【doc】自适应分块细节水平的多分辨率体绘制方法

【doc】自适应分块细节水平的多分辨率体绘制方法 自适应分块细节水平的多分辨率体绘制方 法 第24卷第3期 2012年3月 计算机辅助设计与图形学 JournalofComputer—AidedDesign&ComputerGraphics Vo1.24NO.3 Mar.2Ol2 自适应分块细节水平的多分辨率体绘制方法 梁荣华,薛剑锋,-5祥音 (浙江工业大学计算机科学与技术学院杭州310023) (rhliang@zjut.edu.cn) 摘要:采用多分辨率体绘制医学数据时,一般使用相同的阈值或者细节水平生成纹理,很难处理大规模数据,为此 提出一种多分辨率纹理生成方法.首先采用基于方差加权香农熵的自适应分块细节水平选择算法建立原始体数据 的统一划分多分辨率表示;然后采用分块纹理重组操作,生成具有更高压缩率的体数据多分辨率压缩纹理.文中方 法已在GPU上实现,而且实验结果对比表明,该方法既能得到较好的体数据压缩率,又能完成高质量的绘制. 关键词:统一划分多分辨率表示;细节水平选择;香农熵;分块纹理重组;分块采样 中图法分类号:TP391.7 Multi—ResolutionVolumeRenderingBasedonAdaptiveBrickingLOD LiangRonghua,RueJianfeng,andMaXiangyin (CollegeofComputerScience,Z^ejiangUniversityofTechnology,Hangzhou310023) Abstract:Tovisualizemedicalvolumedatabasedonmulti—resolutionvolumerendering,weoften generatethetextureswithauniformthresholdorlevelofdetails(LOD),buttraditionalmethodsare notefficienttodealwithlarge—scalevolumetricdata.Inthispaperweproposeamulti— resolution texturegenerationmethodthatusesadaptiveLOD,wheretheLODisdeterminedbyShannonentropy ofthewholevolumedatawithflatbricking.Byusingabrickingtexturereorganizationoperation,we generateacompressedmulti— representationtexture.OurmethodisfullyimplementedonGPU,andthe experimentalresultsdemonstratethatourapproachwithadaptiveLODcanachieveoverallhigher renderingqualityforagivenmemoryconstraintat3relativelyhighcompressionrateoftheentire vO11JmetriCdata. Keywords:flatblockingmulti— resolutionrepresentation;levelofdetailselection;Shannonentropy; blocked—texturere—organization;flatblockingsampling 随着图形显卡和可编程GPU技术的发展,直 接体绘制的实时绘制问题得到了有效解决.借助于 图形显示卡强大的并行计算能力,很多基于硬件的 光线投射加速算法已应用到众多可视化系统中j. 但是,随着体绘制技术的发展,体数据的规模也在急 剧膨胀,远超过现有图形显示卡的纹理缓存容量.由 于数据量的增长速率快于显卡缓存的增长速率_2], 因此,基于GPU的直接体绘制方法仍然不能满足 大规模体数据的实时绘制要求;故对大规模体数据 实时绘制技术的研究成为直接体绘制研究领域的热 点问题. 已有一些研究者做了相关的工作,邹华等_3],梁 承志等_4等通过运用层次包围盒来去除空体素,从 而达到减少绘制计算量,提高绘制效率的目的.梁荣 收稿日期:201卜O5—17;修回日期:2011-09—05.基金项目:国家自然科学基金 (61070114);浙江省自然科学基金重点项目(Z1090630); 浙江省自然科学基金(Y1101058).梁荣华(1974),男,博士,教授,博士生导师,CCF会 员,论文通讯作者,主要研究方向为图形图像处理; 薛剑锋(1987一),男,硕士研究生,主要研究方向为图形图像处理;马祥音(1983),女, 博士,讲师,主要研究方向为图形图像处理. 第3期梁荣华,等:自适应分块细节水平的多分辨率体绘制方法 华等提出了分层剥离体绘制算法,通过剔除不感 兴趣区域来进一步提高绘制效率和质量.此外, Wetekam等提出了一种适用于对大规模体数据 运用光线投射算法的硬件加速体系结构;Eilemann 等l_7提出了一种名为Equalizer的可扩展并行绘制 框架来进行绘制计算. 目前,运用多分辨率表示技术来提高体数据绘 制效率,已经成为体绘制技术的一种发展趋势.该技 术保留了原始数据的重要细节信息,且对原始体数 据进行压缩和多层次采样,达到了提高绘制效率的 目的.多分辨率表示技术是由Chamberlain等_8首 先提出,并将其运用于三维表面模型绘制.Wang 等l9的算法在保持数据特征的前提下,减少了数据 量,对连续体素重定位和重采样,实现了良好的交互 绘制性能.LaMar等l_】..在对原始体数据进行分析的 基础上,建立一个层次关系来对原始体数据进行多 分辨率表示;在绘制过程中,结合视点等显示信息, 以不同的分辨率对体数据的各个不同区域进行绘 制l】.薛健等.设计并实现了一套针对海量数据的 处理和分析算法框架,提出了一种半适应分块的方 法对原始数据进行分块,不但没有影响分块速度,而 且得到了更好的分块效果,并进一步使用了图形硬 件加速算法.Ma等口.首先运用纹理分块映射,通过 层次八叉树编码细分体纹理,然后通过映射信息剔 除空数据块,完成实时交互绘制.然而,使用层次关 系划分体数据会导致分块间存在相关性,绘制效果 会在标量值变化剧烈的区域失真.为了解决上述方 法表示体数据所带来的弊端,Ljung等口胡提出了统 一 划分策略对体数据进行多分辨率表示的方法,即 在自适应纹理映射算法_14]的基础上运用尺寸一致 的分块对原始体数据进行划分的统一划分策略.对 原始体数据进行统一划分后,将生成一个元组体来 对原始体数据进行统一划分多分辨率表示.元组体 的每个元组将和原始体数据的每个分块一一对应, 保存这一分块的细节水平(1evelofdetail,LOD)数 组和分块有效性信息.Ljung等口明在基于统一划分 策略的多分辨率方法的基础上,运用基于CIELUV 空间的误差准则,提出了一种结合传输函数的LOD 选取方法.与层次划分多分辨率方法相比,该方法不 会受到分块间相关性的限制,可以用任意有效的分 辨率对体数据的任意部分进行绘制,从而使分块内 的重要细节信息在绘制过程中不受邻近分块分辨率 的影响. 近年来,香农熵也被应用到可视化领域分析体 数据包含的信息特征.Chen等.检查了信息论是 否可以作为可视化的理论框架之一,并为可视信息 阐述了概念和测量;同时,也证明了这些概念在许多 现有的可视化技术中香农熵的内在和隐式使用.Xu 等l1]也将熵和条件熵应用到流可视化中,用以测量 从输入的数据中有多少信息量显示为流线.Wang 等[1.介绍的LOD映射是以香农熵的构想为基础, 通过关键LOD因素的映射生成一个treemap表示, 这也是IOD质量的供选择表示和探索多分辨率数 据的可视化界面;而且LOD映射的衡量考虑了多 分辨率数据分块的扭曲程度和贡献.本文也以香农 熵为基础,自适应地为每个分块选择独立的IOD, 建立原始体数据的多分辨率表示.与传统的多分辨 率体绘制的各个分块具有相似或者相同的IOD相 比,在显存限制的条件下,本文方法完成了更高的体 数据压缩和高质量的绘制. 1算法概述 在传统方法中,大规模体数据集的绘制是用较 低的分辨率或者特定的感兴趣区域渲染完成的,但 是不能处理整个体数据集.近年来提出的2种多分 辨率体数据表示方法成为有效的解决,一种是 基于八叉树的层次表示?】,另一种就是基于统一划 分的多分辨率表示_2. 