光线投射算法的分析与优化.pdf

要 科学计算可视化是以计算机图形学和图像处理为基础的一门综合性学科，广 泛应用于医学、地质勘探、气象学等领域。体绘制技术是该学科的重要方法，相 较于传统的面绘制，它不需要生成中间几何图元，直接将体数据映射为二维图像。 同时能够刻画体数据的内部细节，生成体数据的整体图像，因此越来越受到研究 人员和工程技术人员的重视。 光线投射算法是一种成像质量高的体绘制算法，普遍应用于各种场合。但光 线投射算法的时间复杂度高，绘制速度慢，成为制约其推广的关键和瓶颈。如何 在保证图像质量的前提下提升光线投射算法性能，如何在GPU 硬件上实现该算法， 成为当前体绘制研究的方向和热点。然而直接将CPU 算法原封不动地移植到GPU 上，并不能取得性能的有效提升。根本的原因在于CPU 和GPU 的系统架构不同， 传统的CPU 以串行模式工作，而GPU 则是以并行方式运行；CPU 是标量运算， GPU 的优势在于向量和矩阵运算。 为此，本文将传统光线投射算法由CPU 移植到 GPU 的同时，对算法进行了 相应的改进，提 以四元组为单位的向量融合算法。即将数据融合阶段的计算单 位由重采样点改为四元组，有效减少了融合阶段计算量。将数据融合阶段的运算 转化为纯粹的向量矩阵运算，充分利用GPU 的向量和矩阵处理功能提升运算性能。 实验结果表明，该算法有效地提升了体绘制性能。 另外，等值面方式的光线投射算法广泛应用于医学图像处理，相对于重采样 点融合方式，因光线传播提前终止从而获得性能的提升。但非等值面重采样点对 于最终图像没有贡献，却耗费大量重采样时间。因此，要提升绘制性能，必须降 低重采样的计算量。针对等值面方式光线投射算法的特点，本文抛弃传统算法中 的固定步长采样，改用增量采样，即根据梯度调整重采样步长，有效减少空采样 数目。同时，为了避免大步长造成的图像质量大幅度下降，在最后两个重采样点 之间使用递归估计算法进行相应补偿。 关键词：体视化 体绘制 光线投射 GPU 1 Abstract Scientific visualization is a comprehensive discipline based on computer graphics and image processing, which is widely used in medicine, geological exploration and meteorology. Compared with surface rendering, volume rendering is an important method for scientific visualization, which directly maps volumetric datasets to 2D images without intermediate primitives. Inner detailed structures of volumetric datasets can be clearly viewed, so volume rendering receives more and more attention from researchers and engineers. Ray casting is one of high quality volume rendering algorithms. It is widely applied in many fields. But ray-casting has very high time complexity, leading to low rendering speed which has bottlenecked applications of the algorithm. How to promote performance without image quality loss and how to implement it on GPU have become the researc