CN104240232B - 一种基于图像处理的道路损毁检测优化方法 - Google Patents
一种基于图像处理的道路损毁检测优化方法 Download PDFInfo
- Publication number
- CN104240232B CN104240232B CN201410339506.5A CN201410339506A CN104240232B CN 104240232 B CN104240232 B CN 104240232B CN 201410339506 A CN201410339506 A CN 201410339506A CN 104240232 B CN104240232 B CN 104240232B
- Authority
- CN
- China
- Prior art keywords
- pixel
- sum
- average ratio
- thread
- road
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的道路损毁检测优化方法，构建像素点模板，取垂直方向和水平方向各两个区域，求取各个领域内的像素点的均值比；并求出均值比的最小值，通过判断均值来确定此像素点是否发生损毁；为提高运算效率，将线程和对应的像素点结合起来，均值比和极小值求取放在一个核函数内，设置一个中间存储变量sum，设初始sum为从第一个像素点开始的前七个元素的和，每次递增取第八个元素和第一个元素的差值，将计算的差值数组存储起来，对应的sum累加，sum累加的过程中进行并行处理，分配到相应的线程中进行并行处理。本发明减少了额外的GPU线程计算指令，实现将待处理的图像像素点与创建的OpenCl线程一一对应起来，提高了算法运行效率。
Description
技术领域
本发明属于道路领域，尤其涉及一种基于图像处理的道路损毁检测优化方法。
背景技术
道路损毁算法的核心是三个相邻区域中，中间区域是道路区域，以7个点位一个模板，取垂直方向上下两个领域，水平方向左右两个区域，每个区域类似道路区域7个像素点的模板，也会有7个像素点，求取各个领域内的像素点的均值，然后求出均值比的最小值，最后通过判断均值来确定此像素点是否发生损毁。逐个像素点构建模板，然后计算平均值，再根据构建的水平垂直方向的道路相应位置，利用像素点的均值比，求取均值比的最小值。
每个像素点的模板构建算不存在数据依赖，每个像素点的变换也不存在读写依赖，完全可以用OpenCl对和计其进行并行处理。对照以上算法，每个线程负责一个像素点的模板构建计算，通过读取自身模板内的七个像素点和上下左右每个区域内的七个像素点，来计算相对应的道路损毁因子，同时对于边界点的处理，可能有些边界点的模板构建最终会超出原图像大小，因此对道路边界点和中心点的处理要分别对待，当计算边界元素时，要根据边界类型来确定。
传统的道路损毁算法由于读取算法元素的时候，要对道路上每个元素进行模板构建，这样对于道路上相邻的点，会有六个像素点重合，不利于充分利用GPU设备。
发明内容
本发明的目的在于提供一种基于图像处理的道路损毁检测优化方法，旨在解决传统的道路损毁检测算法要对道路上每个元素进行模板构建，对于道路上相邻的点，会有六个像素点重合，不利于充分利用GPU设备的问题。
本发明是这样实现的，一种基于图像处理的道路损毁检测优化方法，该方法包括以下步骤：
步骤一：道路损毁算法的核心是三个相邻区域中，中间区域是道路区域，以7个点为一个模板，构建逐个像素点的模板；
步骤二：取垂直方向上下两个领域，水平方向左右两个区域，每个区域类似道路区域7个像素点的模板，也会有7个像素点，求取各个领域内的像素点的均值比；
步骤三：利用像素点的均值比，求出均值比的最小值，通过判断均值来确定此像素点是否发生损毁；
步骤四：将线程和对应的像素点结合起来，均值比和极小值求取放在一个核函数内，求取均值比以及计算极小值，需要两个核函数；
步骤五：根据采取的函数类型不同，通过指定核函数内的线程在索引空间的索引和对应工作组中的线程索引号可唯一确定由执行核函数运算的具体线程；
步骤六：实现将图像中待处理的图像像素点，与创建的OpenCl线程和图像的像素点一一的对应起来；
步骤七：设置一个中间存储变量sum，设初始sum为从第一个像素点开始的前七个元素的和，然后每次递增取第八个元素和第一个元素的差值；
步骤八：将计算的差值数组存储起来，然后对应的sum累加，sum累加的过程中进行并行处理，分配到相应的线程中进行并行处理。
进一步，在步骤二中，根据构建的水平垂直方向的道路相应位置，利用像素点的均值比，求取均值比的最小值的公式如(1)所示
上式中，rL表示水平构建模板的均值比最小值，rF表示垂直方向的均值比最小值。
进一步，在步骤二中，每个像素点的模板构建和计算不存在数据依赖，每个像素点的变换也不存在读写依赖，可以用OpenCl对其进行并行处理。