基于统一划分的多分辨率表示方法对所有分块 赋予了相同的尺寸,使得相邻分块可以具有任意独 立的分辨率.本文采用的是基于统一划分的多分 辨率表示,运用自适应分块LoD选择算法将方差 加权香农熵作为判定分块数据重要性的依据;且本 文将梯度幅值作为参数计算动态阈值,确定分块的 LOD.本文方法使得每个分块具有根据其标量数据 特征而得到的动态阈值,IOD的判定更加合理.这 样就避免了所有分块都用同一阈值来判定LOD,使 得细节信息不能有效保留,体数据得不到有效的压缩. 例如,Boada等_1用八叉树对体数据进行层次表示, 并用数据误差来确定分块的LOD,直至达到显存上 限.本文运用分块纹理重组方法将多分辨率纹理自 适应生成与原始体数据相对应的多分辨率表示压缩 纹理,并以码书的形式体现,同时引入了二级查找模 式在码书中定位采样点.此种模式减少了主存和纹 理缓存间纹理数据置换开销,在一定程度上改善 了交互率,我们称上述步骤为自适应多分辨率纹理 采样(adaptivemulti—resolutiontexturesampling, 316计算机辅助设计与图形学第24卷 AMTS).由于相邻分块边界包含有细节信息,传统 方法会复制边界信息来保证绘制质量,导致耗费大 量时间.为了解决这个问题,当光线穿过具有不同 LOD的相邻分块时,本文运用了块间插值的方法, 使分块边界区域能够进行正确采样;最后,运用基于 原始数据统一划分通过方差加权香农 熵分析分块数据特 征,获取不同LOD 级别值 1.统一划分I2.自适应分块LOD选择 2自适应分块LOD的选择 GPU的光线投射完成最终的图像绘制.图1所示为 上述算法的.本文的主要贡献是为每个分块自 适应的赋予了独立的LOD,改善了体数据压缩率和 绘制质量.此外,本文也改善了统一划分多分辨 率体绘制的流程. 多分辨率 表示绘制结果 码书纹理 3.多分辨率分块纹理的产生及采样i4.绘制 图1算法流程 变量s的概率值;N为变量个数.那么为了计算分 块在不同级别上的香农熵,我们首先定义分块内体 当体数据用规则的标量数据场表示时,相邻体 素之间的标量值存在相关性.在体的某些区域,各体 素的标量值可能都处在一个特定的值域范围内,变 化趋势缓慢,即所谓的同质区域;而在另一些区域, 各体素间标量值变化很大,波动明显,即为异质区 域.在预处理阶段,本文将体数据细分为分块,通常 尺寸大小为16.或32..在统一划分多分辨率数据表 示方面,每个分块都具有特定的IOD,并且根据每 个分块的重要性或细节有所不同;这些分块根据其 IOD被组织为多分辨率压缩纹理表示. 多分辨率体绘制的最主要目的是对原始体数据 中不同的分块按其所具有的重要性,用恰当的分辨 率进行绘制,从而以较小的质量损失来获取较高的 绘制效率.因此,我们以方差加权香农熵作为判定分 块数据信息紊乱程度的依据,以获取分块特定的 IOD,即用特定的分辨率对分块进行绘制.IOD越 高,则表明分块的异质程度越大,紊乱程度也就越 大.分块各个级别的LOD量化可按以下方法获得. 香农熵从数据分布提供了一个完整的定量衡量 信息内容的理论框架,也可以衡量随机变量的不确 定性,所以可以通过香农熵来衡量体数据场的信息 状况.在广义集合{S,S,…,S}中,变量S的香农 N 熵可以定义为H(s)一一>:PlbP;其中,P表示 素的概率为P.()一g(s,) ;其中,P()表 ?g(s),一1 示分块第i个区域内第J个标量值的概率值;S,表 示分块第i个区域内的第J个标量值;g(S)表示分 块中标量值S的梯度值;max—z表示的是此分块 LOD的最高级别数;z为当前正用于分析的LOD级 别数.由于梯度大小可以反映数据场的变化率,同质 区域梯度值比较小,而异质区域具有较大的梯度值, 所以这个概率模型很好地提高了异质区域的香农熵. 分块每个区域的香农熵表明了此区域中标量数 据的紊乱程度,其值越大,表明此区域的数据不确定 性越大,则数据块重要性越大.但是香农熵表征的是 数据场总的统计特征,总体的平均不确定性;所以香 农熵有其局限性,它不能描述数据信息的重要性和 主观价值.考虑到香农熵的对称特性,对于不同的分 块,如果它们具有相同的概率分布,则它们就具有相 同的香农熵.