基于决策树分类的体绘制加速技术

为了提高体绘制速度,提出一种新的算法。该算法通过决策树对体素分类,同时采用行程编码辅助模型存储决策树分类结果。在遍历体素模型时,只访问感兴趣的体素分类,而忽略那些空的和不感兴趣的体素分类,减少了体素的计算量。实验结果表明,此算法不仅保持了图像的绘制质量,而且明显提高了体绘制速度。     

分批处理的K-means算法并行实现

为解决K-means 算法计算量大、收敛缓慢、运算耗时长等问题,给出一种新的K-means算法的并行实现方法。在通用计算图形处理器架构上,使用统一计算设备架构(CUDA)加速K-means算法。采用分批原则,更合理地运用CUDA提供的各种存储器,避免访问冲突,同时减少对数据集的访问次数,以提高算法效率。在大规模数据集中的实验结果表明,该算法具有较快的聚类速度。     

基于图形硬件的显式织物模拟

凡是需要真实场景和人物动画的图形应用场合,织物模拟都是必不可少的环节之一,其模拟速度和效果往往决定应用整体的效率和真实感.以实时织物模拟为目标,利用GPU(Graphics Processing Unit)并行编程语言CUDA,设计了一种基于弹簧-质点模型的显式织物模拟并行算法.该算法将模拟过程分为计算阶段和渲染阶段.在计算阶段,通过将质点与CUDA的线程一一对应,并行更新质点的速度和位置.算法利用线性存储器纹理解决了越界问题,并通过使用CUDA的共享内存减少对全局内存的访问.为了使各线程负载均衡地填充共享内存,提出nPass方法.在渲染阶段,算法利用CUDA与OpenGL的交互性,直接在GPU上渲染,避免了将数据回传到主存的额外开销.实验结果表明,与CPU算法和传统的GPU算法相比,该算法的模拟速度分别加快了30倍和5倍.     

基于CUDA的图形处理器加速锥束CT重建算法的研究

锥束CT图像重建数据量巨大、运算复杂度高,重建时间长,难以满足实际应用的需求。研究基于CUDA的图形处理器加速锥束CT重建算法的方案,通过有效的并行策略来提高滤波和反投影过程的时间,并利用常数存储器和纹理存储器来提高数据访存效率。实验证明在保证重建质量的情况下,重建速度可以提高82倍。     

基于CUDA架构的改进Marching Cubes算法

Marching Cubes是医学体数据可视化的经典算法,但生产的网格质量差、算法执行速度慢成为阻碍其用于数值分析的两个主要缺点。文中提出一种基于硬件加速的Marching Cubes改进算法。该算法采用统一设备架构(CUDA)充分发挥Marching Cubes算法分而治之的优点,利用CUDA的可编程性并行分类体数据,加快了活跃体素和活跃边的提取;同时,该改进算法将得到的活跃边按照中点投影方式进行偏移,从而达到了改善网格质量的目的。最后通过实验表明,该算法可以保证在阈值未知的情况下,进行交互式的高质量网格建模。     

基于CUDA的拉普拉斯金字塔的优化

提出了基于CUDA的并行拉普拉斯金字塔算法。算法采用的并行拉普拉斯算法很好地解决了共享存储器的bank冲突和全局存储器的合并访问的问题,为了最大化并行效率,计算了SM占用率,并通过公式进行了论证。在GTX480平台下,基于CUDA的并行拉普拉斯金字塔算法获得了几十倍的加速比。最后,将基于CUDA的并行拉普拉斯金字塔算法成功地应用于图像融合和增强图片的细节处理,充分证明了并行拉普拉斯金字塔算法广泛的有效性和必要性。     

基于相邻层间相似性和空体素跳跃的体绘制加速算法研究

Splatting是经典的基于物序的直接体绘制方法,运算数据量的多少制约着算法绘制图像的速度。为了进一步提升绘制速度,采用基于相邻层间相似性和空体素跳跃相结合的方法进行加速,在读取数据过程中对图片中的三维纹理数据进行筛选,并使用足迹表对筛选后的三维纹理数据进行二维投影,利用相邻层间相似性计算每一个点的灰度值,并根据灰度值将数据分类,算出对成像没有影响的空体素,跳过其绘制过程从而加速算法。实验结果显示,该算法能够在保证绘制图像质量的基础上,在一定程度上解决和改善Splatting算法数据的空间相关性和运算效率的问题。     

一种高效的光线投射体绘制算法

作为体绘制中的一个经典绘制算法,光线投射算法理论简单同时能产生高质量的图像,被广泛应用于医学图像可视化领域。但在绘制过程中有大量的投射光线和体素的重采样,导致绘制速度较为缓慢。为提高绘制的速度,文中提出一种高效的光线投射体绘制算法,通过引入碰撞检测技术减少投射光线的数目,避免冗余光线的采样计算,同时采用光线跳跃方法在碰撞检测包围盒内跳过对空体素的重采样,加快了光线合成的过程。实验结果表明,改进后的算法不仅能保证所需要的图像质量,还能大幅度地减少采样计算的时间,高效地提高绘制速度。     

一种体绘制专用体系结构存储器的设计

提出了一种适合Ray Casting算法的体绘制专用体系结构的存储模型。根据处理器数目的不同，体数据被划分为不同的子体。子体依据其空间坐标位置的不同被分配到不同处理单元，子体内的体素被分配到相应处理单元的存储器的对应位置。说明了子体在处理器间的分配方式以及体素在存储器内的编址和寻址方式。     

一个新的体绘制加速算法

针对目前加速方式与传递函数交互设定需求的矛盾,提出了一个新的基于边缘切除原理的体绘制加速算法。算法针对两个关键难点:如何消除传递函数调整依赖性,如何识别空体素,提出了有效的绝对空体素识别准则,设计了高效的边缘空体素分离机制,构成了不依赖传递函数调整的加速模式。在保持高的图像质量的前提下,边缘切除算法具有显著的绘制速度提升。边缘切除过程在预处理阶段进行,算法参数易于选取和推广,具有广泛的适应性,非常适合需要交互设定传递函数的普及型医学图像分析系统应用。算法采用了规则的边缘切除方式,收缩后的体数据非常方便后续光线投射或溅射算法应用,可以方便地与其他各种加速方式组合使用,使不同角度的加速效果实现叠加,是当前各种主流加速技术的一个很好的互补技术。不同背景的运算实例,测试和验证了算法的有效性。     

Fast ray-tracing of rectilinear volume data using distancetransforms

The paper discusses and experimentally compares distance based acceleration algorithms for ray tracing of volumetric data with an emphasis on the Chessboard Distance (CD) voxel traversal. The acceleration of this class of algorithms is achieved by skipping empty macro regions, which are defined for each background voxel of the volume. Background voxels are labeled in a preprocessing phase by a value, defining the macro region size, which is equal to the voxel distance to the nearest foreground voxel. The CD algorithm exploits the chessboard distance and defines the ray as a nonuniform sequence of samples positioned at voxel faces. This feature assures that no foreground voxels are missed during the scene traversal. Further, due to parallelepipedal shape of the macro region, it supports accelerated visualization of cubic, regular, and rectilinear grids. The CD algorithm is suitable for all modifications of the ray tracing/ray casting techniques being used in volume visualization and volume graphics. However, when used for rendering based on local surface interpolation, it also enables fast search of intersections between rays and the interpolated surface, further improving speed of the process     

基于打包索引纹理的大规模数据体绘制算法

针对大规模数据体绘制效率低下的问题,提出一种算法：对体数据进行纹理分块打包,移除空数据块,并创建数据块的索引数据,绘制时通过索引访问打包后的纹理实现大规模数据完全载入显存,同时在索引中标记空数据及高密度数据块的位置,绘制前生成其有效的立方体数据表达,结合早期光线终止与空域跳过等加速技术,有效地实现了大规模的体数据的实时绘制,同时保证了结果图像的质量。     

基于CUDA海量空间数据实时体绘制研究

针对海量空间科学数据的精细及实时三维绘制需求,提出并实现了一种基于CUDA语言的并行化光线投射体绘制加速算法,利用传统体绘制算法中光线投射法的可并行特点和GPU中高速的纹理查询的优点,通过一个实际坐标到纹理坐标的转换函数实现了对不规则采样数据的准确采样,并完成了绘制算法的CUDA并行化改造,通过CUDA语言利用GPU强大的并行计算能力实现了对海量空间数据的实时三维光线投射绘制.     