进一步，在步骤二中，每个线程负责一个像素点的模板构建计算，通过读取自身模板内的七个像素点和上下左右每个区域内的七个像素点，来计算相对应的道路损毁因子，同时对道路边界点和中心点的处理要分别对待，当计算边界元素时，要根据边界类型来确定。
进一步，读取算法元素时要对道路上每个元素进行模板构建，为了消除原始算法中每次循环迭代有六个元素点重复，设置一个中间存储变量sum，设初始sum为从第一个像素点开始的前七个元素的和，然后每次递增取第八个元素和第一个元素的差值，这样只会重复一个元素。
进一步，为了消除重复元素的缺点，采取本地分块策略，首先以工作组的形式对所处理的道路上所有像素点为单位将各矩阵进行分块，在本地内存中完成各数据块的和累加和加减，然后将每隔七个元素的差值集合到一个数组中，并将此差值存储起来，最后将差值数组的各个元素与初始七个点的像素和累加，改进后的部分求取像素和的伪代码如下
for(i＝0；i<width；i++)
for(j＝0；j<height；j++)
Sum+＝data_sub[k++]
这里sum的初始值为第一个像素点模板内七个像素点的和，后面每个像素点的模板内的七个像素点的和只需要读取相应的data_sub数组内的值就可以了。
进一步，将计算的差值数组存储起来，然后对应的sum累加，sum累加的过程中进行并行处理，分配到相应的线程中进行并行处理，在算法设计中采取双buffer的形式，为每个数据分块申请同样大小的本地内存空间交替使用，以避免数据重写，两个buffer交替重写，使用本地同步操作，并将差值数组做一个优化。
进一步，具体的差值数组优化步骤为：差值数组第一个元素为a0，a0其实为道路上首个像素点构建模板内像素点总和，从a1开始一直到最后都是差值数组的值，假设取差值数组的前七个元素，道路损毁中每个构建模板的像素点总和可以模拟为下述计算公式，即给定一个数值序列
[a0，a1，a2，a3，a4，a5，a6，a7，a8，a9，a10，...，an-1]
要计算出计算结果，并保存
[a0，(a0+a1)，(a0+a1+a2)，...，(a0+a1+an-1)]
这里可以对其隔项相加，比如用差值数组的第一项加第二项，标记为[a0，a1]，这样经过一次循环迭代就可以分出n/2组，但是新分出来的组中只有一个目标项a0+a1，再在新的组里面，补充遗漏的元素，然后再隔两个元素进行加和。
进一步，当n很大时，对数部分的时间耗费会大大降低程序的执行效率，具体的优化算法还可以采用平衡树计算方法，将总共计算次数减少到o(n)，从根节点的出发，利用第一阶段计算的部分和计算相应的总和，利用一个线程处理一个数据元素将最终各个加和结果加上最前端数据元素，将最后的加和结果加上最末端元素，最后对于处理的核函数，分配工作组以及工作项，每个工作组中有256个线程，每个线程对应一个工作项，根据对应的坐标来找到相应的全局索引index：
index＝bx×256+by×width+tx (2)
tx为线程索引，(bx，by)为NDRange内的索引，根据(bx，by，tx)可唯一确定某个像素点在索引空间对应的全局ID，这样就可以将对应的像素点和相应的线程联系起来；
OpenCl指定的核函数如下
__global__static void MoistInvertionKernel(…)
int position＝y*width+x*256+ldx；
if((x*256+Idx)<width)
Data[position]＝255*M；
其中y对应执行的线程在全局中的垂直方向坐标，x表示对应的水平方向坐标，ldx代表对应的work-group中的线程索引。
本发明提供的一种基于图像处理的道路损毁检测优化方法，通过设置一个中间存储变量sum，设初始sum为从第一个像素点开始的前七个元素的和，然后每次递增取第八个元素和第一个元素的差值，这样只会重复一个元素，比之前重复的六个元素少了五个，大大提高了算法的运行效率。改进后平衡树计算方法共需要进行2*(n-1)次加法操作和(n-1)次数据对换操作，总体时间复杂度为o(n)，总工作量呈线性增长，减少了额外的GPU线程计算指令，从平衡树的叶子结点开始迭代，并在其父节点一起计算部分和一直到根节点，最后根节点的值为最后一个需要求取的道路模板像素点总和；这样就把线程和对应的像素点结合起来了，M表示前面我们处理的像素点累积加和以及加和之后的均值比，极小值求取，均值比和极小值求取放在一个核函数内，求取均值比以及计算极小值，需要两个核函数，根据采取的函数类型不同，M可以随之改变，每一个线程执行和函数，通过指定核函数内的线程在索引空间的索引和对应工作组中的线程索引号可唯一确定由哪个线程执行核函数的运算，这样就可以实现将图像中待处理的图像像素点，与创建的OpenCl线程和图像的像素点一一的对应起来，大大提高了算法的运行效率。
