摘要：直方图统计在图像增强和目标检测等领域有着重要的应用。然而,随着图像规模不断增大、实时性要求越来越高,直方图统计局部增强算法的处理过程较慢,达不到预期满意的速度。针对这一不足,在图形处理器(GPU)平台上实现了直方图统计图像增强算法的并行处理,提升了处理大幅面数字图像的处理速度。首先,通过充分利用统一计算设备架构(CUDA)活动线程块和活动线程来并行处理不同的子图像块和像素点,提升了数据访问的效率。然后,采用内核配置参数优化和数据并行计算技术,实现了直方图统计图像增强算法在GPU平台上的并行化。最后,采用主机端和设备端间高效的数据传输模式,进一步缩短了系统在异构计算平台上的执行时间。研究表明,对于像幅大小不同的图像,图像直方图统计并行算法的处理速度相比CPU串行算法均有两个数量级的提高,处理一幅像幅大小为3241×3685的图像需要787.11 ms,并行算法的处理速度提高了261.35倍,为实现实时大规模图像处理奠定了良好基础。

摘要：针对当前电力线提取方法自动化程度和精度不高的问题,本文从点云数据的空间分布特征出发,提出了一种高效的电力线自动提取方法。首先基于自然裂点法,将点云数据按高程分类后去除地面点;然后对数据进行空间划分,基于子空间的点密度及空间结构特征的差异化,利用地物分割算法去除电塔点和残留的植被点;最后利用基于欧氏距离分割的电力线自动检测算法,实现单根电力线的快速、高精度提取。提取结果和拟合试验表明,该方法能在复杂地形下实现电力线的自动提取,极大提高了电力线的提取效率和精度。

摘要：针对面部破损的雕像在实际复原过程中容易遭受二次损坏,以及雕像历史影像数据匮乏的问题,提出一种基于深度学习网络,利用单张雕像面部影像实现雕像破损面部数字复原的方法。首先利用深度学习网络对雕像未破损前的单张影像数据进行处理,生成点云,然后通过激光扫描仪获取破损后的雕像点云,最后对两者数据进行配准融合,生成完整的雕像模型,从而实现雕像面部数字复原。对完好雕像扫描生成的点云进行人为破坏,以模拟面部破损雕像,并利用所提方法进行复原。实验结果表明,所提方法能够有效实现面部破损雕像的数字复原,且生成的雕像模型面部细节准确,复原精度较高。