可采用分块第i个区域的方差加权香 农熵 23(,) H(S)一一?P(s)lbP()(1) J=1 解决以上问题;其中表示分块第i个区域的标量 方差.式(1)既依赖于高斯概率模型,又依赖于权重 系数.传统方法通过计算分块的标量方差获得其各 国 第3期梁荣华,等:自适应分块细节水平的多分辨率体绘制方法 个级别上的标量值变化率,同质区域具有低变化率, 异质区域则反之;然后引入分块阈值,即可判定每个 分块最终的LOD级别但是在计算过程中,传统方 法在分块子区域内具有完全不同标量值的相邻体素 单元的一些重要细节信息可能被忽略,所以容易受 噪声点的负面影响.因此将标准方差作为香农熵权 重,不仅解决了香农熵与标准方差所存在的问题,而 且可提高异质区域标量值对此分块子区域的标量值 波动的影响,降低同质区域发挥的效用,更加有效地 突出分块细节信息. 根据香农熵的极值性质,在标量值等可能出现的 /1, 情况下得到最大熵H.一lg(),所以可通过 H一—Hi(S一 )(2) n 对香农熵进行归一化处理.最后,分块在第Z个 LOD级别上所具有的数据信息紊乱程度表示为 1兰一 者H(3)i一1 在对分块的4-1个进行计算时,此分块的 LOD数组也相应生成.根据香农熵的性质可知,对 于一个给定的分块,它在各个级别的数据信息紊乱 程度按其所处的IoD级别的增长呈单调递增趋 势,所以只要在递增序列中找出首个不小于特定阈 值的数据信息紊乱程度值,即可确定LOD级别.但 是,仅以来表示一个分块在某个LOD级别上的 重要性水平还是不准确的. 因此,本文定义满足 一 l>(4) 的分块子区域采样点为特异点,然后统计分块中第 z级别上特异性分块子区域所占比例,来确定此 IOD级别是否可被赋予分块;而对于特异分块子区 域的判定,则通过统计第z级别子分块中特异点所 占比例来实现. 式(4)的数学意义是第J个体素单元标量值s, 与其所在分块第i个分块子区域的标量值平均值的 绝对差大于分块第i个分块子区域的标准方差. 当判断某一分块所处的LOD级别时,需要将 分块的各级别值和特异性分块子区域所占比例 一 起作为判断标准.因此,需要引入分块阈值T和 特异分块子区域比例值T来进行判定. 本文给出了一种自适应确定分块阈值的方法. 可以根据用户指定的阈值以及当前分块标量值的平 均梯度来确定分块标量阈值函数,同时设定一个加 权系数来表示实际体数据中标量值的变化程度对用 户指定阈值的影响,用户可以通过滑动条来调节阈 值以及加权系数,以获得最终的分块标量阈值函数. 本文所采用的分块标量阈值函数为 23(…) T一e"汀r..南善; 其中,T与分别代表2个可由用户设定的参数, r…为用户指定的闽值,为平均阈值加权系数,表 示用户指定阈值T与体数据中标量值平均梯度 之间的关联.当接近于1时,分块标量阈值函数受 分块内标量值的影响越大;当接近于0时,分块标 量阈值越接近用户指定阈值,受分块中标量值的影 响越小.那么,只要LOD级别,满足 ,一min{zI?丁nTz<T}(5) 就可将其被作为合适的LOD级别赋予分块. 式(5)中,是分块在L0D级别Z上的特异分 块子区域所占比例值.在一般的应用中,T被设定 为1/2,2等于分块在X维度上的体素个数. 3多分辨率分块纹理生成及采样 在体数据划分和LOD水平选择后,便可建立 体数据的统一划分多分辨率表示,并形成相应的多 分辨率纹理.本文运用分块纹理重组方法自适应地 生成与原始体数据对应的多分辨率表示压缩纹理. 而且在光线投射中,本文方法可以随机地查找多分 辨率表示的纹理,完成采样操作. 为了实现快速地随机查找操作,文中引入一个 二级查找模式.图2b和2c表示了这个二级查找模 示为第一级模式,表示的是所有分块的 式:图2b所 元组信息,其大小和原始体数据的尺寸成正比,分块 的元组信息包含有分块的所处LOD级别,分块有 效性,压缩分块纹理原点在纹理空间中的位置.这些 信息是对每个分块运用IoD选择算法而产生的, 为查找纹理分块提供依据.而图2C所示为第二级模 式,其主要作用是存储压缩分块,这些分块都是按传 输函数将无效分块剔除;而后才将生成的元组体纹 理和体数据多分辨率表示压缩纹理,导人纹理缓存, 从而提高了压缩率.