法 |
| 3.5 仿真实验与分析 |
| 3.5.1 仿真场景验证 |
| 3.5.2 图像数据验证 |
| 3.6 本章小结 |
| 第四章 基于高帧频运动检测序列的面目标平滑算法 |
| 4.1 引言 |
| 4.2 基于运动检测结果的目标特征提取 |
| 4.3 参数未知观测模型下的多目标滤波 |
| 4.3.1 杂波参数估计 |
| 4.3.2 杂波状态建模 |
| 4.3.3 PHD迭代 |
| 4.3.4 SMC实现 |
| 4.4 自适应杂波状态估计的多目标平滑 |
| 4.4.1 目标与杂波相互耦合的PHD平滑 |
| 4.4.2 目标与杂波统计独立的PHD平滑 |
| 4.5 仿真实验与分析 |
| 4.5.1 仿真场景验证 |
| 4.5.2 图像数据验证 |
| 4.6 本章小结 |
| 第五章 大面阵高帧频成像信息处理高性能并行计算 |
| 5.1 引言 |
| 5.2 高性能并行序列图像运动目标检测 |
| 5.2.1 大规模图像数据并行 |
| 5.2.2 共享内存多核并行计算 |
| 5.3 高性能并行网格PHD多目标跟踪 |
| 5.3.1 PHD平滑的物理解释 |
| 5.3.2 网格实现 |
| 5.3.3 并行网格实现 |
| 5.4 高性能并行粒子PHD多目标跟踪 |
| 5.4.1 分布内存多核并行计算 |
| 5.4.2 并行SMC实现 |
| 5.4.3 性能提升与功能扩展 |
| 5.5 仿真实验与分析 |
| 5.5.1 并行序列图像运动目标检测 |
| 5.5.2 并行网格PHD滤波器 |
| 5.5.3 并行粒子PHD平滑器 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要工作与创新点 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（2）基于非线性扩散方程的并行图像去噪研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究历史与现状 |
| 1.2.1 图像去噪技术的研究历史 |
| 1.2.2 并行技术的研究历史与现状 |
| 1.2.3 并行技术与图像处理的结合 |
| 1.3 论文内容与结构 |
| 第二章 并行图像去噪理论与技术 |
| 2.1 引言 |
| 2.2 图像去噪理论与技术 |
| 2.2.1 均值滤波去噪 |
| 2.2.2 维纳滤波去噪 |
| 2.2.3 中值滤波去噪 |
| 2.3 并行计算理论与技术 |
| 2.3.1 并行计算机 |
| 2.3.2 并行算法 |
| 2.4 本章小结 |
| 第三章 引入控制函数的非线性图像去噪模型 |
| 3.1 引言 |
| 3.2 基于非线性方程的图像去噪模型 |
| 3.3 存在的问题 |
| 3.4 本文提出的改进模型 |
| 3.4.1 模型的建立 |
| 3.4.2 模型的理论基础和具体描述 |
| 3.4.3 模型的数值计算 |
| 3.4.4 串行算法的流程图 |
| 3.5 实验仿真与分析 |
| 3.6 本章小结 |
| 第四章 改进模型的并行算法设计 |
| 4.1 引言 |
| 4.2 新模型的并行化处理 |
| 4.2.1 分治策略 |
| 4.2.2 负载平衡 |
| 4.2.3 图像边缘处理 |
| 4.2.4 超级步的划分 |
| 4.2.5 并行算法的流程描述 |
| 4.3 并行算法的实验仿真及性能分析 |
| 4.3.1 串行实验仿真 |
| 4.3.2 改进并行实验仿真 |
| 4.3.3 实验性能分析 |
| 4.4 本章小结 |
| 第五章 改进模型的并行结构优化 |
| 5.1 引言 |
| 5.2 新模型的并行优化处理 |
| 5.2.1 多层次并行策略 |
| 5.2.2 优化并行算法的流程描述 |
| 5.3 优化并行算法的实验仿真及性能分析 |
