基于码流误差掩盖补偿的同态标签关联编码设计

物联网环境下采用GPU多处理器集群进行数据加密和存储,同态标签关联编码是保证存储系统容错过程中数据的安全性的关键。提出一种基于码流误差掩盖补偿的物联网下GPU多处理器集群的同态标签关联编码方法,构建物联网下的GPU多处理器集群通信系统模型,把物联网下GPU多处理器集群通信系统的同态标签关联编码方案分为节点集合、规则、支持度和置信度4个元素,采用特征关联对参量模型进行系统描述,把生存时间最大化问题变成了一个线性规划问题。采用基于码流误差掩盖补偿进行同态标签关联编码改进。实验结果表明,采用该算法,物联网通信系网络生存时间增益提高,编码性能较好,收敛性好,迭代次数较少,生存时间性能增益和计算开销都较传统方法优越,展示了算法的优越性能,有效保证了物联网通信安全。     

基于GPU的河流场景自适应多细节层次网格仿真研究

针对大规模场景下仿真效率和图像精度难以平衡的问题,提出一种基于帧速率反馈的自适应细节层次网格模型,该模型可以根据反馈的帧速率自动调整水面网格分辨率,使仿真效率和图像精度达到平衡,以此减少水面网格建模量,解决大规模场景下河流表面仿真下的平衡问题,可为真实感的河流仿真提供新方法,具有一定的学术理论价值和实践意义。     

基于细节特征点的掌纹比对算法及GPU加速

针对当前公安机关在掌纹识别应用中存在的掌纹库容量大和现场掌纹质量差等问题,首先对掌纹特征点匹配算法的计算复杂度进行分析,根据分析结果提出特征点的三级比对算法;然后详细介绍三级比对算法的工作流程;对算法进行GPU并行化改造;最后给出测试结果.首次将GPU计算技术应用于掌纹识别之中.文中掌纹特征比对方法相比现有同类掌纹识别速度提高3倍左右,经过GPU加速后可进一步提升比对速度15倍以上.     

GPU实现的椒盐噪声自适应中值滤波算法

提出了一种基于先检测、后滤波的椒盐噪声滤除GPU实现算法。该算法首先依据椒盐噪声的特征,将图像像素分为噪声和信号,然后对噪声像素作标准中值滤波,如果中值为信号,则用中值代替噪声像素灰度值;如果中值为噪声,则取中值邻域,如果中值邻域为信号,则用它代替噪声像素灰度值;否则扩大邻域窗口,重复算法。但随着图像规模的增大,在CPU上执行的时间显著增加。分析并利用图形处理器（GPU）的并行处理特征,并在GPU上实现了本文算法。实验结果表明所提出的算法较经典的自适应中值滤波算法有较好的去噪效果和边缘保护能力,并且随着图像规模的增大,算法执行时间较CPU可以提高最多3个数量级。