建立在图像识别基础上的体绘制加速方法

doi:10.3778/j.issn.1002-8331.2009.22.044

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (22): 135-137.DOI: 10.3778/j.issn.1002-8331.2009.22.044

• 图形、图像、模式识别 • 上一篇下一篇

建立在图像识别基础上的体绘制加速方法

何元烈¹，陈萍²，战荫伟¹，陈仰纯²

1．广东工业大学计算机学院，广州 510006
2．广州医学院第一附属医院核医学科，广州 510120

收稿日期:2009-03-03 修回日期:2009-04-27 出版日期:2009-08-01 发布日期:2009-08-01
通讯作者: 何元烈

Volume rendering accelerating method based on image recognition

HE Yuan-lie¹，CHEN Ping²，ZHAN Yin-wei¹，CHEN Yang-chun²

1.Faculty of Computer，Guangdong University of Technology，Guangzhou 510006，China
2.The First Affiliated Hospital of Guangzhou Medical College，Guangzhou 510120，China

Received:2009-03-03 Revised:2009-04-27 Online:2009-08-01 Published:2009-08-01
Contact: HE Yuan-lie

摘要/Abstract

摘要： 提出了一种新算法——IRVR（Image Recognition Volume Rendering），该算法能大幅降低冗余数据，从而提升体绘制速度。IRVR算法首先利用交叉熵阈值分割法从三维数据集中将物体像素和背景像素识别出来，然后将迭代光线追踪方法和物体检测采样策略结合起来对原始三维数据集进行采样。接着运用快速迭代法对分类数据集进行采样，从而定位视线与原始数据集的交点。IRVR算法还应用了准确正规采样方法（例如，三线性插值、样条插值等）在体绘制过程中对原始数据集进行插值。经过实验得出的结论证明IRVR算法既能提高体绘制的速度，又可以保证体绘制图像的质量。

关键词: 光线投射, 体绘制, 最小交叉熵, 图像识别

Abstract: A new algorithm（Image Recognition Volume Rendering，IRVR） is developed in this paper，which can remarkably decrease the redundant data during volume rendering.The IRVR algorithm uses the minimun cross-entropy threshold selection method to detecte the object and background voxels from a three dimensional dataset.An iterating ray tracing method combined with the objects detection sampling strategy is developed to sample the original dataset.The fast iterative method is implemented to sampling the classification dataset for locating the intersection position of the viewing ray and the original dataset.And the precise normal sampling method（for example，trilinear interpolation，spline interpolation，etc.） is applied to extract the gray value from the original dataset for volume rendering.The experiment result is given in this paper.It proves that the IRVR algorithm can improve the volume rendering speed and guarantee the quality of the volume rendering results.

Key words: ray casting, volume rendering, minimun cross-entropy, image recognition

何元烈¹，陈萍²，战荫伟¹，陈仰纯². 建立在图像识别基础上的体绘制加速方法[J]. 计算机工程与应用, 2009, 45(22): 135-137.

HE Yuan-lie¹，CHEN Ping²，ZHAN Yin-wei¹，CHEN Yang-chun². Volume rendering accelerating method based on image recognition[J]. Computer Engineering and Applications, 2009, 45(22): 135-137.

[1]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[2]	贺文亮，朱敏玲. 胶囊神经网络研究现状与未来的浅析[J]. 计算机工程与应用, 2021, 57(3): 33-43.
[3]	黄英来，艾昕. 改进残差网络在玉米叶片病害图像的分类研究[J]. 计算机工程与应用, 2021, 57(23): 178-184.
[4]	李龙龙，何东健，王美丽. 基于改进型LBP算法的植物叶片图像识别研究[J]. 计算机工程与应用, 2021, 57(19): 228-234.
[5]	黄英来，温馨，任洪娥，王佳琪. 深度迁移学习在古筝品质分级中的应用[J]. 计算机工程与应用, 2021, 57(10): 218-224.
[6]	刘虹，王烈. 结合余弦相关性的卷积网络识别汉字的方法[J]. 计算机工程与应用, 2020, 56(8): 130-135.
[7]	曹晓航，汪立新，束学渊. 基于小波不变矩的雷达辐射源信号识别[J]. 计算机工程与应用, 2020, 56(19): 269-272.
[8]	李鑫，焦斌，林蔚天. 基于条件信息卷积生成对抗网络的图像识别[J]. 计算机工程与应用, 2020, 56(14): 191-198.
[9]	陈瑶，陈思. 动态权重的蝙蝠算法在图像分割中的应用研究[J]. 计算机工程与应用, 2020, 56(14): 207-215.
[10]	苗开超，周建平，陶鹏，刘承晓，姚叶青. 自适应混合卷积神经网络的雾图能见度识别[J]. 计算机工程与应用, 2020, 56(10): 205-212.
[11]	袁嘉杰，张灵，陈云华. 基于注意力卷积模块的深度神经网络图像识别[J]. 计算机工程与应用, 2019, 55(8): 9-16.
[12]	张锡英，宋宇鹏，陈曦，边继龙. 融合STN和DenseNet的深度学习网络及其应用[J]. 计算机工程与应用, 2019, 55(17): 131-136.
[13]	郑远攀1，2，李广阳1，李晔1. 深度学习在图像识别中的应用研究综述[J]. 计算机工程与应用, 2019, 55(12): 20-36.
[14]	高艺1，2，罗健欣1，裘杭萍1，唐斌1，吴波1. 高度场八叉树的体特征表达算法[J]. 计算机工程与应用, 2018, 54(6): 1-6.
[15]	袁明新1，2，张丽民1，2，朱友帅1，姜烽1，江亚峰2. 联合中间层的深度卷积神经网络模型[J]. 计算机工程与应用, 2018, 54(20): 139-144.

建立在图像识别基础上的体绘制加速方法

Volume rendering accelerating method based on image recognition

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