假设某一分块所处的LOD级 别为l(0?z?lev一 一 1),则它的分块压缩率为 1/2.一…一一". 318计算机辅助设计与图形学第24卷 I'.r (O,o (32,32) l ) O00 ,8 1,1) O00\篱2O.28 , 4;:: '一r葛,22OO24,024.4 a原始体数据分块b第一级查找模式c第二级查找模式 图2分块纹理重组方法的二级查找模式 虽然处于不同LOD级别上的分块具有独立的 分辨率,但是它们在空间尺寸上具有相关性.因为第 z级别分块的尺寸一定是第Z+1级别分块尺寸的 1/8,所以,本文应用基于分块整合思想的快速分块 重组方法,实现了最佳的分块纹理压缩效果.经过块 纹理重组操作后的多分辨率纹理占用的空间尺寸计 算公式为 Num;一lN"m;一l/8I+fluid/(z?[1,一T/U/T/一1]) (6) Lnum—Num;8(1?Eo,/zv— 一 2])(7) 其中,Num;代表第z级别的累积分块数目,num, 则表示第z级别当前具有的分块数目,Lnum表示 第z级别最终具有的分块数目,lev—hum表示的是 LOD级别数.式(6)由低级别向高级别进行迭代计 算,可得到各级别的累积分块数目;而各个级别最终 具有的分块数,则要按式(7)计算得到. 由于原点位置直接关系到后续的分块纹理还原 过程,所以在进行分块纹理重组的过程中,每个压缩 分块在重组纹理中的原点位置必须填写到元组体的 相应单元中.本文根据式(6)(7)修改每个级别分块 的数目,再根据纹理缓存的最大纹理长度以及压缩 分块尺寸获得原点位置. 在对打包数据分块纹理进行采样操作之前,本 文首先利用二级查找模式进行采样点查找,再确定 采样步长,并进行正确采样. 假设对图2b中的点P进行采样,P点坐标用 向量V.一(z.,.)表示,那么必须在图2C中找到 它的对应纹理采样点P,向量V一(z,)表示P 坐标. 首先,通过 l,l v 一 l.l 对点P进行全局定位,找到点P在第一级元组体中 所对应的位置,其中,V一(,,y)表示的是点P所 处的分块在二维空间元组体中的坐标,Blk—V一 (Blk— X,Blk—y)表示原始分块在二维空间坐标轴方 向上所具有的单元个数,而Spacing_V===(Spacing—X, Spacing_y)表示单元在二维空问坐标轴方向上的 单位长度.在完成式(8)的计算后,便可查找元组体 纹理,得到点P所在分块的分辨率值r,分块有效性 值7d,以及分块原点在打包数据纹理中的位置V一 (z,.y). 然后,可用 ?一二里:!璺: 一'B驮V×SpacingV 来确定点P和分块原点之间的位置关系,其将以比 例的形式给出;其中,AV===(Ax,Ay)表示点P到分 块原点的二维空间坐标轴方向上长度与分块在二维 空间坐标轴方向上长度Blk—V的比例值.本文将分 块的直接采样区域约束到[,1一]之 间,r为当前分块的分辨率级别.在采样过程中,如 果采样点的AV中任意分量不在此区域内,则其处 于间接采样区域(不能用硬件直接插值),即 AV一C(AV)(9) 对其进行最邻近单元采样.式(9)中,c为钳位运算 符,将输入值钳制到Ea,范围内,M一i. 如果采样点P处在直接采样区域,可以用 D—Blk— V×M×AV(10) 计算点P在分块内的二维空间局部坐标D===(d, d). 最后,在 V一V+D(11) 第3期梁荣华,等:自适应分块细节水平的多分辨率体绘制方法 中,通过打包数据纹理中分块的原点坐标V一(.z, )以及局部坐标D,计算出最终的纹理采样点P 的坐标. 图3所示为是脚部体数据经过分块纹理重组操 作后所得的码书纹理,其大小为512×320×32,分 块尺寸为16×16×16.码书纹理是原始体数据基于 统一划分的多分辨率表示形式.在绘制过程中,GPU 运用自适应多分辨率纹理采样方法对码书纹理进行 采样,从而实现对体数据进行绘制. 虽然每个分块按其所具有的IOD级别被赋予 了不同的采样步长,但是在相邻分块之间进行采样 时,因为2个分块间LOD的差异,导致无法在某个 分块的边界区域进行正确的采样,使得光线融合结 果出现偏差.因此,当采样点处在分块边界区域时, 本文首先确定当前采样分块的8个邻居分块,然后 计算其离当前采样点最近的体素坐标,将得到的8 个坐标进行采样,并将所在分块的LOD作为权重 进行线性插值.