面向網(wǎng)絡(luò)的體繪制關(guān)鍵技術(shù)研究.pdf

1、三維數(shù)據(jù)可視化是近年來(lái)發(fā)展最迅速的一項(xiàng)技術(shù)，在醫(yī)學(xué)三維重建、計(jì)算流體力學(xué)、有限元后處理、地震地質(zhì)等眾多領(lǐng)域得到了廣泛應(yīng)用。但是在基于網(wǎng)絡(luò)的體繪制研究中還存在很多亟待解決的問(wèn)題。本文主要就面向網(wǎng)絡(luò)的可視化過(guò)程中涉及到的幾個(gè)關(guān)鍵技術(shù)問(wèn)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(jìn)行深入研究。 其中，針對(duì)支持向量機(jī)在體數(shù)據(jù)分類中需要用戶提供訓(xùn)練樣本，無(wú)法根據(jù)數(shù)據(jù)本身特征自動(dòng)選擇訓(xùn)練樣本的問(wèn)題，提出了將支持向量機(jī)與無(wú)監(jiān)督聚類相結(jié)合的體數(shù)

2、據(jù)分類算法。該算法先使用無(wú)監(jiān)督聚類方法對(duì)樣本進(jìn)行初步分類，在經(jīng)用戶有限修正后將分類結(jié)果作為支持向量機(jī)的訓(xùn)練樣本，因此不需要用戶根據(jù)先驗(yàn)知識(shí)指定訓(xùn)練數(shù)據(jù)，實(shí)現(xiàn)了基于支持向量機(jī)的自動(dòng)數(shù)據(jù)分類，并得到較好的分類結(jié)果。 為了滿足大規(guī)模體數(shù)據(jù)的壓縮存儲(chǔ)和基于網(wǎng)絡(luò)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(nèi)的相關(guān)性。通過(guò)對(duì)大規(guī)模體數(shù)據(jù)進(jìn)行基于塊的層次小波分解和構(gòu)造有效的八叉樹(shù)結(jié)構(gòu)來(lái)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(jìn)行基于數(shù)據(jù)塊的隨機(jī)訪問(wèn)。 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(chǔ)上，結(jié)合最新GPU技術(shù)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(gè)子體塊在GPU的兩次頂點(diǎn)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(diǎn)，該算法采用先進(jìn)行小波系數(shù)累加后進(jìn)

4、行小波腳印卷積的方式，在GPU上實(shí)現(xiàn)了小波Splatting的加速繪制。實(shí)驗(yàn)結(jié)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(duì)大規(guī)模數(shù)據(jù)存儲(chǔ)、網(wǎng)絡(luò)傳輸和高質(zhì)量快速繪制等問(wèn)題，給出了一個(gè)面向網(wǎng)絡(luò)傳輸?shù)拇笠?guī)模數(shù)據(jù)體繪制系統(tǒng)框架。它充分結(jié)合兩種小波域體繪制技術(shù)的優(yōu)點(diǎn)，集成了大規(guī)模數(shù)據(jù)的壓縮存儲(chǔ)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(xì)高質(zhì)量繪制等功能，因此它非常適合于大規(guī)模數(shù)據(jù)的遠(yuǎn)程可視化