基于最近邻Marching Cubes的医学图像三维重建

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (18): 154-158.

• 图形、图像、模式识别 • 上一篇下一篇

基于最近邻Marching Cubes的医学图像三维重建

王旭初1，2，王赞1，2

1.重庆大学光电工程学院，重庆 400040
2.重庆大学光电技术及系统教育部重点实验室，重庆 400040

出版日期:2012-06-21 发布日期:2012-06-20

3D reconstruction of medical images via nearest neighbor-based Marching Cubes algorithm

WANG Xuchu1，2, WANG Zan1，2

1.College of Optoelectronic Engineering, Chongqing University, Chongqing 400040, China
2.Key Lab of Optoelectronic Technology and Systems of MoE, Chongqing University, Chongqing 400040, China

Online:2012-06-21 Published:2012-06-20

摘要/Abstract

摘要： 在医学图像三维可视化中，移动立方体算法（Marching Cubes，MC）是面绘制的经典算法。针对MC算法计算插值点导致执行速度慢、效率不高的缺点，提出一种基于最近邻逼近的MC算法，该方法在n次等分点量化序列中寻找等值面最近邻点代替线性或非线性插值，既避免了插值的大量计算又保证了误差精度，还可改善三角面片结构。利用可视化工具开发包VTK对人体脸部和脚部CT数据集进行三维重建，实验表明改进算法明显缩短了绘制时间，提高了重建效率。

关键词: 移动立方体（MC）算法, 三维重建, 等值点, 最近邻, 可视化工具包（VTK）

Abstract: Marching Cubes is a classical method for surface rendering in three-dimensional visualization for medical images. However, this algorithm implementation is slow and inefficient due to the linear or nonlinear interpolation operation. A new nearest neighbor-based MC algorithm is proposed to avoid the interpolation computation, which finds iso-points of the volume elements by nearest neighbor approximation to decrease the computational complexity and improve the quality of triangle faces. Experiments on human head and food CT data sets under the VTK toolkit demonstrate that the proposed method is competitive on visualization speed and rendering effect.

Key words: Marching Cubes（MC）, three-dimensional reconstruction, iso-points, nearest neighbor, Visualization Toolkit（VTK）

王旭初1，2，王赞1，2. 基于最近邻Marching Cubes的医学图像三维重建[J]. 计算机工程与应用, 2012, 48(18): 154-158.

WANG Xuchu1，2, WANG Zan1，2. 3D reconstruction of medical images via nearest neighbor-based Marching Cubes algorithm[J]. Computer Engineering and Applications, 2012, 48(18): 154-158.

[1]	周彦，旷鸿章，牟金震，王冬丽，刘宗明. 面向半稠密三维重建的改进单目ORB-SLAM[J]. 计算机工程与应用, 2021, 57(8): 180-184.
[2]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[3]	孟东霞，李玉鑑. 利用自然最近邻的不平衡数据过采样方法[J]. 计算机工程与应用, 2021, 57(2): 91-96.
[4]	王永，赵旭辉，李晓光，肖玲. 一种面向协同过滤的快速最近邻居搜索方法[J]. 计算机工程与应用, 2021, 57(17): 96-105.
[5]	李文杰，闫世强，蒋莹，张松芝，王成良. 自适应确定DBSCAN算法参数的算法研究[J]. 计算机工程与应用, 2019, 55(5): 1-7.
[6]	龚彦鹭，吕佳. 结合半监督聚类和加权KNN的协同训练方法[J]. 计算机工程与应用, 2019, 55(22): 114-118.
[7]	季长清1，2，肖鹏3，刘畅4，汪祖民2，西方2，邵寅博1，李泽宇2. 基于空间近邻查询的移动医疗呼叫算法[J]. 计算机工程与应用, 2019, 55(2): 206-212.
[8]	朱艳辉1，2，李飞1，2，胡骏飞1，2，钱继胜3，王天吉1，2. 基于三支决策的两阶段实体关系抽取研究[J]. 计算机工程与应用, 2018, 54(9): 145-150.
[9]	王颖，王欣，唐万梅. 融合用户自然最近邻的协同过滤推荐算法[J]. 计算机工程与应用, 2018, 54(7): 77-83.
[10]	邓廷权，刘金艳，王宁. 高维数据离群点检测的局部线性嵌入方法[J]. 计算机工程与应用, 2018, 54(6): 115-122.
[11]	陈建峡1，朱季骐1，张月1，张晓星2，吕俊涛3，白德盟3. 基于Spark的输变电线路实时故障监测研究[J]. 计算机工程与应用, 2018, 54(5): 265-270.
[12]	龚敏1，邓珍荣2，黄文明2. 基于用户聚类与Slope One填充的协同推荐算法[J]. 计算机工程与应用, 2018, 54(22): 139-143.
[13]	罗米1，赵霞1，陈萌2，郭松3，倪颖婷1. 基于分段式序列图片集的运动恢复结构[J]. 计算机工程与应用, 2018, 54(22): 205-210.
[14]	陈辉1，关凯胜1，李嘉兴1，2. 基于对象数量的宽度加权聚类kNN算法[J]. 计算机工程与应用, 2018, 54(19): 1-9.
[15]	孙福盛，韩燮，丁江华，刘涛. LYTRO相机光场图像深度估计算法及重建的研究[J]. 计算机工程与应用, 2018, 54(13): 175-180.

基于最近邻Marching Cubes的医学图像三维重建

3D reconstruction of medical images via nearest neighbor-based Marching Cubes algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics