排序方式: 共有11条查询结果,搜索用时 31 毫秒
1.
基于GPU的虚拟植物生长的双尺度自动机模型实现方法 总被引:1,自引:0,他引:1
为提高双尺度自动机模型绘制植物图形的速度,给出其基于图形处理器(GPU)的并行实现方法。该方法将拓扑结构与归一化植物器官相结合构造三维植物图形:首先在GPU顶点着色器(vertex shader)中构造拓扑结构,然后在GPU几何着色器(geometry shader)中实现几何造型,最后将几何结构数据渲染到帧缓存中显示。选取植物学家给出的一株白杨进行基于GPU的生长模拟试验。结果显示,随绘制顶点数的增加,采用GPU进行绘制,相对CPU而言,其加速比可以从几倍扩大到十几倍以上。该方法可进一步应用于大规模自然场景绘制、虚拟农业等领域。 相似文献
2.
大规模场景的快速绘制技术是虚拟现实、实时仿真等领域的关键技术。在农林业信息化发展进程中,植物场景的快速绘制技术对于农林业的发展有着深远的意义。但是由于植物模型固有的复杂性,以及农林业中大规模场景的要求,要实现实时绘制面临很多挑战。由于研究人员的不断努力,近年来在这一领域取得了丰硕的成果。回顾了该技术的发展历程,对其关键技术进行了分析和比较,最后对该领域的发展做出了总结和展望。 相似文献
3.
4.
大规模场景的快速绘制技术是虚拟现实、实时仿真等领域的关键技术。在农林业信息化发展进程中,植物场景的快速绘制技术对于农林业的发展有着深远的意义。但是由于植物模型固有的复杂性,以及农林业中大规模场景的要求,要实现实时绘制面临很多挑战。由于研究人员的不断努力,近年来在这一领域取得了丰硕的成果。回顾了该技术的发展历程,对其关键技术进行了分析和比较,最后对该领域的发展做出了总结和展望。 相似文献
5.
土地利用优化配置是实现土地资源可持续利用的重要途径。该研究根据地理单元发展演变特点对基于参考点的非支配排序的遗传算法进行针对性改进,并耦合多目标优化方法,构建了土地利用空间优化模型。针对目前空间优化模型耗时过长,效率低的问题,该研究将GPU(Graphics Processing Unit, GPU)并行计算和土地利用优化配置模型有机结合,提升模型的优化效率。该研究选取武汉市东西湖区进行实证研究,对比了模型在CPU(central processing unit, CPU)串行计算和GPU并行计算两种方式下的运行耗时,并从最终优化结果中选取生态保护优先和经济发展优先2种典型方案进行分析。结果表明:1)GPU并行计算能够显著提升模型的优化效率,模型运行耗时由原来的158.08 h缩短到了1.68 h;2)模型能够统筹协调多个目标,对研究区域土地的数量结构和空间布局进行合理配置,为规划决策者提供多个可行方案。生态保护优先方案中,生态效益降低了6.16%,经济效益增长了13.64%;经济发展优先方案中,生态效益降低了6.19%,经济效益增长了15.86%。 相似文献
6.
为了解决水稻群体动态生长模拟过程中叶片间碰撞检测效率较低的技术问题,该文利用水稻叶片抛物线的形态结构特性以及CPU/GPU硬件加速特性,提出了水稻叶片混合层次包围盒树(mixed level tree,MLT)快速构造方法以及基于CPU/GPU的群体叶片快速相交检测方法。提出了新的OBB包围盒方向轴计算方式,降低了OBB包围盒构建的复杂度,在此基础上,利用单株叶片之间、群体叶片之间碰撞检测计算关系的依赖性,设计了CPU/GPU加速方案,并使用CUDA在Tesla 40加速卡上实现。对分蘖期大规模水稻群体叶片进行了效率对比试验,结果表明,水稻群体规模从2 000株增长到10 000株的过程中,本文提出的基于MLT的碰撞检测方法耗时是传统的AABB方法耗时的50%,是OBB方法耗时的30%,有效地提升了叶片之间的碰撞检测速度;同时,基于CPU的碰撞检测方法耗时呈线性增长,而利用CPU/GPU并行加速耗时相较于在CPU上的运行时间节省了98%,大幅度提升碰撞检测效率。该研究可为虚拟作物可视化仿真提供参考。 相似文献
7.
8.
9.
针对分割后的心脏体数据显示问题,提出了基于GPU光线投射算法的高质量三维可视化新方法。该方法为了解决传统光线投射算法绘制速度慢的问题,采用GPU进行加速,并结合空体素跳过和光线提前终止忽略无效体素的采样。同时,为了获得高质量的重建结果,该方法结合心脏体数据的特点设计传递函数,基于体素梯度模白适应地调整采样步长,并应用Blinn-Phong多光源光照模型增强可视化效果。实验结果表明,该方法在实现实时绘制的同时,能够获得高质量的体绘制效果。 相似文献
10.
植物表型自动化检测技术在农业研究和作物育种的过程中发挥了重要作用,但目前受限于二维技术三维特征很难被提取。株型是影响多分蘖作物产量的重要表型特征之一,它包括分蘖数、分蘖角、和茎粗等参数。传统方法中获取这些特征参数需要大量的人工测量,而人工测量具有耗时,主观性强,不准确等缺陷,因此用人工的方法进行大批量的表型分析是不现实的。为了使作物育种研究中株型参数提取实现自动化,提出一种用于高通量植株株型性状参数获取的快速三维重建方法,为了提高重建效率,研究中使用了图形处理单元(GPU)并行处理技术,在统一计算设备架构(CUDA)下进行重建的并行计算,使单株重建时间缩减到10秒左右,适合使用于高通量表型检测平台。 相似文献