等值面的高质量显示算法实现三维物体表面的重建

介绍了一个能有效消除等值面显示中易出现的锯齿状走样现 象,可以生成非常细腻的三维物体表面图象的等值面高质量显示算法。论述了采用体素级的 等值面直接显示算法实现三维物体表面重构的基本方法。     

三维人体表面重建

人体的形状比较复杂,存在多个分支,从扫描得到的序列轮廓线重构人体表面会存在空洞。通过定义场函数将一系列平面上的多条轮廓线转换为体数据,并采用Marching Cubes方法抽取等值面,将多轮廓线间的形体重构转化为体数据中的等值面构造。采用该方法重建的人体表面完整,光滑且符合精度要求。     

基于MC的医学三维等值面的平滑与归并

为了提高医学三维图象的重建效果和速度,在对用于构造等值面的MC（Marching Cubes）算法进行分析的基础上,提出了对等值面进行三维空间方向平滑和多边形法形法向归并的方法。等值面方向平滑的方法就是将等值面分解为一个三维坐标场和一个法向矢量场,然后对其法向矢量场作矢量平滑处理;而等值面的多边形法向归并则是根据适当的门限值,将原来由大量小三角面片构成的等值面归并成由较少的多边形面片构成的等值面。实验结果表明,该方法能显著改善三维重建的效果,并能提高三维绘制的速度。     

一种由二维轮廓线重建物体表面的方法

本文提出一种通过体数据转换实现由轮廓线重建物体表面的方法 .该方法根据“表面投影区”比较两相邻切平面上对应像素点的状态函数值 ,以确定影响等值面生成的像素点 ,从而只进行影响等值面生成的像素点的距离函数的计算 ,并可在根据需要对相邻切平面上的对应点进行插值计算后 ,生成分辨率较高的体数据 .本文采用改进的 MT算法生成等值面 ,完成物体的表面重建 .该方法缩短了体数据的构造时间 ,在保证了重建正确性的前提下提高了整个表面的重建速度     

一种医学图像三维表面重建的快速算法

阐述了医学图像三维重建的方法和过程,提出了一种基于跨距空间的快速种子体素搜索算法,利用等值面繁衍算法快速提取三角形等值面,并对由中点近似产生的共面三角形等值面进行合并。实验结果显示,本文提出的算法加快了重建的速度,有利于实现对基于医学图像的大规模数据三维重建的实时绘制和交互。     

基于MITK的医学图像三维表面重建算法

对MITK算法平台进行研究,根据其总体框架、数据模型、算法模型的设计准则,依托该平台对医学图像序列实现基于体积元素的Marching Cubes表面绘制算法,并将绘制后的模型进行三维可视化显示。该方法构造出的等值面虽不能反映整个原始数据场的全貌及细节,但对感兴趣的等值面可以产生清晰的图像,而且可以利用现有的图像硬件实现绘制功能并进行实时交互操作。     

基于多尺度等值面设计传递函数

在体绘制中传递函数将体数据转换成光学参数,因此体绘制的效果直接由传递函数决定.本文提出了基于多尺度等值面设计传递函数的高效方法.该方法通过梯度阈值提取边界体元来简化数据场,然后将提取等值面的目标函数的计算化简为累加的拉普拉斯加权的直方图极值的计算.最后对直方图进行多尺度平滑,利用提取出的多尺度等值面来设计高斯型传递函数,提高了等值面的准确度和传递函数的设计效率.     

基于分割的三维医学图像表面重建算法

提出了一种基于分割的三维医学图像表面重建算法,它将图像分割与MC(marching cubes)算法有机地结合,这样可以根据不同医学图像的特点,采用适合的分割方法,实现对不同组织的准确分割,并利用分割结果精确地提取等值面,避免了MC只适合于阈值分割的局限性.同时采用一种基于区域增长的立方体检测方法,提高了表面跟踪的效率.实验证明,运用本算法,重建速度和显示效果均有提高.     

基于SFS方法的三维表面重建算法研究

SFS(由明暗恢复形状)方法研究是计算机三维视觉研究领域中的一个重要分支.以朗伯体光照漫反射模型为基础,对物体表面图像明暗恢复其表面高度和梯度的抽象模型进行分析,研究基于朗伯体定律求解受光点梯度的算法及SFS方法的实现原理.     

三维医学图像的体绘制技术综述

在分析三维医学图形体绘制技术的基础上,描述了射线投射法、足迹法、剪切-曲变法、基于硬件的3D纹理映射、频域体绘制法和基于小波的体绘制等典型算法,给出了各类算法的性能评价,展望了体绘制技术研究的发展前景。     

基于等值面优化重建医学图像的改进算法

医学图像可视化技术利用二维医学图像序列重建出三维模型,为医生提供了直观、全面、准确的病灶和正常组织信息.传统的方法直接采用由序列轮廓线生成的三角片来拟合曲面,重建的速度与效果均有限.为了提高医学三维图像的重建速度和效果,在对用于构造等值面的MCfMarching cubes)算法进行分析的基础上,提出一种三点线性插值法代替相邻多边形顶点的位置,并对等值面法向矢量场进行平滑,实现了目标图像的三维重建.     

A new mesh-growing algorithm for fast surface reconstruction

This paper presents a new high-performance method for triangular mesh generation based on a mesh-growing approach. Starting from a seed triangle, the algorithm grows the triangular mesh by selecting a new point based on the Gabriel 2—Simplex criterion. This criterion can be considered to be a good approximation of the 2D Delaunay if the point cloud is well-sampled and not too rough. The performance of the proposed method is compared with that of the Cocone family and that of Ball Pivoting as regards the tessellation rate and the quality of the surface being generated from some benchmark point clouds and artificially noised test cases. The results are analysed and critically discussed.     

New neural network algorithm for image reconstruction from fan-beam projections

Neural networks have some applications in computerized tomography, in particular to reconstruct an image from projections. The presented paper describes a new practical approach to the reconstruction problem using a Hopfield-type neural network. The methodology of this reconstruction algorithm resembles a transformation formula—the so-called ρ-filtered layergram method. The method proposed in this work is adapted for discrete fan beam projections, already used in practice. Performed computer simulations show that the neural network reconstruction algorithm designed to work in this way outperforms conventional methods in obtained image quality, and in perspective of hardware implementation in the speed of the reconstruction process.     

基于快速混沌置乱的鲁棒型医学图像加密算法

针对现有基于混沌的医学图像加密算法的鲁棒性和效率不足,提出了一种基于快速混沌置乱的鲁棒型医学图像加密算法RMIEF-CS。算法利用两个低维的混沌系统交替迭代产生混沌序列,较好地解决了由于计算机精度有限而带来的混沌收敛问题;然后利用生成的混沌序列对图像明文数据流进行第一次置乱加密,对得到的密文采用新的混沌序列进行再次置乱得到最终密文。置乱过程中引入双向密文反馈机制增加算法的安全性和鲁棒性;算法利用低维的混沌系统生成密钥,在置乱过程中无需耗时的排序操作,并适合于任何形状的图像,具有较好的时间效率和通用性。通过仿真实验验证了RMIEF-CS具有较好的加密性能,并能在密文受损情况下解密出原始医学图像的近似版本。另外,RMIEF-CS比基于均匀置乱和混沌映射的加密方法在时间效率上提高6倍左右,因而能适用于大数据量的医学图像实时保密传输。     

A new effective and powerful medical image segmentation algorithm based on optimum path snakes

Novel segmentation methods based on models of deformable active contours are constantly proposed and validated in different fields of knowledge, with the aim to make the detection of the regions of interest standard. This paper propose a new method called Optimum Path Snakes (OPS), a new adaptive algorithm and free of parameters to define the total energy of a active contour model with automatic initialization and stop criteria. In the experimental assessment, the OPS is compared against some approaches commonly used in the following fields, such as vector field convolution, gradient vector flow, and other specialists methods for lung segmentation using thorax computed tomography images. The segmentation of regions with stroke was carried out with methods based on region growing, watershed and a specialist level set approach. Statistical validations metrics using Dice coefficient (DC) and Hausdorff distance (HD) were also evaluated, as well as the processing time. The results showed that the OPS is a promising tool for image segmentation, presenting satisfactory results for DC and HD, and, many times, superior to the other algorithms it was compared with, including those generated by specialists. Another advantage of the OPS is that it is not restricted to specific types of images, neither applications.     

一种ECC点乘算法的改进方案

文章针对椭圆曲线上点乘运算的m=2^r进制等方法，利用椭圆曲线上有理点群中点P的逆元计算的特点，提出了一种改进方法。当i≤2^k-1时直接计算iP，当i〉2^k-1时计算iP=2^kP-（2^k-i）P，此方法比原算法中预计算阶段的计算量和存储空间均明显减少。     

一种基于PBIL算法的快速图像匹配方法

为了解决图像匹配过程中计算速度慢和匹配精度不高的缺陷,提出了一种基于群体增量学习算法的匹配方法。PBIL算法是一种基于概率分析的进化算法。它集成了基于函数优化的遗传搜索和竞争学习两种策略,将进化过程视为学习过程,通过竞争学习所获得知识来修正生成概率,进而指导后代的生成。在实验中,将其与传统序贯相似性检测算法(SSDA)和遗传算法进行了比较。结果表明基于该算法的图像匹配具有运算速度快、匹配精确等优点,且收敛过程非常稳定。     

基于改进MC算法的医学图像三维重建研究

MC算法是经典的三维重建方法。但它重建时效率低,产生了大量的三角面片,增加了绘制的时间和空间。而且存在拓扑二义性,会使重建后的图像产生空洞的结构,重建的效果也不是很理想。对此,提出相应的改进策略。介绍了如何提高计算效率、减少三角面片数量、消除二义性和平滑图像等方面。通过实验证明了改进算法的可行性。     

基于轻量密集神经网络的医学图像超分辨率重建算法

医学图像的清晰与否直接影响临床诊断。由于成像设备与环境因素的限制,往往不能直接获得高分辨率的图像,且大多数智能终端的硬件并不适合运行大规模深度神经网络模型,因此提出一种拥有较少的层和参数的轻量密集神经网络模型。首先,网络中使用密集块和跳层结构进行全局和局部图像特征学习,并将更多特征信息传入激活函数,从而使网络中浅层低级的图像特征更容易传播到高层,由此提高医学图像超分辨率重建的质量;然后,采用分阶段方法训练网络,并以双任务损失加强网络学习中的监督指导,从而解决高倍图像超分辨率重建导致的网络训练难度增加的问题。实验结果表明,与最近邻（NN）插值、双线性插值、双立方插值、基于卷积神经网络（CNN）的算法以及基于残差神经网络的算法相比,所提模型能更好地重建出医学图像的纹理细节,获得更高的峰值信噪比（PSNR）和结构相似性（SSIM）,在训练速度和硬件消耗方面均取得了良好的效果,具有较高的实用价值。