从而在变步长的自适应采样方法的 基础上,利用块间插值的方法确保每个有效体素单 元都能得到正确的采样操作,保证了整个光线融合 过程的正确性.图4所示为脚部未经插值操作得到的 绘制效果图,对比通过上述方法得到的效果图图5f 可以看到,图4中分块边界未能得到正确的采样,以 致绘制效果存在明显的边界线. 图3码书纹理 图4脚部未插值采样绘制效果图 簪帮 4实验结果和分析 一嘲eLevel4f本文方法 图5在不同IOD下脚部绘制效果比较图 本文实验所用的硬件配置如下:CPU为Intel PE5300,3.0GB的DDR2型内存和NVIDIAG100 图形显示卡,采用OpenGL的API,C++语言和 CG着色语言编程,编程环境为VisualStudio2008, 本文方法在GPU中实现,重建图像的分辨率为512× 512,实验数据包括血管416×512×】12,45.5MB), 头部(512×512×106,53MB),脚(256×256×256, 64MB)和盆骨(512×512×355,177.5MB). 在算法实现中,本文以统一划分体数据为基础, 根据分块的数据特征和传输函数为分块选择LOD. 进而剔除无效的空数据块,较高分辨率绘制异质性 极高的边界部分,而用较低的分辨率绘制同质区域. 在分块尺寸为16×16×16下,脚部所有分块被赋予 相同的LOD后,采用本文方法进行压缩采样,并执 行光线融合计算后得到的效果比较图如图5所示. 32O计算机辅助设计与图形学第24卷 从图5可以看出,LOD级别越高,脚部的整体绘制 效果越清晰;其中,图5a所示所有分块的IOD为0 级别(LevO)的效果图,可以看出骨组织显示质量也 较为模糊,很难分辨关节边界.图5b,5e中所显示 的是分块LOD为1,4级别(Levi,Lev4)的效果 图,组织的边界部分显示质量不断改善,当I0D为 4级别时,显示质量最为清晰,关节能够很好的分 辨,但是,此时所有分块以相同的LOD进行绘制, 同质区域得不到合理的压缩,以较高的分辨率显示 出来.如图6所示,随着LOD的增加,绘制效率和绘 制质量成反比;这不仅影响了绘制效率,也使纹理缓 存得不到有效利用.所以运用自适应LOD选择,可 以赋予同质区域与异质区域恰当的IOD,不同区域 用不同的分辨率进行显示,使细节信息突出,从而得 到最优的绘制效果(图5g)和绘制效率(图6).如图 5e与图5f中显示的二脚趾关节部位的放大图,本 文方法在绘制效率更高的前提下得到了比L0D为 4级别相同或者更高的绘制质量.此外,在自适应 IOD选择算法中,调整参数也影响绘制的效率. 越大,那么就意味着分块将按照局部特征进行绘制, 提高了分块的LOD,而会降低绘制效率.一般地, 鉴于0.3,0.6之间能兼顾整体最优和不丢失局部 细节. e \ 警 Adjust 图6不同L()D对脚部绘制速度的影响 表15组不同数据运用分块纹理重组方法的结果 ..… 各级别分块数目压缩率 体数据—— L80LP1Le2LP3Lev4/ 血管27/1341/37609/2025147/664o/o15.70 头部6660/2649130/130113/62265/41o/o31.43 脚部l186/01321[416362/252316/3161l9l/119l29.31 盆骨5780/74l343/147283/135763/436o/o20.35 注:在格式A/B中:A为压缩前分块数,B为压缩后分块数 用尺寸为16×16×16的分块对5组体数据进 行统一划分,在为每一组数据设定传输函数后,便可 以进行分块纹理重组方法处理.表l说明了各组数 据处理前后的分块组成情况和最终的数据压缩率. 由于传输函数定义的不同,对于不同数据,它们的压 缩率也不相同.与传统方法相比,本文方法的压缩效 率(30,40)并没有明显优势,但是本文具有更 高的预处理效率和内存空间的分配利用率.若采用 Kraus等[1所提出的边界纹理复制进行纹理插值 打包,一个a×.大小的纹理元素块,数据量大约增 加(a+1)./n倍,如一个16×16的纹理块增加的存 储开销达13.