《表4 不同分块数量的GPU三角化运行时间统计结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于GPU并行三角化的点云模型快速重建方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

s

根据表3所示的各运行过程的时间统计情况可以看出，对于本文GPU三角化方法，并行自适应数据分块与子集三角网合并消耗的时间占整个算法运行总时间的比例较小，而并行构建子集三角网消耗的时间占了整个算法执行过程的大部分，因此构建三角网的效率的直接会影响整个三角化的效率。为了对比分析，本文还在CPU上实现了基于Delaunay的点云三角化算法，运行总时间如表4所示，本文GPU方法与传统CPU方法运行总时间的对比如图9所示。从图中可以看出，在传统CPU平台上执行点云三角化操作时，随着点云数据量的增加，运行的时间运行急剧增加，特别是当数据量接近百万量级时，消耗的时间呈现指数增长，三角化效率急剧下降。相比之下，本文GPU方法是通过并行运算方式进行数据自适应分块与构网，三角化的效率大大提高，而且随着点云数据量的不断增加，本文方法所需时间只是呈现缓慢线性增加趋势，大大提高了点云数据三角化的效率，特别是对于数据量巨大的点云数据。从表4可以得出，本文试验中，GPU三角化方法将传统CPU三角化的效率提高了一个量级。