| 5.3.1 优化并行实验仿真 |
| 5.3.2 实验性能分析 |
| 5.4 本章小结 |
| 第六章 结论与未来的工作 |
| 6.1 结论 |
| 6.2 未来的工作 |
| 致谢 |
| 攻硕期间从事的科研工作及取得的研究成果 |
| 参考文献 |
（4）基于PCNN的地震图像边界定位与追踪（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地震图像边缘提取方法研究现状 |
| 1.2.2 PCNN研究现状 |
| 1.3 本文研究内容 |
| 1.4 论文章节安排 |
| 第二章 图像边界提取方法研究 |
| 2.1 边缘检测定位概述 |
| 2.2 像素级边缘定位算法 |
| 2.2.1 Roberts算子 |
| 2.2.2 Prewitt算子 |
| 2.2.3 Sobel算子 |
| 2.2.4 Laplacian算子 |
| 2.2.5 Lo G算子 |
| 2.2.6 Canny算子 |
| 2.3 亚像素级边缘定位方法 |
| 2.3.1 亚像素边缘检测概述 |
| 2.3.2 亚像素定位原理 |
| 2.3.3 基于矩方法的边缘定位算法 |
| 2.4 PCNN介绍 |
| 2.4.1 PCNN同步脉冲输出特性 |
| 2.4.2 PCNN脉冲波传播特性 |
| 2.4.3 PCNN边缘检测定位原理 |
| 2.5 图像边界追踪方法研究 |
| 2.5.1 爬虫法 |
| 2.5.2 光栅扫描法 |
| 2.5.3 八邻域边界追踪算法 |
| 2.5.4 边界追踪方法问题总结 |
| 2.6 本章小结 |
| 第三章 PCNN地震图像边界定位方法研究 |
| 3.1 地震图像预处理 |
| 3.1.1 相干切片图像去噪 |
| 3.1.2 相干切片图像增强和二值化 |
| 3.2 PCNN模型分析 |
| 3.3 改进PCNN模型 |
| 3.4 本章小结 |
| 第四章 改进PCNN地震图像边界定位方法研究 |
| 4.1 基于灰度空间矩的PCNN内部连接权矩阵确定 |
| 4.2 PCNN参数分析 |
| 4.2.1 链接强度系数分析 |
| 4.2.2 阈值系数分析 |
| 4.3 启发式算法优化PCNN参数 |
| 4.3.1 蚁群算法寻优策略 |
| 4.3.2 适应度函数确定 |
| 4.3.3 蚁群算法优化PCNN参数算法流程 |
| 4.4 实验分析 |
| 4.4.1 仿真实验分析 |
| 4.4.2 综合评价分析 |
| 4.5 本章小结 |
| 第五章 地震图像边界追踪方法研究 |
| 5.1 图像的数据结构分析 |
| 5.1.1 图像的拓扑结构 |
| 5.1.2 图像链码 |
| 5.2 地震图像边界追踪方法研究分析 |
| 5.3 地震图像边界追踪算法流程 |
| 5.4 实验分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（5）目标识别数据集原始图像恢复算法多线程并行研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像恢复算法研究现状 |
| 1.2.2 并行计算研究现状 |
| 1.3 论文研究内容及论文结构 |
| 2 图像信号处理器算法与并行计算基础 |
| 2.1 图像信号处理器算法 |
| 2.1.1 相机响应函数 |
| 2.1.2 白平衡 |
| 2.1.3 颜色空间转换 |
| 2.1.4 色域映射 |
| 2.1.5 色调映射 |
| 2.1.6 去马赛克算法 |
| 2.2 并行计算基础 |
| 2.3 本章小结 |
| 3 InvISP模型 |
| 3.1 可行性分析 |
| 3.2 相机内成像模型 |
| 3.3 InvISP成像模型 |
| 3.4 本章小结 |
| 4 InvISP的逆向流程 |