由于边界需要复制,所以必然增加 了体绘制的预处理时间;而预处理效率也是多分辨 率体绘制研究人员所关心的问题之一. 本文方法的预处理时间和分块的大小有关,这 是因为分块的大小直接关系到分块的LOD选择执 行次数和体数据多分辨率表示压缩纹理的生成速 度.虽然用小尺寸分块对体数据执行IOD选择计 算比用大尺寸分块执行相应计算更具效率,但是在 进行分块纹理重组时,大尺寸分块会使多分辨率纹 理重组所涉及的分块总体数量下降,从而比小尺寸 分块具有更快的分块纹理重组处理速度.因此,对于 某个特定的体数据,其预处理时间主要是看分块 LOD算法和分块纹理重组方法在执行过程中哪个 耗时更长.实验结果如图7所示,分块尺寸越大,预 处理时间越小,当然绘制效果也越差.在一般情况 下,以32×32×32或16×16×16作为分块的尺寸 最为符合GPU的缓存大小l_2,这不仅有利于提高 体数据的预处理效率,也可得到最高的绘制效率. 厘 蓉 割 8O 60 20 O \//\ {I一.\.'I +盆骨'-..一,,,? -- k一头部<,,,. 十脚部\二 一 ._血管一 8×8×816×16×1632×32×3264×64x64 分块尺寸 图7不同分块大小对预处理时间的影响 在分块大小均为16×16×16,不同分块IOD 的条件下,对其他3组不同体数据的绘制效果比较 图如图8,10所示. 第3期梁荣华,等:自适应分块细节水平的多分辨率体绘制方法 5结论 辩iaLevel0 eLevel4f本文方法 图8不同L0D下血管绘制效果比较图 eLevel4f本文方法 图9不同LOD下盆骨绘制效果比较图 ???? 们们eLevel4f本文方法 图1O不同L0D下头部绘制效果比较图 本文提出了一种基于统一划分的多分辨率表示 的直接体绘制方法,利用物体内部同质区域和异质 区域在方差加权香农熵值的不同,通过基于误差分 析的自适应LOD选择算法,赋予原始体数据不同 分块恰当独立的LOD级别,并建立原始体数据的 统一划分多分辨率表示形式.进而对压缩分块进行 重组,形成多分辨率表示码书纹理.在绘制过程中, 提出了采用基于分块LOD的自适应多分辨率纹理 采样方法对体数据进行采样,并运用块间插值方法 在不同LOD分块之间的边界区域能够进行正确的 采样.实验证明,在特定的显存容量下,本文方法以 相对高的压缩率得到更高质量的绘制效果. 在绘制过程中,由于统一划分多分辨率体绘制 方法最终的生成图像质量会受块间插值采样方法的 影响,而且本文采用误差分析的分块LOD选择方法 』, , 322计算机辅助设计与图形学第24卷 对于那些变化剧烈的数据也比较敏感;所以,在以后 的工作中,我们将进一步改进块间插值采样方法及 分块LOD选择方法,以提高统一划分的多分辨率 体绘制质量. 参考文献(References): [1]EngelK,KrausM,ErtlT.High—qualitypre—integrated volumerenderingusinghardwareacceleratedpixelshading [C]//ProceedingsoftheACMSIGGRAPH/Eurographics workshoponGraphicsHardware.NewYork:ACMPress, 2001:9-16 [2]FoutN,MaKL.Transformcodingforhardware—accelerated volumerendering[J].IEEETransactionsonVisualization andComputerGraphics,2007,13(6):1600—1607 [3]ZouHue,GaoXinbo,LuXinrong.Araycastingalgorithm basedonhierarchicalboundingvolumesandGPU[J].Journal ofComputer—AidedDesign&ComputerGraphics,2009,21 (2):172—178(inChinese) (邹华,高新波,吕新荣.层次包围盒与GPU实现相结合 的光线投射算法[J].