附图说明
图1是本发明实施例提供的基于图像处理的道路损毁检测优化方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
结合附图1对本发明进行说明，一种基于图像处理的道路损毁检测优化方法，该方法包括以下步骤：
S101：道路损毁算法的核心是三个相邻区域中，中间区域是道路区域，以7个点为一个模板，构建逐个像素点的模板；
S102：取垂直方向上下两个领域，水平方向左右两个区域，每个区域类似道路区域7个像素点的模板，也会有7个像素点，求取各个领域内的像素点的均值比；
S103：利用像素点的均值比，求出均值比的最小值，通过判断均值来确定此像素点是否发生损毁；
S104：将线程和对应的像素点结合起来，均值比和极小值求取放在一个核函数内，求取均值比以及计算极小值，需要两个核函数；
S105：根据采取的函数类型不同，通过指定核函数内的线程在索引空间的索引和对应工作组中的线程索引号可唯一确定由执行核函数运算的具体线程；
S106：实现将图像中待处理的图像像素点，与创建的OpenCl线程和图像的像素点一一的对应起来；
S107：设置一个中间存储变量sum，设初始sum为从第一个像素点开始的前七个元素的和，然后每次递增取第八个元素和第一个元素的差值；
S108：将计算的差值数组存储起来，然后对应的sum累加，sum累加的过程中进行并行处理，分配到相应的线程中进行并行处理。
次要技术方案：
进一步，在S102中，根据构建的水平垂直方向的道路相应位置，利用像素点的均值比，求取均值比的最小值的公式如(1)所示
上式中，rL表示水平构建模板的均值比最小值，rF表示垂直方向的均值比最小值。
进一步，在S102中，每个像素点的模板构建和计算不存在数据依赖，每个像素点的变换也不存在读写依赖，可以用OpenCl对其进行并行处理。
进一步，在S102中，每个线程负责一个像素点的模板构建计算，通过读取自身模板内的七个像素点和上下左右每个区域内的七个像素点，来计算相对应的道路损毁因子，同时对道路边界点和中心点的处理要分别对待，当计算边界元素时，要根据边界类型来确定。
进一步，读取算法元素时要对道路上每个元素进行模板构建，为了消除原始算法中每次循环迭代有六个元素点重复，设置一个中间存储变量sum，设初始sum为从第一个像素点开始的前七个元素的和，然后每次递增取第八个元素和第一个元素的差值，这样只会重复一个元素。
进一步，为了消除重复元素的缺点，采取本地分块策略，首先以工作组的形式对所处理的道路上所有像素点为单位将各矩阵进行分块，在本地内存中完成各数据块的和累加和加减，然后将每隔七个元素的差值集合到一个数组中，并将此差值存储起来，最后将差值数组的各个元素与初始七个点的像素和累加，改进后的部分求取像素和的伪代码如下
for(i＝0；i<width；i++)
for(j＝0；j<height；j++)
Sum+＝data_sub[k++]
这里sum的初始值为第一个像素点模板内七个像素点的和，后面每个像素点的模板内的七个像素点的和只需要读取相应的data_sub数组内的值就可以了。
进一步，将计算的差值数组存储起来，然后对应的sum累加，sum累加的过程中进行并行处理，分配到相应的线程中进行并行处理，在算法设计中采取双buffer的形式，为每个数据分块申请同样大小的本地内存空间交替使用，以避免数据重写，两个buffer交替重写，使用本地同步操作，并将差值数组做一个优化。
进一步，具体的差值数组优化步骤为：差值数组第一个元素为a0，a0其实为道路上首个像素点构建模板内像素点总和，从a1开始一直到最后都是差值数组的值，假设取差值数组的前七个元素，道路损毁中每个构建模板的像素点总和可以模拟为下述计算公式，即给定一个数值序列
[a0，a1，a2，a3，a4，a5，a6，a7，a8，a9，a10，...，an-1]
要计算出计算结果，并保存
[a0，(a0+a1)，(a0+a1+a2)，...，(a0+a1+an-1)]
这里可以对其隔项相加，比如用差值数组的第一项加第二项，标记为[a0，a1]，这样经过一次循环迭代就可以分出n/2组，但是新分出来的组中只有一个目标项a0+a1，再在新的组里面，补充遗漏的元素，然后再隔两个元素进行加和。
进一步，当n很大时，对数部分的时间耗费会大大降低程序的执行效率，具体的优化算法还可以采用平衡树计算方法，将总共计算次数减少到o(n)，从根节点的出发，利用第一阶段计算的部分和计算相应的总和，利用一个线程处理一个数据元素将最终各个加和结果加上最前端数据元素，将最后的加和结果加上最末端元素，最后对于处理的核函数，分配工作组以及工作项，每个工作组中有256个线程，每个线程对应一个工作项，根据对应的坐标来找到相应的全局索引index：
index＝bx×256+by×width+tx (2)
