摘要：形态学重建是医学图像处理中非常基础和重要的操作。它根据掩膜图像的特征对标记图像反复进行膨胀操作,直到标记图像中的像素值不再变化为止。对于传统基于中央处理器(CPU)的形态学重建系统计算效率不高的问题,提出了使用图形处理器(GPU)来加速形态学重建。首先,设计了适合GPU处理的数据结构:并行堆集群;然后,基于并行堆集群,设计和实现了一套基于GPU的形态学重建系统。实验结果表明,相比传统基于CPU的形态学重建系统,基于GPU的形态学重建系统可以获取超过20倍的加速比。基于GPU的形态学重建系统展示了如何把基于复杂数据结构的软件系统高效地移植到GPU上。

摘要：针对已有可分级视频压缩方法编码复杂度较高的问题,提出一种基于增强残差编码的分布式可分级HEVC压缩方法。在编解码端采用相同的SI(原帧的估算)建立方法来获得最高的压缩率,并使用若干的SI帧来估算EL与SI残差相关性,使用相关性模型决定最低有效位的比特数量并生成校正子,解码端据此校正子重构增强层信息;设计了自适应的编码模式选择机制选择率失真性能较高的编码模式。对比实验结果显示,该方法具有较低的编码复杂度,同时具有较好的率失真性能。