| 4.1 逆向相机响应函数 |
| 4.2 逆向白平衡和颜色空间转换矩阵 |
| 4.3 逆向色域映射算法 |
| 4.4 逆向去马赛克算法 |
| 4.5 本章小结 |
| 5 基于OpenMP的 InvISP算法优化 |
| 5.1 基于OpenMP的并行化分析 |
| 5.2 基于OpenMP的并行化算法实现 |
| 5.3 本章小结 |
| 6 实验结果及分析 |
| 6.1 实验质量评估标准 |
| 6.1.1 峰值信噪比 |
| 6.1.2 结构相似性 |
| 6.1.3 加速比 |
| 6.2 实验环境 |
| 6.3 实验结果 |
| 6.4 基于OpenMP的优化结果分析 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（6）超快速超声血管三维成像技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景及意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 超声三维重建技术现状 |
| 1.2.2 超声平面波技术现状 |
| 1.3 本文创新点与结构安排 |
| 第二章 超声三维重建技术 |
| 2.1 引言 |
| 2.2 三维重建之数据获取 |
| 2.2.1 基于二维面阵获取数据 |
| 2.2.2 基于机械三维探头获取数据 |
| 2.2.3 基于自由臂的三维数据获取 |
| 2.2.4 坐标数据以及空间旋转矩阵 |
| 2.3 常见的几种重建算法 |
| 2.3.1 基于体素的三维重建 |
| 2.3.2 基于像素的三维重建 |
| 2.3.3 基于函数的三维重建 |
| 2.4 基于VTK的三维渲染实现 |
| 2.5 本章小结 |
| 第三章 超声平面波技术 |
| 3.1 引言 |
| 3.2 超声设备的控制流程 |
| 3.2.1 传统聚焦技术的接发控制 |
| 3.2.2 平面波技术的接发控制 |
| 3.3 平面波的数据处理原理及实现 |
| 3.3.1 加权DAS波束合成 |
| 3.3.2 射频数据处理 |
| 3.3.3 空间复合 |
| 3.3.4 数字扫描变换 |
| 3.4 本章小结 |
| 第四章 GPU并行计算技术 |
| 4.1 引言 |
| 4.2 GPU加速的原理 |
| 4.2.1 异构编程 |
| 4.2.2 核函数 |
| 4.2.3 线程结构 |
| 4.3 GPU并行计算的实现 |
| 4.3.1 三维重建并行计算程序设计 |
| 4.3.2 超声平面波波束合成并行计算程序设计 |
| 4.4 本章小结 |
| 第五章 超快速超声血管三维成像的实现 |
| 5.1 引言 |
| 5.2 实验系统组成与设备控制 |
| 5.2.1 平面波发射模式的设置 |
| 5.2.2 扫描滑轨的控制 |
| 5.3 传统聚焦方法与平面波方法的重建结果对比 |
| 5.3.1 数据获取 |
| 5.3.2 平面波数据处理 |
| 5.3.3 重建结果分析 |
| 5.4 超快速三维成像实现 |
| 5.4.1 数据的获取与重建 |
| 5.4.2 加速结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（7）基于边缘计算的森林火灾视频识别技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 森林火灾视频识别技术研究现状 |
| 1.2.2 边缘计算研究现状 |
| 1.3 主要研究内容和方法 |
| 1.4 本文结构安排 |
| 2 视频识别相关技术 |
| 2.1 视频检索技术 |
| 2.2 视频数据特点及结构 |
| 2.2.1 视频数据特点 |
| 2.2.2 视频数据结构 |
| 2.3 视频检索原理及关键技术 |
| 2.3.1 视频检索原理 |
| 2.3.2 视频检索关键技术 |
| 2.4 本章小结 |
| 3 基于SURF和SIFT特征的林火烟雾镜头边界检侧 |
| 3.1 特征融合的方法 |
| 3.1.1 局部特征 |
| 3.1.2 特征融合 |
| 3.2 林火烟雾镜头边界变换的检测方法 |
| 3.3 林火烟雾镜头边界检测 |
| 3.4 结果评价指标 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 4 基于K-Means的林火烟雾视频关键帧提取 |
| 4.1 关键帧提取原理 |
| 4.2 基于聚类的林火烟雾视频关键帧提取算法 |
| 4.2.1 聚类特征的提取 |
| 4.2.2 K-Means聚类 |
| 4.2.3 基于改进K-Means的关键帧提取算法 |
| 4.2.4 林火烟雾视频关键帧提取算法流程 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 5 基于HOG_SVM模型的林火烟雾视频识别 |
| 5.1 HOG特征 |
| 5.2 SVM原理 |
| 5.3 视频图像预处理 |
| 5.3.1 数据预处理 |
| 5.3.2 数据增强 |
| 5.4 基于HOG_SVM林火烟雾识别模型的构建 |
| 5.5 实验结果与分析 |
| 5.5.1 实验环境 |
| 5.5.2 HOG特征可视化 |
| 5.5.3 基于HOG_SVM模型识别效果 |
| 5.6 本章小结 |
| 6 基于Faster R-CNN的林火烟雾视频识别 |
| 6.1 深度学习技术 |
| 6.1.1 深度学习特点 |
| 6.1.2 深度学习在视频检索中的应用 |
| 6.2 Faster R-CNN相关理论 |
| 6.2.1 卷积神经网络基本理论 |
| 6.2.2 Faster R-CNN模型原理 |
| 6.2.3 模型常用函数 |
| 6.3 基于Faster R-CNN林火烟雾识别模型的构建 |
| 6.3.1 Faster R-CNN识别模型 |
| 6.3.2 Faster R-CNN模型训练 |
| 6.3.3 改进的Faster R-CNN模型 |
| 6.4 实验结果与分析 |
| 6.4.1 实验数据集与环境 |
| 6.4.2 模型表现分析 |
| 6.4.3 与传统模型的比较 |
| 6.5 本章小结 |
| 7 森林火灾监侧边缘计算架构设计 |
| 7.1 典型边缘计算平台 |
| 7.1.1 移动边缘计算 |
| 7.1.2 雾计算 |
| 7.1.3 Edge X Foundry |
| 7.1.4 朵云计算平台 |
| 7.2 边缘计算平台的选择 |
| 7.3 森林火灾监测边缘设备描述 |
| 7.4 森林火灾监测Edge X Foundry框架设计 |
| 7.4.1 设备服务层设计 |
| 7.4.2 核心服务层设计 |
| 7.4.3 支持服务层设计 |
| 7.4.4 输出服务层设计 |
| 7.5 森林火灾监测边缘计算网关设计与实现 |
| 7.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 附件 |
（8）面向高速铁路运行安全的智能图像识别方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状及发展趋势 |
| 1.2.1 国内外图像识别技术研究现状及发展趋势 |
| 1.2.2 国内外铁路运行安全图像识别研究现状及发展趋势 |
| 1.3 研究目标及主要内容 |
| 1.4 论文组织结构与技术路线 |
| 1.5 本章小结 |
| 2 图像识别与深度学习相关理论 |
| 2.1 深度学习 |
| 2.1.1 卷积神经网络 |
| 2.1.2 基于卷积神经网络的典型分类模型 |
| 2.1.3 基于卷积神经网络的典型目标检测模型 |
| 2.2 迁移学习 |
| 2.3 主动学习 |
| 2.4 边缘计算 |
| 2.5 本章小结 |
| 3 基于深度主动半监督学习的高铁运行安全图像半自动标注方法 |
| 3.1 引言 |
| 3.2 问题分析 |
| 3.3 基于深度主动半监督学习的高铁运行安全图像半自动标注方法 |
| 3.3.1 基于深度卷积神经网络的迁移学习 |
| 3.3.2 深度主动半监督学习 |
| 3.4 面向动车组运行安全图像半自动标注算法 |
| 3.4.1 子系统分类主动半监督学习策略 |
| 3.4.2 零部件检测主动半监督学习策略 |
| 3.5 试验与分析 |
| 3.5.1 子系统分类标注试验分析 |
| 3.5.2 零部件目标检测标注试验分析 |
| 3.6 本章小结 |
| 4 基于卷积神经网络的动车组运行安全图像缺陷检测方法 |
| 4.1 引言 |
| 4.2 问题分析 |
| 4.3 动车组运行安全图像缺陷检测与分割模型 |
| 4.3.1 基于区域的目标检测算法 |
| 4.3.2 动车组运行安全图像缺陷检测优化方法 |
| 4.4 试验结果与分析 |
| 4.4.1 数据集 |
| 4.4.2 检测与评估 |
| 4.4.3 结果分析 |
| 4.5 本章小结 |
| 5 基于两阶级联轻量级卷积神经网络的高铁接触网悬挂紧固件缺陷识别方法 |
| 5.1 引言 |
| 5.2 问题分析 |
| 5.2.1 高铁接触网悬挂状态监测图像生成 |
| 5.2.2 高铁接触网悬挂状态监测图像的特点 |
| 5.3 高铁接触网悬挂紧固件缺陷识别方法 |
| 5.3.1 紧固件检测模型CSDR-CNN |
| 5.3.2 紧固件缺陷识别网络FastenerNet |
| 5.4 试验验证 |
| 5.4.1 模型训练阶段 |
| 5.4.2 模型测试阶段 |
| 5.5 本章小结 |
| 6 高速铁路运行安全图像智能识别应用总体设计 |
| 6.1 问题分析 |
| 6.2 总体架构 |
| 6.3 功能架构 |
| 6.4 典型应用系统分析 |
| 6.4.1 TEDS系统图像智能识别应用需求分析 |
| 6.4.2 TEDS系统图像智能识别应用设计 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 索引 |
| 作者简历及攻读博士学位期间取得的科研成果 |
| 学位论文数据集 |
（9）基于近似计算和随机计算的极化码置信传播译码器的高效实现研究（论文提纲范文）
| 摘要 |
| Abstract |
| 术语与符号约定 |
| 英文缩略词 |
| 第一章 绪论 |
| 1.1 背景介绍 |
| 1.1.1 第五代移动通信 |
| 1.1.2 近似计算 |
| 1.1.3 随机计算 |
| 1.2 研究现状 |
| 1.2.1 极化码译码器设计 |
| 1.2.2 近似计算电路设计 |
| 1.2.3 随机计算电路设计 |
| 1.3 本文的工作 |
| 1.3.1 本文的主要内容 |
| 1.3.2 篇章结构 |
| 第二章 极化码原理 |
| 2.1 符号定义 |
| 2.2 信道极化 |
| 2.2.1 信道组合 |
| 2.2.2 信道分解 |
| 2.3 极化码编码 |
| 2.4 极化码译码 |
| 2.4.1 置信传播译码算法 |
| 2.4.2 连续消除译码算法 |
| 2.5 本章总结 |
| 第三章 基于近似计算的极化码置信传播(BP)译码器设计 |
| 3.1 极化码BP算法译码原理 |
| 3.1.1 BP译码算法因子图 |
| 3.1.2 信道信息初始化 |
| 3.1.3 递归更新公式 |
| 3.1.4 判决规则 |
| 3.2 基于近似计算的极化码BP译码器架构设计 |
| 3.2.1 近似计算电路设计 |
| 3.2.2 量化方案 |
| 3.2.3 近似G节点电路 |
| 3.2.4 近似F节点电路 |
| 3.2.5 基于近似计算的极化码BP译码器电路设计流程 |
| 3.3 仿真结果及硬件综合 |
| 3.3.1 基于matlab的译码性能仿真 |
| 3.3.2 硬件综合及分析 |
| 3.4 本章总结 |
| 第四章 基于随机计算的极化码置信传播(BP)译码算法 |
| 4.1 基于随机计算的极化码BP译码原理 |
| 4.1.1 信道信息初始化 |
| 4.1.2 节点更新公式 |
| 4.1.3 判决规则 |
| 4.2 基于随机计算的极化码BP译码架构设计 |
| 4.2.1 随机计算基本电路 |
| 4.2.2 序列生成电路 |
| 4.2.3 计算节点电路 |
| 4.2.4 基本计算单元电路 |
| 4.2.5 基于随机计算的极化码BP译码器电路 |
| 4.3 仿真结果及硬件综合 |
| 4.3.1 量化方案 |
| 4.3.2 基于matlab的译码性能仿真 |
| 4.3.3 硬件综合及分析 |
| 4.4 本章总结 |
| 第五章 随机计算精度影响因素分析 |
| 5.1 随机序列的波动性 |
| 5.2 随机序列的精度 |
| 5.3 随机序列之间的相关性 |
| 5.3.1 序列的相关度 |
| 5.3.2 序列相关度对随机计算的影响 |
| 5.4 本章总结 |
| 第六章 基于随机计算的极化码BP译码优化策略 |
| 6.1 比特分布图 |
| 6.2 随机比特序列在BP译码过程中的变化 |
| 6.2.1 比特聚集现象 |
| 6.2.2 相关度变化分析 |
| 6.3 调整译码序列长度 |
| 6.3.1 序列长度与随机计算精度 |
| 6.3.2 序列长度与序列间相关度 |
| 6.4 序列重排 |
| 6.4.1 迭代间序列重排 |
| 6.4.2 分阶段序列重排 |
| 6.4.3 分阶段部分序列重排 |
| 6.5 信道信息缩放 |
| 6.6 提前终止迭代 |
| 6.7 本章总结 |
| 第七章 基于随机计算的极化码BP译码器硬件设计 |
| 7.1 引入信道信息缩放因子的序列生成电路 |
| 7.2 分阶段部分序列重排电路 |
| 7.2.1 重新生成序列电路 |
| 7.2.2 通过引导寄存器重排电路 |
| 7.2.3 序列内重排电路 |
| 7.2.4 即时重排电路 |
| 7.3 提前终止迭代判断电路 |
| 7.4 优化的随机计算BP译码器电路 |
| 7.5 综合结果及分析 |
| 7.6 本章总结 |
| 第八章 总结与展望 |
| 8.1 工作创新点 |
| 8.2 未来工作方向 |
| 致谢 |
| 参考文献 |
| 附录A 基于传统二进制计算的极化码 BP译码器MATLAB核心代码 |
| 附录B 基于随机计算的极化码 BP译码器MATLAB核心代码 |
| 附录C 基于传统二进制计算的极化码 BP译码器Verilog顶层代码 |
| 附录D 基于随机计算的极化码 BP译码器Verilog顶层代码 |
| 作者攻读硕士学位期间的研究成果 |
（10）面向数据挖掘的量子算法关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 量子计算简介 |
| 1.1.2 数据挖掘面临的挑战 |
| 1.1.3 数据挖掘对量子计算的需求 |
| 1.2 研究课题主要内容及创新点 |
| 1.2.1 课题研究主要内容 |
| 1.2.2 课题研究创新点 |
| 1.3 论文结构 |
| 第二章 量子计算基础及相关研究 |
| 2.1 量子计算基本概念 |
| 2.1.1 量子比特及其特性 |
| 2.1.2 量子比特的状态变换 |
| 2.1.3 量子测量 |
| 2.2 量子算法发展动态 |
| 2.2.1 经典量子算法 |
| 2.2.2 量子图像处理算法 |
| 2.2.3 基于量子漫步的图计算方法 |
| 2.2.4 量子机器学习算法 |
| 2.3 量子算法的研究特点 |
| 第三章 基于量子计算的图像匹配问题研究 |
| 3.1 基于量子叠加原理的量子图像存储机制 |
| 3.1.1 量子彩色图像存储模型——OCQR |
| 3.1.2 量子彩色图像存储模型的制备策略 |
| 3.1.3 基于OCQR模型的基本图像处理操作 |
| 3.1.4 OCQR模型与传统模型的性能比较 |
| 3.2 量子图像匹配算法 |
| 3.2.1 图像匹配问题描述及相关量子算法 |
| 3.2.2 量子图像匹配算法实现过程 |
| 3.2.3 算法复杂度分析 |
| 3.3 本章小结 |
| 第四章 基于量子漫步的图同构问题研究 |
| 4.1 图同构问题描述 |
| 4.2 基于量子漫步设计的图同构算法相关研究 |
| 4.3 基于离散量子漫步的高效图同构算法:MapEff |
| 4.3.1 关于图数据的量子漫步模型 |
| 4.3.2 MapEff算法实现步骤 |
| 4.3.3 典型示例分析 |
| 4.3.4 算法复杂度分析 |
| 4.4 算法模拟实验验证 |
| 4.4.1 实验设置 |
| 4.4.2 针对普通图的模拟实验评测 |
| 4.4.3 针对强正则图的模拟实验评测 |
| 4.5 本章小结 |
| 第五章 基于量子漫步的图相似性度量研究 |
| 5.1 图相似性度量问题描述 |
| 5.2 基于图核函数的图相似性度量相关研究 |
| 5.3 基于量子漫步设计的图核函数——AMGK |
| 5.3.1 应用于AMGK图核的量子漫步模型 |
| 5.3.2 节点的特征向量表示 |
| 5.3.3 图核函数设计 |
| 5.3.4 算法有效性分析 |
| 5.4 算法性能评测 |
| 5.4.1 实验数据介绍 |
| 5.4.2 图分类实验结果 |
| 5.5 本章小结 |
| 第六章 基于量子计算的网络中心性分析及应用 |
| 6.1 网络中心性问题描述 |
| 6.2 基于量子漫步的网络中心性度量方法(QWCM) |
| 6.2.1 QWCM算法实现步骤 |
| 6.2.2 QWCM算法分析 |
| 6.3 基于网络中心性度量的新型标签传播算法 |
| 6.3.1 传统标签传播算法存在的问题 |
| 6.3.2 基于节点中心性度量的标签传播算法（LPA-BC） |
| 6.3.3 增强型标签传播算法(RLPA) |
| 6.4 算法实验结果与分析 |
| 6.4.1 实验设置 |
| 6.4.2 性能评测结果 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、在图像处理应用中几种并行计算技术的比较（论文参考文献）
- [1]天基光学目标检测与跟踪实时处理技术研究[D]. 朱然. 国防科技大学, 2018(02)
- [2]基于非线性扩散方程的并行图像去噪研究[D]. 郭静. 重庆邮电大学, 2010(12)
- [3]在图像处理应用中几种并行计算技术的比较[J]. 杨伟健,姚庆栋. 信号处理, 2000(04)
- [4]基于PCNN的地震图像边界定位与追踪[D]. 常相伟. 西安石油大学, 2021(09)
- [5]目标识别数据集原始图像恢复算法多线程并行研究[D]. 张金. 大连理工大学, 2021(01)
- [6]超快速超声血管三维成像技术研究[D]. 陈林. 电子科技大学, 2021(01)
- [7]基于边缘计算的森林火灾视频识别技术的研究[D]. 孙晓芳. 东北林业大学, 2020(09)
- [8]面向高速铁路运行安全的智能图像识别方法研究[D]. 周雯. 中国铁道科学研究院, 2020(01)
- [9]基于近似计算和随机计算的极化码置信传播译码器的高效实现研究[D]. 徐孟晖. 东南大学, 2020(01)
- [10]面向数据挖掘的量子算法关键技术研究[D]. 刘凯. 国防科技大学, 2020(01)