tx为线程索引，(bx，by)为NDRange内的索引，根据(bx，by，tx)可唯一确定某个像素点在索引空间对应的全局ID，这样就可以将对应的像素点和相应的线程联系起来；
OpenCl指定的核函数如下
__global__static void MoistInvertionKernel(…)
int position＝y*width+x*256+ldx；
if((x*256+Idx)<width)
Data[position]＝255*M；
其中y对应执行的线程在全局中的垂直方向坐标，x表示对应的水平方向坐标，ldx代表对应的work-group中的线程索引。
工作原理：本发明提供了一种一种基于图像处理的道路损毁检测优化方法，该方法包括以下步骤：道路损毁算法的核心是三个相邻区域中，中间区域是道路区域，以7个点为一个模板，构建逐个像素点的模板；取垂直方向上下两个领域，水平方向左右两个区域，每个区域类似道路区域7个像素点的模板，也会有7个像素点，求取各个领域内的像素点的均值比；利用像素点的均值比，求出均值比的最小值，通过判断均值来确定此像素点是否发生损毁；将线程和对应的像素点结合起来，均值比和极小值求取放在一个核函数内，求取均值比以及计算极小值，需要两个核函数；根据采取的函数类型不同，通过指定核函数内的线程在索引空间的索引和对应工作组中的线程索引号可唯一确定由执行核函数运算的具体线程；实现将图像中待处理的图像像素点，与创建的OpenCl线程和图像的像素点一一的对应起来。本发明提供的一种一种基于图像处理的道路损毁检测优化方法，通过设置一个中间存储变量sum，设初始sum为从第一个像素点开始的前七个元素的和，然后每次递增取第八个元素和第一个元素的差值，这样只会重复一个元素，比之前重复的六个元素少了五个，大大提高了算法的运行效率。改进后平衡树计算方法共需要进行2*(n-1)次加法操作和(n-1)次数据对换操作，总体时间复杂度为o(n)，总工作量呈线性增长，减少了额外的GPU线程计算指令，从平衡树的叶子结点开始迭代，并在其父节点一起计算部分和一直到根节点，最后根节点的值为最后一个需要求取的道路模板像素点总和；这样就把线程和对应的像素点结合起来了，M表示前面我们处理的像素点累积加和以及加和之后的均值比，极小值求取，均值比和极小值求取放在一个核函数内，求取均值比以及计算极小值，需要两个核函数，根据采取的函数类型不同，M可以随之改变，每一个线程执行和函数，通过指定核函数内的线程在索引空间的索引和对应工作组中的线程索引号可唯一确定由哪个线程执行核函数的运算，这样就可以实现将图像中待处理的图像像素点，与创建的OpenCl线程和图像的像素点一一的对应起来，大大提高了算法的运行效率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于图像处理的道路损毁检测优化方法，其特征在于，该方法包括以下步骤：
步骤一：在三个相邻区域中，中间区域是道路区域，以7个像素点为一个模板，构建像素点的模板；
步骤二：在垂直方向上下两个区域，水平方向左右两个区域，每个区域取7个像素点的模板，求取各个区域内的像素点的均值比；
步骤三：利用像素点的均值比，求出均值比的最小值，通过判断均值比的最小值来确定此像素点是否发生损毁；
步骤四：将线程和对应的像素点结合起来，均值比和极小值求取放在一个核函数内，求取均值比以及计算极小值，需要两个核函数；
步骤五：根据采取的函数类型不同，通过指定核函数内的线程在索引空间的索引和对应工作组中的线程索引号唯一确定由执行核函数运算的具体线程；
步骤六：实现将图像中待处理的图像像素点，与创建的OpenCl线程和图像的像素点一一的对应起来；
步骤七：设置一个中间存储变量sum，设初始sum为从第一个像素点开始的前七个元素的和，然后每次递增取第八个元素和第一个元素的差值；
步骤八：将计算的差值数组存储起来，然后对应的sum累加，sum累加的过程中进行并行处理，分配到相应的线程中进行并行处理。
2.如权利要求1所述的基于图像处理的道路损毁检测优化方法，其特征在于，在步骤二中，根据构建的水平垂直方向的道路相应位置，利用像素点的均值比，求取均值比的最小值的公式如(1)所示
<mrow>
<msub>
<mi>r</mi>
<mover>
<mi>Y</mi>
<mo>&OverBar;</mo>
</mover>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msubsup>
<mi>r</mi>
<mi>L</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>r</mi>
<mi>V</mi>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
