[发明专利]一种用于突出显示体数据中目标区域的体绘制方法

摘要

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。

主权项

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、分形特征、光滑度、线性特征和三维不变矩，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，к1为体素所在位置的主曲率，к2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‑nvnvt，I为单位矩阵，nv为体素所在位置的表面向量，nvt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形特征为D，对体数据中任意一个体素vi，分形特征其中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，则体数据的分形特征为体数据中所有体素的分形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性特征为Fflit，对体数据中任意一个体素vi，线性特征其中为权值，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，则体数据的线性特征为体数据中所有体素的线性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：μpqt=Σvj∈U(vi,r)(x1-x1‾)p(x2-x2‾)q(x3-x3‾)t·f(x1,x2,x3)dx1dx2dx3]]>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：fnew(vh)=fold(vh),vh∈Vr0,vh∉Vr]]>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：Pfeature_new(vh)=Pfeature_old(vh),vh∈Vr0,vh∉Vr]]>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。