CN104167013A - 一种用于突出显示体数据中目标区域的体绘制方法 - Google Patents
一种用于突出显示体数据中目标区域的体绘制方法 Download PDFInfo
- Publication number
- CN104167013A CN104167013A CN201410378697.6A CN201410378697A CN104167013A CN 104167013 A CN104167013 A CN 104167013A CN 201410378697 A CN201410378697 A CN 201410378697A CN 104167013 A CN104167013 A CN 104167013A
- Authority
- CN
- China
- Prior art keywords
- voxel
- feature
- volume data
- subregion
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000009877 rendering Methods 0.000 title abstract description 7
- 238000003709 image segmentation Methods 0.000 claims abstract description 4
- 230000007704 transition Effects 0.000 claims description 37
- 238000011156 evaluation Methods 0.000 claims description 22
- 239000000203 mixture Substances 0.000 claims description 20
- 238000005452 bending Methods 0.000 claims description 16
- 238000003064 k means clustering Methods 0.000 claims description 12
- 238000012217 deletion Methods 0.000 claims description 9
- 230000037430 deletion Effects 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000000265 homogenisation Methods 0.000 claims description 6
- DKMVJQCQTCLYIF-UHFFFAOYSA-M Methylbenactyzium bromide Chemical compound [Br-].C=1C=CC=CC=1C(O)(C(=O)OCC[N+](C)(CC)CC)C1=CC=CC=C1 DKMVJQCQTCLYIF-UHFFFAOYSA-M 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 abstract description 4
- 238000012800 visualization Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 abstract 4
- 230000003993 interaction Effects 0.000 abstract 1
- 238000010606 normalization Methods 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 abstract 1
- 230000004069 differentiation Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 241001232809 Chorista Species 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Landscapes
- Image Generation (AREA)
Abstract
本发明涉及一种用于突出显示体数据中目标区域的体绘制方法,属于计算机图形学中科学可视化直接体绘制技术领域。首先计算原始数据的多个特征,对特征数据进行评估选择合适的特征组成传输函数。用归一化割方法分割二维直方图图像对目标数据进行分离。如果目标分离不够精细,就继续选择合适的特征对当前结果进一步分离,从而逐步得到精细的分离结果。之后利用分离结果合成最终的传输函数。最后在体绘制时利用传输函数突出显示目标区域,得到理想的可视化效果。本发明方法强化了传输函数的特征区分能力,使用了基于二维直方图图像分割和层次聚类的交互方式,操作便捷。而且适用于多种数据。
Description
技术领域
本发明涉及一种用于突出显示体数据中目标区域的体绘制方法,属于计算机图形学中科学可视化直接体绘制技术领域。
背景技术
直接体绘制方法是探索三维图像整体信息和内部结构的一种有效手段。直接体绘制方法通过传输函数为不同的体素设置不同的颜色和不透明度,然后采用光学积分模型对体数据采样,得到绘制结果。其中传输函数的设计是决定体绘制结果好坏的关键。通过传输函数,用户可以从原始体数据中分离出用户感兴趣的区域,并对其突出显示。按使用的特征维度分类,传输函数的几种类型及相应存在的问题如下:
(1)以灰度作为特征的一维传输函数是目前应用最广的传输函数,它具有良好的交互性和较好的可视化效果。但对于具有相同灰度的不同特征,一维灰度传输函数并不能很好地区分。
(2)二维传输函数在科研领域十分流行。它凭借特征维度的优势相比一维传输函数拥有更强的特征区分能力。但是将三维以上的体素信息投射到二维传输函数上也会引起维度丢失,而且二维传输函数的交互不直观,操作不便捷。
(3)三维以上的传输函数具有更好的特征维度优势,特征区分能力更突出。但是其传输函数的交互非常复杂,无论在科研领域还是工业界都没有得到广泛的应用。
除此之外,还有很多应用于某种特定体数据的传输函数设计方法,如医学中用于突出血管的传输函数设计。也有很多强化交互模式的传输函数设计方法,如直接与体绘制结果交互的所见即所得的传输函数设计。
以上这些方法都有自己独特的优势,但不能同时具有简单的交互模式,强大的特征区分能力和多种数据应用范围这些特点。如何让传输函数对多种数据同时拥有强大的特征区分能力和交互的便捷性仍然是一个亟待解决的问题。
发明内容
本发明的目的是提出一种用于突出显示体数据中目标区域的体绘制方法,在二维传输函数的基础上,依次使用不同的特征对原始体数据进行处理,以求利用特征维度的拓展,逐步精确目标区域的分离。同时利用面向数据分类的特征空间度量差异性的评估方法,在分离目标区时下一二维传输函数特征维度的选取,使得选用特征之间的差异性较大,从而逐步构造合适的特征序列。
本发明提出的用于突出显示体数据中目标区域的体绘制方法,包括以下步骤:
(1)分别计算体数据的梯度特征、曲率特征、分型特征、光滑度、线型特征和三维不变矩,具体过程如下:
(1-1)设体数据中任意一个体素的梯度特征为G,G=|g|,G为g的模,g为体数据中体素的梯度向量,f为体数据灰度特征在x、y、z三个方向上的函数映射,灰度特征为体素的数值特征,为的转置,则体数据的梯度特征为体数据中所有体素的梯度特征按照体素在体数据中的位置排列得到的一个三维矩阵;
(1-2)设体数据中任意一个体素的曲率特征为Cm,κ1为体素所在位置的主曲率,κ2为体素所在位置的副曲率,T为几何张量Z的迹,F为几何张量Z的弗罗贝尼乌斯范数,几何张量其中He是体素的海森矩阵,Pm是体素所在位置的等值面切平面矩阵,Pm=I-nvnv t,I为单位矩阵,nv为体素所在位置的表面向量,nv t为nv的转置,则体数据的曲率特征为体数据中所有体素的曲率特征按照体素在体数据中的位置排列得到的三维矩阵;
(1-3)设体数据中任意一个体素的分型特征为D,对体数据中任意一个体素vi,分型特征 其中Xr=logr, U(vi,r)为体素vi的邻域,r为邻域半径,f(vj)为体素vj的灰度特征,vj为体素vi的邻域U(vi,r)中任意体素,表示体素vi的以r为半径的邻域中所有体素的灰度特征的和,kd的取值为2,则体数据的分型特征为体数据中所有体素的分型特征按照体素在体数据中的位置排列得到的三维矩阵;
(1-4)设体数据中任意一个体素的光滑度为S,对体数据中任意一个体素vi,光滑度其中σ2为体素vi的邻域U(vi,r)中所有体素的灰度特征方差,体素vi的邻域半径r取2,则体数据的光滑度为体数据中所有体素的光滑度按照体素在体数据中的位置排列得到的三维矩阵;
(1-5)设体数据中任意一个体素的线型特征为Fflit,对体数据中任意一个体素vi,线型特征其中为权值,取值为任意非负实数,r为体素vi的邻域半径, 其中为均一化后的结果, 为体素vi的邻域内以邻域边界为两端端点且通过vi的线段,线段总数为12r2+1,vj为线段Lk上的一个体素,体素vi的邻域半径r取1,则体数据的线型特征为体数据中所有体素的线型特征按照体素在体数据中的位置排列得到的三维矩阵;
(1-6)设体数据中任意一个体素的三维不变矩为T,三维不变矩T=μ200+μ020+μ002,其中μ200、μ020和μ002分别为中心距,对任意一个体素vi,中心距计算通式为:
其中vj是体素vi邻域U(vi,r)内的任意一个体素,x1,x2,x3分别为体素vj在体数据中三个维度的坐标值,分别为体素vi的邻域U(vi,r)的灰度特征重心在体数据中三个维度的坐标值,f(x1,x2,x3)为vj的灰度特征,体素vi的邻域半径r取4,则体数据的三维不变矩为体数据中所有体素的三维不变矩按照体素在体数据中的位置排列得到的三维矩阵;
(1-7)将原始体数据进行备份,备份的原始体数据记为Vcopy;
(2)分别计算上述步骤(1)中得到的六个特征的特征评估量E,E=ω1Ln-ω2Rn+ω3Cn,其中ω1,ω2,ω3为权值,取值为任意非负实数,Ln、Rn、Cn分别为对特征距离评估量L、特征相关性评估量R、特征价值评估量C进行均一化处理的结果,L、R、C分别为:
其中为用k均值聚类算法对特征P1聚类后的第il个类的重心,P1为上一次评估时选取的特征评估量E为最大的特征,若当前评估为第一次评估,则特征P1为灰度特征,k1为用k均值聚类算法对特征P1聚类后得到的类的个数,为用k均值聚类算法对特征P2聚类后的第jl个类的重心,P2为待评估的特征,k2为用k均值聚类算法对待评估的特征P2聚类后得到的类的个数;
R=H(P1)+H(P2)-H(P1,P2),其中H(P1)为特征P1的信息熵,H(P2)为待评估特征P2的信息熵,H(P1,P2)为特征P1和待评估的特征P2的联合熵;
C=H(P1,P2)-H(P1);
(3)从步骤(2)的六个特征中选取特征评估量E为最大的特征,记为P,用特征P与原始体数据的灰度特征组成一个二维传输函数,用该二维传输函数对原始体数据中的目标区域进行分离,得到原始体数据中位置在目标区域中的体素,分离过程如下:
(3-1)用特征P与体数据的灰度特征组成一个二维统计直方图,用归一化割方法对该直方图图像进行分割,得到多个二维统计直方图图像子区域,记该多个子区域组成的集合为Y0;
(3-2)计算原始体数据中所有体素在二维统计直方图中的坐标,根据该坐标,从原始体数据中分别找到与每个子区域相对应的体素,利用光线投射方法,分别对与每个子区域相对应的体素进行体绘制,得到多个体绘制图像;
(3-3)从子区域集合Y0中得到最终子区域集合Ofinal,过程如下:
(3-3-1)初始化时,最终子区域集合为空集,对Y0中所有子区域进行从1到w排序,其中w是子区域集合Y0中子区域的数量;
(3-3-2)从子区域集合Y0中取出标号最小的子区域y0,若与子区域y0相对应的体绘制图像中只包含目标区域,则将y0放入最终子区域集合中,并将y0从Y0中删除,将删除y0后的Y0记为Y1;若与子区域y0相对应的体绘制图像中只包含非目标区域,则将y0从Y0中删除,将删除y0后的Y0记为Y1,若与子区域y0相对应的体绘制图像中既包含目标区域又包含非目标区域,则用归一化割方法对子区域y0进行分割,得到两个新的子区域y1和y2,分别将y1和y2加入到子区域集合Y0中,将y0从Y0中删除,得到新的子区域集合Y1,Y1中y1标号为Nmax+1,y2标号为Nmax+2,其中Nmax为子区域集合Y0中子区域标号的最大值;
重复上述步骤,若子区域集合Y变为空集,则记最终子区域集合为Ofinal,进行步骤(3-4);若上述步骤重复次数超过30次,则将Y30中剩余的所有子区域加入到最终子区域集合中,并记最终子区域集合为Ofinal,进行步骤(3-4);
(3-4)根据步骤(3-2)得到原始体数据中所有体素的坐标,分别分离出坐标在最终子区域集合Ofinal中的每个子区域的所有体素,所有体素组成的集合记为Vr,按照体素在原始体数据中的坐标,将Vr中的所有体素加入到原始体数据中,将加入Vr中的所有体素后的原始体数据记为Vn,根据下式对Vn的灰度特征进行处理,得到Vn的新的灰度特征如下:
其中vh为Vn中的任意一个体素,fold(vh)为Vn中vh的原来的灰度特征,fnew(vh)为Vn中vh的新的灰度特征;
(3-5)对上述Vn中的体素进行判断,若Vn中的任意体素vh满足vh∈Vr,则进行步骤(4),若Vn中存在一个体素vh,满足则根据下式对步骤(1)的6种特征数据进行处理,得到与每种特征相对应的新的特征值:
其中vh为Vn中任意一个体素,Pfeature_old(vh)表示vh的原来特征值,Pfeature_new(vh)表示vh的新特征值,返回步骤(2);
(4)利用步骤(3)得到的体数据Vn和步骤(1)中的备份原始体数据Vcopy,合成一个传输函数,利用该传输函数得到体绘制图像,具体过程如下:
(4-1)将步骤(3)得到的体数据Vn中的体素归为一个类,记为m0;
(4-2)根据备份的原始体数据Vcopy,将步骤(3)得到的体数据Vn中灰度特征变为0的体素的灰度特征值恢复为原来的灰度特征值,将恢复灰度特征值的体素组成一个集合,记为Vo,用Vo中所有体素的梯度特征和灰度特征组成一个二维统计直方图,采用归一化割方法将此直方图分割成e个子区域,分别记为a1、a2…ae;
(4-3)计算上述Vo中所有体素在梯度特征和灰度特征组成的二维统计直方图中的坐标,根据Vo中所有体素在该二维统计直方图中的坐标,将Vo划分为e个类,分别记为m1、m2...mb...me,b=1,2,...,e,分类方法为:对Vo中任意一个体素vi,若vi在该二维统计直方图中的坐标在子区域ab内部,则将vi归到类mb中;
(4-4)根据显示需要,为体数据Vn中的体素的类m0设置不透明度和颜色,为类m1、m2…me设置不透明度和互相不同的颜色,不透明度取值范围为[0,1],颜色采用红绿蓝颜色模型,红、绿、蓝颜色分量的强度值范围为[0,255],根据体数据中每个类的颜色和不透明度,采用光线投射算法得到最终的突出显示目标区域的体绘制图像。
本发明提出的用于突出显示体数据中目标区域的体绘制方法,具有以下优点:
(1)本方法通过依次使用不同的特征对原始体数据进行处理,拓展了传输函数的特征维度,增强了传输函数的特征区分能力,从而更好地分离体数据中的目标区域,利用分离结果对目标区域突出显示,可以得到突出显示目标区域的体绘制图像。
(2)本方法在分离体数据的目标区域时,利用面向数据分类的特征空间度量差异性的评估方法,智能指导在分离目标区时二维传输函数特征的选取,避免了用户选择特征时的不确定性,使方法的流程智能化。
(3)本方法使用基于二维直方图图像分割和层次聚类的交互方式,计算和操作十分便捷。
(4)本方法具有数据适用范围广的潜质。
附图说明
图1是本发明方法的流程框图。
具体实施方式
本发明提出的用于突出显示体数据中目标区域的体绘制方法,其流程框图如图1所示,包括以下步骤:
(1)分别计算体数据的梯度特征、曲率特征、分型特征、光滑度、线型特征和三维不变矩,具体过程如下:
(1-1)设体数据中任意一个体素的梯度特征为G,G=|g|,G为g的模,g为体数据中体素的梯度向量,f为体数据灰度特征在x、y、z三个方向上的函数映射,灰度特征为体素的数值特征,为的转置,则体数据的梯度特征为体数据中所有体素的梯度特征按照体素在体数据中的位置排列得到的一个三维矩阵;
(1-2)设体数据中任意一个体素的曲率特征为Cm,κ1为体素所在位置的主曲率,κ2为体素所在位置的副曲率,T为几何张量Z的迹,F为几何张量Z的弗罗贝尼乌斯(Froberlius)范数,几何张量其中He是体素的海森(Hessian)矩阵,Pm是体素所在位置的等值面切平面矩阵,Pm=I-nvnv t,I为单位矩阵,nv为体素所在位置的表面向量,nv t为nv的转置,则体数据的曲率特征为体数据中所有体素的曲率特征按照体素在体数据中的位置排列得到的三维矩阵;
(1-3)设体数据中任意一个体素的分型特征为D,对体数据中任意一个体素vi,分型特征 其中Xr=logr, U(vi,r)为体素vi的邻域,r为邻域半径,f(vj)为体素vj的灰度特征,vj为体素vi的邻域U(vi,r)中任意体素,表示体素vi的以r为半径的邻域中所有体素的灰度特征的和,kd的取值为2,则体数据的分型特征为体数据中所有体素的分型特征按照体素在体数据中的位置排列得到的三维矩阵;
(1-4)设体数据中任意一个体素的光滑度为S,对体数据中任意一个体素vi,光滑度其中σ2为体素vi的邻域U(vi,r)中所有体素的灰度特征方差,体素vi的邻域半径r取2,则体数据的光滑度为体数据中所有体素的光滑度按照体素在体数据中的位置排列得到的三维矩阵;
(1-5)设体数据中任意一个体素的线型特征为Fflit,对体数据中任意一个体素vi,线型特征其中为权值,取值为任意非负实数,r为体素vi的邻域半径, 其中为均一化后的结果, 为体素vi的邻域内以邻域边界为两端端点且通过vi的线段,线段总数为12r2+1,vj为线段Lk上的一个体素,体素vi的邻域半径r取1,则体数据的线型特征为体数据中所有体素的线型特征按照体素在体数据中的位置排列得到的三维矩阵;
(1-6)设体数据中任意一个体素的三维不变矩为T,三维不变矩T=μ200+μ020+μ002,其中μ200、μ020和μ002分别为中心距,对任意一个体素vi,中心距计算通式为:
其中vj是体素vi邻域U(vi,r)内的任意一个体素,x1,x2,x3分别为体素vj在体数据中三个维度的坐标值,分别为体素vi的邻域U(vi,r)的灰度特征重心在体数据中三个维度的坐标值,f(x1,x2,x3)为vj的灰度特征,体素vi的邻域半径r取4,则体数据的三维不变矩为体数据中所有体素的三维不变矩按照体素在体数据中的位置排列得到的三维矩阵;
(1-7)将原始体数据进行备份,备份的原始体数据记为Vcopy;
(2)分别计算上述步骤(1)中得到的六个特征的特征评估量E,E=ω1Ln-ω2Rn+ω3Cn,其中ω1,ω2,ω3为权值,取值为任意非负实数,Ln、Rn、Cn分别为对特征距离评估量L、特征相关性评估量R、特征价值评估量C进行均一化处理的结果,L、R、C分别为:
其中为用k均值聚类算法对特征P1聚类后的第il个类的重心,P1为上一次评估时选取的特征评估量E为最大的特征,若当前评估为第一次评估,则特征P1为灰度特征,k1为用k均值聚类算法对特征P1聚类后得到的类的个数,为用k均值聚类算法对特征P2聚类后的第jl个类的重心,P2为待评估的特征,k2为用k均值聚类算法对待评估的特征P2聚类后得到的类的个数;
R=H(P1)+H(P2)-H(P1,P2),其中H(P1)为特征P1的信息熵,H(P2)为待评估特征P2的信息熵,H(P1,P2)为特征P1和待评估的特征P2的联合熵;
C=H(P1,P2)-H(P1);
(3)从步骤(2)的六个特征中选取特征评估量E为最大的特征,记为P,用特征P与原始体数据的灰度特征组成一个二维传输函数,用该二维传输函数对原始体数据中的目标区域进行分离,得到原始体数据中位置在目标区域中的体素,分离过程如下:
(3-1)用特征P与体数据的灰度特征组成一个二维统计直方图,用归一化割(normalizedcut)方法对该直方图图像进行分割,得到多个二维统计直方图图像子区域,记该多个子区域组成的集合为Y0;
(3-2)计算原始体数据中所有体素在二维统计直方图中的坐标,根据该坐标,从原始体数据中分别找到与每个子区域相对应的体素,利用光线投射方法,分别对与每个子区域相对应的体素进行体绘制,得到多个体绘制图像;
(3-3)从子区域集合Y0中得到最终子区域集合Ofinal,过程如下:
(3-3-1)初始化时,最终子区域集合为空集,对Y0中所有子区域进行从1到w排序,其中w是子区域集合Y0中子区域的数量;
(3-3-2)从子区域集合Y0中取出标号最小的子区域y0,若与子区域y0相对应的体绘制图像中只包含目标区域,则将y0放入最终子区域集合中,并将y0从Y0中删除,将删除y0后的Y0记为Y1;若与子区域y0相对应的体绘制图像中只包含非目标区域,则将y0从Y0中删除,将删除y0后的Y0记为Y1,若与子区域y0相对应的体绘制图像中既包含目标区域又包含非目标区域,则用归一化割(normalized cut)方法对子区域y0进行分割,得到两个新的子区域y1和y2,分别将y1和y2加入到子区域集合Y0中,将y0从Y0中删除,得到新的子区域集合Y1,Y1中y1标号为Nmax+1,y2标号为Nmax+2,其中Nmax为子区域集合Y0中子区域标号的最大值;
重复上述步骤,若子区域集合Y变为空集,则记最终子区域集合为Ofinal,进行步骤(3-4);若上述步骤重复次数超过30次,则将Y30中剩余的所有子区域加入到最终子区域集合中,并记最终子区域集合为Ofinal,进行步骤(3-4);
(3-4)根据步骤(3-2)得到原始体数据中所有体素的坐标,分别分离出坐标在最终子区域集合Ofinal中的每个子区域的所有体素,所有体素组成的集合记为Vr,按照体素在原始体数据中的坐标,将Vr中的所有体素加入到原始体数据中,将加入Vr中的所有体素后的原始体数据记为Vn,根据下式对Vn的灰度特征进行处理,得到Vn的新的灰度特征如下:
其中vh为Vn中的任意一个体素,fold(vh)为Vn中vh的原来的灰度特征,fnew(vh)为Vn中vh的新的灰度特征;
(3-5)对上述Vn中的体素进行判断,若Vn中的任意体素vh满足vh∈Vr,则进行步骤(4),若Vn中存在一个体素vh,满足则根据下式对步骤(1)的6种特征数据进行处理,得到与每种特征相对应的新的特征值:
其中vh为Vn中任意一个体素,Pfeature_old(vh)表示vh的原来特征值,Pfeature_new(vh)表示vh的新特征值,返回步骤(2);
(4)利用步骤(3)得到的体数据Vn和步骤(1)中的备份原始体数据Vcopy,合成一个传输函数,利用该传输函数得到体绘制图像,具体过程如下:
(4-1)将步骤(3)得到的体数据Vn中的体素归为一个类,记为m0;
(4-2)根据备份的原始体数据Vcopy,将步骤(3)得到的体数据Vn中灰度特征变为0的体素的灰度特征值恢复为原来的灰度特征值,将恢复灰度特征值的体素组成一个集合,记为Vo,用Vo中所有体素的梯度特征和灰度特征组成一个二维统计直方图,采用归一化割(normalized cut)方法将此直方图分割成e个子区域,分别记为a1、a2…a3;
(4-3)计算上述Vo中所有体素在梯度特征和灰度特征组成的二维统计直方图中的坐标,根据Vo中所有体素在该二维统计直方图中的坐标,将Vo划分为e个类,分别记为m1、m2...mb...m3,b=1,2,...,e,分类方法为:对Vo中任意一个体素vi,若vi在该二维统计直方图中的坐标在子区域ab内部,则将vi归到类mb中;
(4-4)根据显示需要,为体数据Vn中的体素的类m0设置不透明度和颜色,为类m1、m2…m3设置不透明度和互相不同的颜色,不透明度取值范围为[0,1],颜色采用红绿蓝颜色模型,红、绿、蓝颜色分量的强度值范围为[0,255],根据体数据中每个类的颜色和不透明度,采用光线投射算法得到最终的突出显示目标区域的体绘制图像。
本发明方法总体流程如下:
(1)计算原始体数据的灰度,梯度,分型特征,曲率,光滑度,线型特征和三维不变矩这7种特征;
(2)用距离,相关性和信息量三个特征评估方法对可变特征进行评估,并融合三个方法的评估结果选取合适的可变特征。选取出的特征与灰度特征组合构成传输函数;
(3)用normalized-cut方法分割二维直方图图像,逐步找到二维直方图中包含目标体素的区域,并分离出坐标在目标区域内部的所有体素。如果当前分离结果不够精细,就继续选择合适的特征对当前结果做进一步的分离,即用迭代的方式逐步得到精细的分离结果;
(4)把从原始体数据中分离出的每一个目标区域作为原始数据的一个类。原始体数据中经过分离后剩余的区域通过用normalized-cut方法分割直方图图像实现分类,即分割得到的每个图像子区域归为一类。在完成数据的分类后,对不同的类设置不同的颜色和不透明度,从而完成传输函数设计。
Claims (1)
1.一种用于突出显示体数据中目标区域的体绘制方法,其特征在于该方法包括以下步骤:
(1)分别计算体数据的梯度特征、曲率特征、分型特征、光滑度、线型特征和三维不变矩,具体过程如下:
(1-1)设体数据中任意一个体素的梯度特征为G,G=|g|,G为g的模,g为体数据中体素的梯度向量,f为体数据灰度特征在x、y、z三个方向上的函数映射,灰度特征为体素的数值特征,为的转置,则体数据的梯度特征为体数据中所有体素的梯度特征按照体素在体数据中的位置排列得到的一个三维矩阵;
(1-2)设体数据中任意一个体素的曲率特征为Cm,κ1为体素所在位置的主曲率,κ2为体素所在位置的副曲率,T为几何张量Z的迹,F为几何张量Z的弗罗贝尼乌斯范数,几何张量其中He是体素的海森矩阵,Pm是体素所在位置的等值面切平面矩阵,Pm=I-nvnv t,I为单位矩阵,nv为体素所在位置的表面向量,nv t为nv的转置,则体数据的曲率特征为体数据中所有体素的曲率特征按照体素在体数据中的位置排列得到的三维矩阵;
(1-3)设体数据中任意一个体素的分型特征为D,对体数据中任意一个体素vi,分型特征 其中Xr=logr, U(vi,r)为体素vi的邻域,r为邻域半径,f(vj)为体素vj的灰度特征,vj为体素vi的邻域U(vi,r)中任意体素,表示体素vi的以r为半径的邻域中所有体素的灰度特征的和,kd的取值为2,则体数据的分型特征为体数据中所有体素的分型特征按照体素在体数据中的位置排列得到的三维矩阵;
(1-4)设体数据中任意一个体素的光滑度为S,对体数据中任意一个体素vi,光滑度其中σ2为体素vi的邻域U(vi,r)中所有体素的灰度特征方差,体素vi的邻域半径r取2,则体数据的光滑度为体数据中所有体素的光滑度按照体素在体数据中的位置排列得到的三维矩阵;
(1-5)设体数据中任意一个体素的线型特征为Fflit,对体数据中任意一个体素vi,线型特征其中为权值,取值为任意非负实数,r为体素vi的邻域半径, 其中为均一化后的结果, 为体素vi的邻域内以邻域边界为两端端点且通过vi的线段,线段总数为12r2+1,vj为线段Lk上的一个体素,体素vi的邻域半径r取1,则体数据的线型特征为体数据中所有体素的线型特征按照体素在体数据中的位置排列得到的三维矩阵;
(1-6)设体数据中任意一个体素的三维不变矩为T,三维不变矩T=μ200+μ020+μ002,其中μ200、μ020和μ002分别为中心距,对任意一个体素vi,中心距计算通式为:
其中vj是体素vi邻域U(vi,r)内的任意一个体素,x1,x2,x3分别为体素vj在体数据中三个维度的坐标值,分别为体素vi的邻域U(vi,r)的灰度特征重心在体数据中三个维度的坐标值,f(x1,x2,x3)为vj的灰度特征,体素vi的邻域半径r取4,则体数据的三维不变矩为体数据中所有体素的三维不变矩按照体素在体数据中的位置排列得到的三维矩阵;
(1-7)将原始体数据进行备份,备份的原始体数据记为Vcopy;
(2)分别计算上述步骤(1)中得到的六个特征的特征评估量E,E=ω1Ln-ω2Rn+ω3Cn,其中ω1,ω2,ω3为权值,取值为任意非负实数,Ln、Rn、Cn分别为对特征距离评估量L、特征相关性评估量R、特征价值评估量C进行均一化处理的结果,L、R、C分别为:
其中为用k均值聚类算法对特征P1聚类后的第il个类的重心,P1为上一次评估时选取的特征评估量E为最大的特征,若当前评估为第一次评估,则特征P1为灰度特征,k1为用k均值聚类算法对特征P1聚类后得到的类的个数,为用k均值聚类算法对特征P2聚类后的第jl个类的重心,P2为待评估的特征,k2为用k均值聚类算法对待评估的特征P2聚类后得到的类的个数;
R=H(P1)+H(P2)-H(P1,P2),其中H(P1)为特征P1的信息熵,H(P2)为待评估特征P2的信息熵,H(P1,P2)为特征P1和待评估的特征P2的联合熵;
C=H(P1,P2)-H(P1);
(3)从步骤(2)的六个特征中选取特征评估量E为最大的特征,记为P,用特征P与原始体数据的灰度特征组成一个二维传输函数,用该二维传输函数对原始体数据中的目标区域进行分离,得到原始体数据中位置在目标区域中的体素,分离过程如下:
(3-1)用特征P与体数据的灰度特征组成一个二维统计直方图,用归一化割方法对该直方图图像进行分割,得到多个二维统计直方图图像子区域,记该多个子区域组成的集合为Y0;
(3-2)计算原始体数据中所有体素在二维统计直方图中的坐标,根据该坐标,从原始体数据中分别找到与每个子区域相对应的体素,利用光线投射方法,分别对与每个子区域相对应的体素进行体绘制,得到多个体绘制图像;
(3-3)从子区域集合Y0中得到最终子区域集合Ofinal,过程如下:
(3-3-1)初始化时,最终子区域集合为空集,对Y0中所有子区域进行从1到w排序,其中w是子区域集合Y0中子区域的数量;
(3-3-2)从子区域集合Y0中取出标号最小的子区域y0,若与子区域y0相对应的体绘制图像中只包含目标区域,则将y0放入最终子区域集合中,并将y0从Y0中删除,将删除y0后的Y0记为Y1;若与子区域y0相对应的体绘制图像中只包含非目标区域,则将y0从Y0中删除,将删除y0后的Y0记为Y1,若与子区域y0相对应的体绘制图像中既包含目标区域又包含非目标区域,则用归一化割方法对子区域y0进行分割,得到两个新的子区域y1和y2,分别将y1和y2加入到子区域集合Y0中,将y0从Y0中删除,得到新的子区域集合Y1,Y1中y1标号为Nmax+1,y2标号为Nmax+2,其中Nmax为子区域集合Y0中子区域标号的最大值;
重复上述步骤,若子区域集合Y变为空集,则记最终子区域集合为Ofinal,进行步骤(3-4);若上述步骤重复次数超过30次,则将Y30中剩余的所有子区域加入到最终子区域集合中,并记最终子区域集合为Ofinal,进行步骤(3-4);
(3-4)根据步骤(3-2)得到原始体数据中所有体素的坐标,分别分离出坐标在最终子区域集合Ofinal中的每个子区域的所有体素,所有体素组成的集合记为Vr,按照体素在原始体数据中的坐标,将Vr中的所有体素加入到原始体数据中,将加入Vr中的所有体素后的原始体数据记为Vn,根据下式对Vn的灰度特征进行处理,得到Vn的新的灰度特征如下:
其中vh为Vn中的任意一个体素,fold(vh)为Vn中vh的原来的灰度特征,fnew(vh)为Vn中vh的新的灰度特征;
(3-5)对上述Vn中的体素进行判断,若Vn中的任意体素vh满足vh∈Vr,则进行步骤(4),若Vn中存在一个体素vh,满足则根据下式对步骤(1)的6种特征数据进行处理,得到与每种特征相对应的新的特征值:
其中vh为Vn中任意一个体素,Pfeature_old(vh)表示vh的原来特征值,Pfeatutr_new(vh)表示vh的新特征值,返回步骤(2);
(4)利用步骤(3)得到的体数据Vn和步骤(1)中的备份原始体数据Vcopy,合成一个传输函数,利用该传输函数得到体绘制图像,具体过程如下:
(4-1)将步骤(3)得到的体数据Vn中的体素归为一个类,记为m0;
(4-2)根据备份的原始体数据Vcopy,将步骤(3)得到的体数据Vn中灰度特征变为0的体素的灰度特征值恢复为原来的灰度特征值,将恢复灰度特征值的体素组成一个集合,记为Vo,用Vo中所有体素的梯度特征和灰度特征组成一个二维统计直方图,采用归一化割方法将此直方图分割成e个子区域,分别记为a1、a2…ae;
(4-3)计算上述Vo中所有体素在梯度特征和灰度特征组成的二维统计直方图中的坐标,根据Vo中所有体素在该二维统计直方图中的坐标,将Vo划分为e个类,分别记为m1、m2...mb...me,b=1,2,...,e,分类方法为:对Vo中任意一个体素vi,若vi在该二维统计直方图中的坐标在子区域ab内部,则将vi归到类mb中;
(4-4)根据显示需要,为体数据Vn中的体素的类m0设置不透明度和颜色,为类m1、m2…me设置不透明度和互相不同的颜色,不透明度取值范围为[0,1],颜色采用红绿蓝颜色模型,红、绿、蓝颜色分量的强度值范围为[0,255],根据体数据中每个类的颜色和不透明度,采用光线投射算法得到最终的突出显示目标区域的体绘制图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410378697.6A CN104167013B (zh) | 2014-08-04 | 2014-08-04 | 一种用于突出显示体数据中目标区域的体绘制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410378697.6A CN104167013B (zh) | 2014-08-04 | 2014-08-04 | 一种用于突出显示体数据中目标区域的体绘制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104167013A true CN104167013A (zh) | 2014-11-26 |
CN104167013B CN104167013B (zh) | 2017-01-11 |
Family
ID=51910804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410378697.6A Expired - Fee Related CN104167013B (zh) | 2014-08-04 | 2014-08-04 | 一种用于突出显示体数据中目标区域的体绘制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104167013B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933751A (zh) * | 2015-07-20 | 2015-09-23 | 上海交通大学医学院附属瑞金医院 | 基于局部直方图的心血管冠脉增强的体绘制方法及*** |
CN105139349A (zh) * | 2015-08-03 | 2015-12-09 | 京东方科技集团股份有限公司 | 虚拟现实显示方法及*** |
CN105160699A (zh) * | 2015-09-06 | 2015-12-16 | 电子科技大学 | 一种基于张量近似的海量数据多分辨率体绘制方法 |
CN107330861A (zh) * | 2017-07-03 | 2017-11-07 | 清华大学 | 基于扩散距离高置信度信息的图像显著性物体检测方法 |
CN108428209A (zh) * | 2018-03-28 | 2018-08-21 | 深圳大学 | 高维数据可视化方法、装置及*** |
CN109033204A (zh) * | 2018-06-29 | 2018-12-18 | 浙江大学 | 一种基于万维网的层次积分直方图可视查询方法 |
CN109493325A (zh) * | 2018-10-23 | 2019-03-19 | 清华大学 | 基于ct影像的肿瘤异质性分析*** |
CN112596659A (zh) * | 2020-12-23 | 2021-04-02 | 陇东学院 | 一种基于智能语音和图像处理的绘画方法和装置 |
CN113436305A (zh) * | 2021-06-23 | 2021-09-24 | 北京理工大学 | 一种由直接体绘制引导的高质量几何建模方法 |
-
2014
- 2014-08-04 CN CN201410378697.6A patent/CN104167013B/zh not_active Expired - Fee Related
Non-Patent Citations (4)
Title |
---|
CY IP等: "《Hierarchical Exploration of Volumes Using Multilevel Segmentation of the Intensity-Gradient Histograms》", 《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS》 * |
H CHU等: "《Feature Variation Curve Guided Transfer Function Design for 3D Medical Image Visualization》", 《2010 3RD INTERNATIONAL CONFERENCE ON BIOMEDICAL ENGINEERING AND INFORMATICS (BMEI 2010)》 * |
YI PENG等: "《Multi-feature Based Transfer Function Design for 3D Medical Image Visualization》", 《2010 3RD INTERNATIONAL CONFERENCE ON BIOMEDICAL ENGINEERING AND INFORMATICS (BMEI 2010)》 * |
彭艺等: "《医学可视化中利用形状特征设计传递函数》", 《计算机辅助设计与图形学学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933751A (zh) * | 2015-07-20 | 2015-09-23 | 上海交通大学医学院附属瑞金医院 | 基于局部直方图的心血管冠脉增强的体绘制方法及*** |
CN104933751B (zh) * | 2015-07-20 | 2017-10-20 | 上海交通大学医学院附属瑞金医院 | 基于局部直方图的心血管冠脉增强的体绘制方法及*** |
US9881424B2 (en) | 2015-08-03 | 2018-01-30 | Boe Technology Group Co., Ltd. | Virtual reality display method and system |
CN105139349A (zh) * | 2015-08-03 | 2015-12-09 | 京东方科技集团股份有限公司 | 虚拟现实显示方法及*** |
CN105160699B (zh) * | 2015-09-06 | 2018-07-10 | 电子科技大学 | 一种基于张量近似的海量数据多分辨率体绘制方法 |
CN105160699A (zh) * | 2015-09-06 | 2015-12-16 | 电子科技大学 | 一种基于张量近似的海量数据多分辨率体绘制方法 |
CN107330861A (zh) * | 2017-07-03 | 2017-11-07 | 清华大学 | 基于扩散距离高置信度信息的图像显著性物体检测方法 |
CN108428209A (zh) * | 2018-03-28 | 2018-08-21 | 深圳大学 | 高维数据可视化方法、装置及*** |
CN108428209B (zh) * | 2018-03-28 | 2022-02-15 | 深圳大学 | 高维数据可视化方法、装置及*** |
CN109033204A (zh) * | 2018-06-29 | 2018-12-18 | 浙江大学 | 一种基于万维网的层次积分直方图可视查询方法 |
CN109033204B (zh) * | 2018-06-29 | 2021-10-08 | 浙江大学 | 一种基于万维网的层次积分直方图可视查询方法 |
CN109493325A (zh) * | 2018-10-23 | 2019-03-19 | 清华大学 | 基于ct影像的肿瘤异质性分析*** |
CN109493325B (zh) * | 2018-10-23 | 2021-02-26 | 清华大学 | 基于ct影像的肿瘤异质性分析*** |
CN112596659A (zh) * | 2020-12-23 | 2021-04-02 | 陇东学院 | 一种基于智能语音和图像处理的绘画方法和装置 |
CN113436305A (zh) * | 2021-06-23 | 2021-09-24 | 北京理工大学 | 一种由直接体绘制引导的高质量几何建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104167013B (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104167013A (zh) | 一种用于突出显示体数据中目标区域的体绘制方法 | |
CN108389251B (zh) | 基于融合多视角特征的投影全卷积网络三维模型分割方法 | |
Cheng et al. | Outdoor scene image segmentation based on background recognition and perceptual organization | |
Lempitsky et al. | Image segmentation by branch-and-mincut | |
CN108648233A (zh) | 一种基于深度学习的目标识别与抓取定位方法 | |
CN104637090B (zh) | 一种基于单张图片的室内场景建模方法 | |
CN103235947B (zh) | 一种手写体数字识别方法及装置 | |
WO2021082168A1 (zh) | 一种场景图像中特定目标对象的匹配方法 | |
CN107527054B (zh) | 基于多视角融合的前景自动提取方法 | |
CN104166988B (zh) | 一种融入稀疏匹配信息的立体图像同步分割方法 | |
CN104484886A (zh) | 一种mr图像的分割方法及装置 | |
CN108985298B (zh) | 一种基于语义一致性的人体衣物分割方法 | |
CN104504734A (zh) | 一种基于语义的图像颜色传输方法 | |
CN101482925A (zh) | 基于局部嵌入式隐马尔可夫模型的照片生成方法 | |
CN105046689B (zh) | 一种基于多层次图结构的交互式立体图像快速分割方法 | |
CN109272467A (zh) | 一种基于多尺度边缘线索的层次化图像分割方法 | |
Hu et al. | RGB-D semantic segmentation: a review | |
CN104751463B (zh) | 一种基于草图轮廓特征的三维模型最佳视角选取方法 | |
CN109272568B (zh) | 一种采用基元发现的人脸风格图像处理方法 | |
CN104318563A (zh) | 一种基于医学图像的器官骨架提取方法 | |
Xue et al. | Symmetric piecewise planar object reconstruction from a single image | |
CN102663762B (zh) | 医学图像中对称器官的分割方法 | |
CN108985145A (zh) | 小尺寸交通标志检测识别的反向连接深度神经网络模型方法 | |
CN102509119B (zh) | 一种基于分类器的图像场景分层与对象遮挡处理方法 | |
CN110135364A (zh) | 一种地物识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170111 |