上式中，rL表示水平构建模板的均值比最小值，rV表示垂直方向的均值比最小值。
3.如权利要求1所述的基于图像处理的道路损毁检测优化方法，其特征在于，在步骤二中，每个像素点的模板构建和计算不存在数据依赖，每个像素点的变换也不存在读写依赖，用OpenCl对像素点进行并行处理。
4.如权利要求1所述的基于图像处理的道路损毁检测优化方法，其特征在于，在步骤二中，每个线程负责一个像素点的模板构建计算，通过读取自身模板内的七个像素点和上下左右每个区域内的七个像素点，来计算相对应的道路损毁因子，同时对道路边界点和中心点的处理要分别对待，当计算边界元素时，要根据边界类型来确定。
5.如权利要求1所述的基于图像处理的道路损毁检测优化方法，其特征在于，读取元素时要对道路上每个元素进行模板构建，，设置一个中间存储变量sum，设初始sum为从第一个像素点开始的前七个元素的和，然后每次递增取第八个元素和第一个元素的差值，这样只会重复一个元素。
6.如权利要求1所述的基于图像处理的道路损毁检测优化方法，其特征在于，将计算的差值数组存储起来，然后对应的sum累加，sum累加的过程中进行并行处理，分配到相应的线程中进行并行处理，采取双buffer的形式，为每个数据分块申请同样大小的本地内存空间交替使用，以避免数据重写，两个buffer交替重写，使用本地同步操作，并将差值数组做一个优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410339506.5A CN104240232B (zh) | 2014-07-16 | 2014-07-16 | 一种基于图像处理的道路损毁检测优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410339506.5A CN104240232B (zh) | 2014-07-16 | 2014-07-16 | 一种基于图像处理的道路损毁检测优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104240232A CN104240232A (zh) | 2014-12-24 |
| CN104240232B true CN104240232B (zh) | 2017-09-22 |
Family
ID=52228238
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410339506.5A Expired - Fee Related CN104240232B (zh) | 2014-07-16 | 2014-07-16 | 一种基于图像处理的道路损毁检测优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104240232B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106169086B (zh) * | 2016-07-21 | 2019-04-09 | 武汉大学 | 导航数据辅助下的高分辨率光学影像损毁道路提取方法 |
| CN106844044B (zh) * | 2016-12-30 | 2020-07-24 | 东方晶源微电子科技（北京）有限公司 | 一种数据处理方法和装置 |
| CN117649098A (zh) * | 2024-01-29 | 2024-03-05 | 北京数通魔方科技有限公司 | 一种基于人工智能的巡检方法以及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103456018A (zh) * | 2013-09-08 | 2013-12-18 | 西安电子科技大学 | 基于融合和pca核模糊聚类的遥感图像变化检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8971628B2 (en) * | 2010-07-26 | 2015-03-03 | Fotonation Limited | Face detection using division-generated haar-like features for illumination invariance |
-
2014
- 2014-07-16 CN CN201410339506.5A patent/CN104240232B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103456018A (zh) * | 2013-09-08 | 2013-12-18 | 西安电子科技大学 | 基于融合和pca核模糊聚类的遥感图像变化检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 2D-FMFI SAR Application on HPC Architectures with OmpSs Parallel Programming Model;Fisnik Kraja et al.;《2012 NASA/ESA Conference on Adaptive Hardware and Systems》;20120625;第115-121页 * |
| CUDA、MPI和OpenMP三级混合并行模型的研究;滕人达 等;《微计算机应用》;20100930;第31卷(第9期);第63-69页 * |
| Research on CUDA-based SIFT Registration of SAR Image;Yang Huang et al.;《2011 Fourth International Symposium on Parallel Architectures, Algorithms and Programming》;20111209;第100-104页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104240232A (zh) | 2014-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102778229B (zh) | 未知环境下基于改进蚁群算法的移动Agent路径规划方法 | |
| CN105118090B (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
| CN104240232B (zh) | 一种基于图像处理的道路损毁检测优化方法 | |
| CN110909093B (zh) | 智慧地标控制网的构建方法及装置 | |
| CN109190161A (zh) | 基于斑块元胞自动机和港口城市规划的港城发展模拟方法 | |
| CN108205703A (zh) | 多输入多输出矩阵平均值池化向量化实现方法 | |
| CN103839222A (zh) | 一种基于分层次边界拓扑搜索模型的栅格转矢量并行系统 | |
| CN104680487A (zh) | 基于低秩矩阵恢复的非局部图像修复方法 | |
| CN110009181A (zh) | 配电网改造措施与失负荷量指标关联性挖掘方法及装置 | |
| CN109886560A (zh) | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 | |
| CN110941021A (zh) | 基于网格点格架函数的重力异常及梯度异常的正演方法 | |
| CN104851133A (zh) | 一种图像自适应网格生成变分方法 | |
| CN102647588A (zh) | 一种用于分层搜索运动估计的gpu加速方法 | |
| CN110246095A (zh) | 一种图像修复方法、装置、存储介质及终端设备 | |
| CN112732630A (zh) | 针对深度学习的浮点矩阵乘算子众核并行优化方法 | |
| CN104331883B (zh) | 一种基于非对称逆布局模型的图像边界提取方法 | |
| CN106023317B (zh) | 一种用于大数据测试的加权Voronoi图生成方法 | |
| CN107483948A (zh) | 一种webp压缩处理中像素宏块处理方法 | |
| Wang et al. | Sub-pixel mapping based on sub-pixel to sub-pixel spatial attraction model | |
| CN108418211B (zh) | 一种基于Dijlstra算法和遗传算法的供电路径优化方法 | |
| CN107730464B (zh) | 基于块匹配的图像降噪并行算法 | |
| CN106484532A (zh) | 面向sph流体模拟的gpgpu并行计算方法 | |
| CN104268337B (zh) | 仿真支撑平台图像连线的路径生成方法及系统 | |
| CN103809937B (zh) | 一种基于gpu的通视并行处理方法 | |
| CN105574169B (zh) | 路局线路拓扑图的存储方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170922 Termination date: 20200716 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |