医学虚拟现实技术分中的数据压缩技术分析.docx

摘要医学虚拟现实技术中的数据压缩技术研究 摘要 医学虚拟现实技术中的数据压缩技术研究 摘要 医学虚拟现实技术是近年来生物医学工程学科发展的一个热点。本文主要研究 医学虚拟现实技术中数据压缩和快速重建的问题，主要应用领域是暴露式治疗中的 虚拟现实技术。虚拟现实暴露式治疗法的主要思路是针对某种病症(比如恐高症1让 患者置身于一个虚拟的现实环境，通过反复暴露于这种模拟的真实环境来让患者逐 渐适应，最终消除病人的应激反应。这种治疗法的主要优点是不会对患者造成伤害 同时具有较低的成本。在这种治疗系统中视觉刺激极为关键，虚拟场景的逼真度直 接关系着治疗的效果。为了产生逼真度高的场景图像，让患者恍若身如其境，我们 借助了虚拟现实技术中的基于图像的场景生成技术IBR。这种技术可以生成具有任 意复杂度的场景，但是光照技术却很难控制。光照可调全光函数模型的提出正是解 决这个难题的。但同时它也给我们提出了新的任务和挑战：海量数据存储和传输问 题。这也正是本文所要解决的主要问题。 光照可调全光函数的基本思想是通过视觉插值来得到任意光照条件下的场景图 像。为了生成高质量的图像，需要获取许许多多光照条件下的全光函数值，实际上 就是特定场景在不同光照条件下的图像。本文主要考虑方向光照射条件的场景图 像，同样的思想可以推广到其它光照条件下的系统。对这些参考图像本文称为光照 可调的图像IAI，它们之间的信息冗余度非常大。本文主要从三个方面来考察这些信 息冗余度，并将它们分为：‘inter-pixel相关性，intra-pixel相关性采]inter-chaanel相关 性。相应的压缩算法也大体上分为三大步骤分别来压缩这些相关性。对intra-pixel相 关性压缩，我们采用小波压缩技术来完成，主要原因是小波具有良好的局部特性， 能有效地提取信号的主要特征，它的多尺度变换正好可以与图像子带编码结合起来 构成快速有效的编码方式，双正交小波的出现使得基于小波变换的图像压缩技术近 年来在图像压缩中异军突起，在压缩性能上独执牛耳。对inter—channel相关性的压 缩是结合人类视觉系统对不同视觉信号的敏感性不同，而对不同通道指定不同的压 缩比来完成的。算法研究的重点在inter—pixel相关性压缩上。这种相关性在IAI数据 的信息冗余量中所占比例最大，对这部分的压缩直接关系着总体数据压缩性能的优 劣。从不同角度出发，本文一共提出四种压缩技术方案，从数据变换角度来看，它 们可以分为两大类型：全局变换方法和局部变换方法。基于全局变换的方法有基 于PCA的压缩算法和基于ICA的压缩算法；基于局部变换的方法则分别是基于球小 第1页 上海交通大学博士学位论文波变换的压缩算法和基于整数球小波变换的压缩算法。 上海交通大学博士学位论文 波变换的压缩算法和基于整数球小波变换的压缩算法。 象其它的球面数据处理一样，PCA方法的目的是提取数据空间的特征基。通 过保留少量重要的特征基，利用这些基来表示原始数据空间，从而可以大大地压 缩inter-pixel$目关性。由于原始IAI数据量大，利用标准PCA算法(比如SVD)来提取 本征基是非常低效甚至不可能的事，本文中采用了基于神经网络的PCA算法。从 速度和资源占用等实用性出发，我们选用了级联递归最小二乘的PCA算法(CRLS． PCA)。为了快速准确地提取本征基，我们提出了改进的CRLS．PCA算法，并进行 了实验认证。结果表明，改进的算法能在一个训练周期内准确提取所有的本征基。 利用这个算法我们对IAI数据进行PCA分解，然后利用小波变换对本征基图像进行 压缩。为了保证算法的稳定性，PCA分解通常要对输入的数据进行0均值化。因而 在算法实现中，我们首先提取数据的均值，将所有输入数据O均值化。由于IAI图像 的尺寸往往比较大，即便使用神经网络的算法也难以提取维数巨大的本征向量。 我们采取分割图像的方法：将图像分割成大小相同互不重叠的子块，每个子块在 原图中有一个对应位置，然后将所有IAI中位置相同的子块图像合在一起构成一系 列的sub-IAI数据集。这样本征基图像提取就变成了本征基子图像的提取。为了减 少本征基子图像压缩编码中的附加信息量，我们将提取的本征基子图像按其在整 体IAI中的子块位置组合成一幅合成的本征基图像，然后再对这个合成的图像进行 小波压缩。对本征基重建系数，我们也是先将它们组合成几个大的数据集合，然后 对这几个数据集合进行量化和熵编码。为验证该算法的有效性，我们对一组IAI数 据进行了压缩。任意给定100个光线方向，用这些压缩的数据进行场景图像生成， 对相同的光线方向，我们同时利用原始未压缩的数据进行场景图像生成，并用它们 作为参考图像计算基于压缩数据生成图像的峰值信噪比作为评价标准。同时我们使 用JPEG算法对原始