医学图像重建MC算法三角片的合并与实现

提出一种算法对Marching Cubes算法中产生的大量三角片进行合并。根据三角片顶点的空间位置，按照所给的约束条件对顶点进行判断，合并符合条件的顶点，以减少三角片的数目。这个方法在保留图像细节的前提下，改善影像的显示速度，以期实现三维医学图像实时显示。对数据量大的医学图像的三维重建尤为必要。     

基于气象雷达回波3D重建的Marching Cubes改进算法

根据气象雷达回波数据的三维极坐标分布特点,提出一种改进的Marching Cubes三维重建算法.该算法将Marching Cubes常规算法中的单位正立方体构建转换为直接对回波极坐标数据的拟柱体构建,生成相应的等值三角面,并对三角面的顶点数据进行地曲订正,供OpenGL显示.为进一步提高重建算法的效率,该算法避免了对高仰角远距离无回波区的重建.实验表明,该算法有效实现了雷达回波的三维重建.     

MC算法与MT算法的比较

三维医学图像表面重建算法是近来的一个研究热点,目前已有多种算法,其中最具代表性的是Marching Cubes(MC)算法和Marching Tetrahedra(MT)算法.本文对这两种算法的实现原理进行了分析比较,给出了实现这两种算法的数据结构,分析了两者的实现过程,并针对具体的实验结果比较了两者的优劣.     

电容层析成像系统三维数据场可视化研究

以油水两相流系统为研究对象，在电容层析成像系统获得的两相流截面相分布数据基础上，对三维数据场可视化最常用的Marching Cubes算法加以改进，将两相流系统的流动、变化过程以可视化形式显示出来，为流动测量、控制提供可视化信息，使工业现场的“黑箱”系统变成透明系统。经仿真实验，可视化效果能形象反映油水两相流系统内部动态变化情况。     

改进的Dividing Cubes算法及其并行实现

体绘制是三维数据场可视化的有力工具，而并行处理则是最有希望使其达到交互式显示速度的途径，本文首先提出了一种ＤｉｖｉｄｉｎｇＣｕｂｅｓ算法的改进方案，以节省该地的执行时间和空间，更为重要的是，改进后的算法在不同视线方向下的绘制时间的差别大为减少，这对于在害时状态下匀速显示一连串视角微不变化的三维数据场非常重要，在此基础上，本文给出该算法的基于分布式内存的ＭＩＭＤ结构的并行实现方案，高效的静态数据分解     

Lasting Impressions: Pop-Up Culture by HWKN

In an age of competing online media, visibility and presence is everything for a brand. Matthias Hollwich , co-founder of the New York-based practice HWKN, describes how pop-ups can provide a vital ‘touch- point’ for companies' brand campaigns. When placed in a prominent urban venue, they create a highly experiential, physical focus. With the right degree of ‘Tweetability’, this is heightened further as they become a potent social media tool for communicating a ‘brand's “cool” factor’.     

一种面向三维点集的快速表面重构算法

在对目前比较流行的空间三角化算法进行对比研究的基础上 ,对 Hugues Hoppe提出的算法进行了改进 ,即借鉴 Marching Cubes算法的基本思想 ,首先通过自动选取适当的参数 ,用包围盒方法将三维散乱点划分为数据区域 ;然后求取点的切平面及法向 ,同时采用广度优先算法遍历数据点来调整法向和快速地求取 Marching Cubes的等势函数 ;最后用基于查表法的 Marching Cubes来输出三角面片 ,即得到表面模型 .实验结果表明 ,改进后的算法效率有较大的提高 .新算法不仅适用于表面三维散乱点数据 ,也可以对体数据进行重构 ,具有一定的通用性 .     

Interactive Neural Network Texture Analysis and Visualization for Surface Reconstruction in Medical Imaging

The following paper describes a new approach for the automatic segmentation and tissue classification of anatomical objects such as brain tumors from magnetic resonance imaging (MRI) data sets using artificial neural networks. These segmentations serve as an input for 3D–reconstruction algorithms. Since MR images require a careful interpretation of the underlying physics and parameters, we first give the reader a tutorial style introduction to the physical basics of MR technology. Secondly, we describe our approach that is based on a two–pass method including non–supervised cluster analysis, dimensionality reduction and visualization of the texture features by means of nonlinear topographic mappings. An additional classification of the MR data set can be obtained using a post–processing technique to approximate the Bayes decision boundaries. Interactions between the user and the network allow an optimization of the results. For fast 3D–reconstructions, we use a modified marching cubes algorithm but our scheme can easily serve as a preprocessor for any kind of volume renderer. The applications we present in our paper aim at the automatic extraction and fast reconstruction of brain tumors for surgery and therapy planning. We use the neural networks on pathological data sets and show how the method generalizes to physically comparable data sets.     

Marching Boxes：一个多精度等值面抽取算法

Ｍａｒｃｈｉｎｇ Ｃｕｂｅｓ算法是生成三维数据场等值面的经典算法，适用于数据密度较高的体数据。结合显示所需精度提出的Ｍａｒｃｈｉｎｇ Ｂｏｘｅｓ算法，对ＭＣ算法作了优化，减少了由ＭＣ算法生成的三角面片数，使实时观察体数据成为可能。