3维空间规则数据场的等值面构造.pptVIP

Marching Cubes算法 存在问题——效率低 ②Surface Tracking算法 原始的Marching Cubes算法在寻找等值面时，没有利用邻居立方体元的信息 实际上，找到一个非空立方体元后，它的邻居非空立方体元也同时能够得到，利用这些信息可以大大提高等值面的生成速度 Marching Cubes算法 存在问题——效率低 ③并行计算 Marching Cubes算法对单个立方体元的处理过程是相当独立的，可以很容易地改造为并行算法 将原始体数据集划分为几个互不相交的子集，分发给几台联网的计算机，按照一定的通信协议开始并行计算，提高等值面的生成速度 Marching Cubes算法 存在问题——输出三角网格数据量巨大 一个立方体元最多可以有4个三角面片 以一个中等规模数据集为例： 数据规模：512Pixel×512Pixel×58Layer 立方体元：511×511×57 三角面片：300万 （假设1/10的立方体内含有等值面，每个立方体元含有2个面片） 一般有两种解决办法： ①LOD（Level of detail）方法 ②网格简化 Marching Cubes算法 存在问题——输出三角网格数据量巨大 ①LOD（Level of detail）方法 Marching Cubes算法 存在问题——输出三角网格数据量巨大 ①LOD（Level of detail）方法 演示视频 Marching Cubes算法 存在问题——输出三角网格数据量巨大 ②网格简化 Marching Cubes算法 存在问题——输出三角网格数据量巨大 ②网格简化 Marching Cubes算法 存在问题——输出三角网格数据量巨大 ②网格简化 基于分割的Marching Cubes算法 医学图像具有灰度值上的模糊性 在同一组织中密度值会出现大幅度变化 同一个物体中密度值也不均匀 医学图像具有几何上的模糊性 在一个边界上的大体素中常常同时包含边界和组织两种物质 图像中物体的边缘、拐角及区域间的关系都能以精确加以描述 基于分割的Marching Cubes算法 将分割结果作为MC的输入 可以根据图像特征选择最恰当的分割方法 利用分割结果构造等值面 基于分割的Marching Cubes算法 基于分割的Marching Cubes算法 Marching Tetrahedra算法 立方体的四面体剖分 四面体中的等值面 MT算法的基本原理： 首先将立方体元剖分为四面体，然后在其中构造等值面 在MC方法基础上发展起来 Marching Tetrahedra算法 提出该方法的原因： 四面体是最简单的多面体，其他类型的多面体都能剖分为四面体 将立方体剖分为四面体后，在四面体中构造的等值面的精度显然高于在立方体中构造的等值面 企图通过在四面体内部构造等值面来避免MC算法中存在的二义性问题 立方体剖分为四面体的不同方式 Marching Tetrahedra算法 对于一个立方体来说，存在两种不同的四面体剖分方式，不同的剖分方式将导致不同等值面的生成 即：等值面的构造依赖于剖分方式 相邻立方体公共面上的剖分一致性 Marching Tetrahedra算法 为了在相邻体元的公共面上不出现裂缝，必须保证在这个面上的剖分一致性 即：四面体剖分方式在一系列体元中是交替变换的 整个数据场内等值面的构造是与最初一个体元的剖分方式有关的 (a) 128×128×113CT颅骨重建 （b）104×185×220CT脚骨骼重建 (c) 128×128×113CT表皮重建 三角面片：423998 顶点：211905 三角面片：365858 顶点：183056 三角面片：331290 顶点：165808 Marching Tetrahedra算法 * * 三维空间规则数据场的等值面构造 将三维数据场中具有某种共同属性的采样点按其空间位置连接起来，构成一张连续表面，然后对抽取出的表面进行绘制 等值面算法 等值面：在一给定三维数据场中，采样值均为某一给定值的所有空间点的集合 三维标量场可视化中最常用 Marching Cubes方法 Marching Tetrahedra方法 面绘制算法 目的： 从一系列二维切片数据中得到物体的三维表示 输入： 由N张二维的切片生成数据。为得到比较好的显示效果，N应该越大越好其中每张切片可以看成是一幅二维图像，包含了宽×高个灰度值 输出： 物体形状的三维表示，一般采用三角网格的形式来表达 面绘制算法 面绘制算法 特点： 不能反映整个原始数据场的全貌及细节 可以对感兴趣区域的等值面产生清晰的图像 可以利用现有的图形硬件实现加速