一种空间自适应采样和递归线性估计的光线投射算法

光线投射算法因其成像质量高而广泛地用于虚拟内窥镜系统,但成像速度非常缓慢.为此,本文提出了一种自适应采样和递归估计的成像加速算法.首先,根据查找法快速得到的梯度和光线方向信息,自适应地调整采样步长,使得该算法能够以大步长快速跳过体素值变化缓慢的区域,同时在体素值变化剧烈或快接近等值面的区域,能够以小步长进行搜索.其次,以递归线性插值的方法估计投射光线与实际等值面的交点,用于补偿大步长导致交点精度的降低,此举能够显著地提高成像质量.实验结果表明,该算法在保证绘制图像质量的前提下,提高了体绘制速度,取得了比较满意的效果.     

GPU加速的八叉树体绘制算法

提出一种针对物体空间为序体绘制的空域跳过算法：采用双层次空间跳过,先以规则的数据分块作粗略地跳过,再以八叉树获得更高粒度的优化。该方法进一步解决了超过可用纹理内存容量的大规模体数据实时绘制问题,允许实时改变传递函数。针对该算法引入的CPU高负载瓶颈,提出一种新算法,在图形处理器(GPU)内快速计算采样面片,平衡了CPU与GPU间的运算负载。结合上述两种算法,实现高效的大规模体数据绘制并无损图像质量。     

基于GPU的四维医学图像动态快速体绘制

传统的三维医学图像重建技术无法满足四维医学图像动态重建的需求,而四维医学图像庞大的数据量使传统重建技术很难实现高性能实时绘制.基于以上需求,提出了一种四维医学图像动态快速体绘制方法.首先采用GPU强大的并行计算能力,提出一种基于GPU、利用CUDA技术实现的光线投射算法;然后分析了算法框架、体数据及计算结果的存储策略、...     

基于压缩体素模型的鼓形刀空间扫描体构造方法及其应用

首先给出了鼓形刀空间扫描体构造公式并构造出其表面模型,利用Ray Casting方法将该表面模型进行离散,转化为压缩体素模型,该模型采用沿X,Y,Z3个坐标轴方向相互垂直的Dexel模型表示,各个Dexel模型之间按体素模型大小均匀分布．刀具空间扫描体模型和仿真工件模型之间的布尔运算转化为Dexel模型之间的一维布尔运算,简化了布尔操作并提高了操作速度．通过MarchingCubes方法提取数控加工仿真工件表面三角网格模型并进行图形显示,提高了仿真工件显示质量,NC编程人员可实时地从任意方向观察、验证仿真结果．该方法已成功地应用于基于压缩体素模型的五坐标数控加工仿真系统中,克服了现有五坐标数控加工仿真方法和商品化软件系统的不足．     

基于光线投射算法的混合场景可视化

体绘制技术常用于3维体数据场的可视化,其虽然可以生成高质量的投影图像,但通常不能绘制由体数据与点、线、面图形组成的混合场景。在现有的混合场景可视化方法中,有些只能绘制由体数据与面图形组成的复杂混合场景,而不能处理存在点和线的混合场景;有的则成像速度慢、成像质量差。为了能够正确地绘制复杂混合场景,采用SIMD和软件加速等技术,提出了一种速度快、成像质量高的基于光线投射算法的混合场景可视化方法,并分析了该算法所具有的3种绘制次序,以便满足不同应用的要求。该算法既可用于不同场景的绘制,又可用于平行和透视投影中。实验结果表明,该算法能够正确地绘制体数据与点、线、面图形组成的混合场景,且成像速度快,图像质量高。     

基于光线投射的全GPU实现的地形渲染算法

地形渲染算法需要处理大量的地形及纹理数据,影响三维动画显示的流畅性和性能提高。随着GPU绘制能力提高,CPU与GPU的负载失衡逐渐成为制约性能提高的瓶颈。结合现代GPU体系结构,在GPU上实现了基于光线投射（Ray Casting）的地形渲染算法。算法简化了Ray Casting算法,把LOD策略和预裁剪统一到GPU中实现,保证了CPU和GPU之间的负载平衡,同时简化了应用程序的编制。为获得较好效果,还采用查找表（Lookup—Table）的实时纹理合成算法合成纹理,进一步降低了CPU处理纹理数据的开销。实验表明,本文算法不仅充分利用了GPU的处理能力,还降低了CPU负载,提高了动态三维重建的帧刷新率,并获得较逼真的渲染效果。