计算机辅助设计与图形学,2009, 21(2):172—178) [4]LiangChengzhi,GaoXinbo,ZouHua,eta1.Accelerated GPUray—castingalgorithmbasedonspaceleapingrJ]. JournalofImageandGraphics:A,2009,14(8):1685—1688(in Chinese) (梁承志,高新波,邹华,等.空间跳跃加速的GPU光线投 射算法[J].中国图象图形:A版,2009,14(8):1685— 1688) [5]LiangRonghua,LiCheng,WuFull,eta1.Layeredpeeling algorithmofdirectvolumerenderingformedicaldataset口]. JournalofComputer—AidedDesign&ComputerGraphics. 2009,21(10):1381—1386(inChinese) (梁荣华,李诚,吴福理,等.面向医学数据的分层剥离体 绘制算法[J].计算机辅助设计与图形学,2009,21(10): 1381—1386) r6]wetekamG,StanekerD,KanusU,eta1.Ahardware architectureformulti—resolutionvolumerendering[c]// ProceedingsoftheACMSIGGRAPH/EurographicsWorkshop onGraphicsHardware.NewYork:ACMPress,2005:45—51 [7]EilemannS,MakhinyaM,PajarolaR.Equalizer:ascalable parallelrenderingframework[J].IEEETransactionson VisualizationandComputerGraphics,2009,15(3):436—452 [8]ChamberlainB,DeRoseT,LischinskiD,eta1.Fast renderingofcomplexenvironmentsusingaspatialhierarchy Ec]//ProceedingsoftheGraphicsInterface.Toronto:CanInf ProcessSoc,1996:132-141 [9]WangYS,WangCL,LeeTY,eta1.Feature—preserving volumedatareductionandfocus+contextvisualization[J]. IEEETransactionsonVisualizationandComputerGraphics, 2O11,17(2):l71-181 [1O]LaMarE,HamannB,JoyKI.Multiresolutiontechniques forinteractivetexture—basedvolumevisualization[c]// ProceedingsofSHE.Bellingham:SocietyofPhoto—Optical InstrumentationEngineers,2000,3960:365-374 [11]GutheS,WandM,GonserJ,etalInteractiverenderingof largevolumedatasets[c]//ProceedingsoftheIEEE Visualization.LosAlamitos:IEEEComputerSocietyPress, 2002:53-60 [12]XueJian,TianJie,DaiYakang,etdf.Processingframework andthefastvolumerenderingalgorithmsforout——of——core medicaldata[J].JournalofSoftware,2008,19(12):3237— 3248(inChinese) (薛健,田捷,戴亚康,等.海量医学数据处理框架及快 速体绘制算法[J].软件,2008,19(12):3237—3248) [13]MaGJ,ZhangYS.Hierarchicaloctreeandsub—volume texture?