面向網(wǎng)絡的體繪制關鍵技術研究.pdf

1、三維數(shù)據(jù)可視化是近年來發(fā)展最迅速的一項技術，在醫(yī)學三維重建、計算流體力學、有限元后處理、地震地質等眾多領域得到了廣泛應用。但是在基于網(wǎng)絡的體繪制研究中還存在很多亟待解決的問題。本文主要就面向網(wǎng)絡的可視化過程中涉及到的幾個關鍵技術問題：體數(shù)據(jù)分類、體數(shù)據(jù)壓縮和體繪制加速算法等進行深入研究。 其中，針對支持向量機在體數(shù)據(jù)分類中需要用戶提供訓練樣本，無法根據(jù)數(shù)據(jù)本身特征自動選擇訓練樣本的問題，提出了將支持向量機與無監(jiān)督聚類相結合的體數(shù)

2、據(jù)分類算法。該算法先使用無監(jiān)督聚類方法對樣本進行初步分類，在經(jīng)用戶有限修正后將分類結果作為支持向量機的訓練樣本，因此不需要用戶根據(jù)先驗知識指定訓練數(shù)據(jù)，實現(xiàn)了基于支持向量機的自動數(shù)據(jù)分類，并得到較好的分類結果。 為了滿足大規(guī)模體數(shù)據(jù)的壓縮存儲和基于網(wǎng)絡的多分辨率顯示要求，本文提出了基于小波的大規(guī)模體數(shù)據(jù)壓縮算法，它主要利用三維小波分解后各高頻系數(shù)子帶內的相關性。通過對大規(guī)模體數(shù)據(jù)進行基于塊的層次小波分解和構造有效的八叉樹結構來保

3、存小波重要系數(shù)位置信息，該算法不僅有較好的壓縮率，而且很容易進行基于數(shù)據(jù)塊的隨機訪問。 小波Splatting算法是目前大規(guī)模體數(shù)據(jù)壓縮域繪制的理想方法，本文在深入研究小波Splatting算法的基礎上，結合最新GPU技術提出了基于GPU加速的小波Splatting算法。該算法將三維體數(shù)據(jù)小波分解后的八個子體塊在GPU的兩次頂點渲染中完成繪制，從而減少了繪制次數(shù)。利用小波Splatting的特點，該算法采用先進行小波系數(shù)累加后進

4、行小波腳印卷積的方式，在GPU上實現(xiàn)了小波Splatting的加速繪制。實驗結果表明基于GPU的方法大大加速了小波Splatting算法的繪制速度。 最后，針對大規(guī)模數(shù)據(jù)存儲、網(wǎng)絡傳輸和高質量快速繪制等問題，給出了一個面向網(wǎng)絡傳輸?shù)拇笠?guī)模數(shù)據(jù)體繪制系統(tǒng)框架。它充分結合兩種小波域體繪制技術的優(yōu)點，集成了大規(guī)模數(shù)據(jù)的壓縮存儲與傳輸、大規(guī)模數(shù)據(jù)的粗略快速繪制和局部感興趣區(qū)域的精細高質量繪制等功能，因此它非常適合于大規(guī)模數(shù)據(jù)的遠程可視化