【摘要】：腦科學是當今國際科技研究的前沿鄰域,而對高精度腦成像數(shù)據(jù)進行可視化是腦神經(jīng)科學在結(jié)構(gòu)成像方面的基礎(chǔ)性需求。針對高精度腦成像數(shù)據(jù)可視化過程中存在的數(shù)據(jù)量大以及繪制效率低的問題,提出了基于分類分層矢量量化和完美空間哈希相結(jié)合的壓縮域可視化方法。首先對體數(shù)據(jù)進行分塊,記錄每塊的平均值并依據(jù)塊內(nèi)體數(shù)據(jù)的平均梯度值是否為0進行分類;其次運用分層矢量量化對平均梯度值不為0的塊進行壓縮;然后用分塊完美空間哈希技術(shù)存儲壓縮得到兩個索引值;最后對上面的壓縮體數(shù)據(jù)進行解碼得到恢復(fù)體數(shù)據(jù),采用分塊完美空間哈希對原始體數(shù)據(jù)與恢復(fù)體數(shù)據(jù)作差得到的殘差數(shù)據(jù)進行壓縮。繪制時,只需將壓縮得到的數(shù)據(jù)作為紋理加載到GPU內(nèi),即可在GPU內(nèi)完成實時解壓縮繪制。實驗結(jié)果表明,在保證較好圖像重構(gòu)質(zhì)量的前提下,該算法減少了數(shù)據(jù)的存儲空間,提高了體可視化的繪制效率,從而可以在單機上處理較大的數(shù)據(jù)。
[Abstract]:Brain science is the frontier neighborhood of international scientific and technological research, and visualization of high-precision brain imaging data is the basic requirement of brain neuroscience in structural imaging. In order to solve the problems of large amount of data and low rendering efficiency in the visualization of high precision brain imaging data, a compressed domain visualization method based on classification hierarchical vector quantification and perfect space hash is proposed. Firstly, the volume data is divided into blocks, the average value of each block is recorded and classified according to whether the average gradient value of the block inner volume data is 0; secondly, the block whose average gradient value is not 0 is compressed by hierarchical vector quantification, and then the block perfect space hash technique is used to store and compress the two index values. Finally, the above compressed volume data is decoded to get the restorer data, and the residual data obtained by the difference between the original volume data and the restorer data is compressed by using the block perfect space hash. When drawing, the compressed data can only be loaded into GPU as texture, and the real-time decompression rendering can be completed in GPU. The experimental results show that the algorithm reduces the storage space of the data and improves the rendering efficiency of volume visualization on the premise of ensuring the quality of image reconstruction, so that the larger data can be processed on a single computer.
【作者單位】： 國防科學技術(shù)大學計算機學院;國防科學技術(shù)大學海洋科學與工程研究院;
【基金】：國家重點基礎(chǔ)研究計劃(973計劃)項目:靈長類神經(jīng)回路精細結(jié)構(gòu)成像的新方法和新工具(2015CB755604)資助
【分類號】：R338;TP391.41

【相似文獻】

相關(guān)期刊論文 前4條

1 黃若蕓,莫玉龍;用于智能交通"車流量檢測"的壓縮域內(nèi)運動目標檢測[J];上海大學學報(自然科學版);2003年02期

2 張兆中;基于壓縮域的圖像檢索技術(shù)分析[J];中國科技信息;2005年16期

3 趙蔚,郭樹旭;DCT壓縮域圖像數(shù)據(jù)處理[J];吉林大學自然科學學報;2001年04期

4 ;[J];;年期

相關(guān)會議論文 前7條

1 沈蘭蓀;王素玉;;壓縮域互聯(lián)網(wǎng)信息監(jiān)測過濾儀關(guān)鍵技術(shù)研究[A];第三屆科學儀器前沿技術(shù)及應(yīng)用學術(shù)研討會論文集（二）[C];2006年

2 胡伏原;董興發(fā);張艷寧;;一種基于壓縮域的像機穩(wěn)定方法[A];第八屆全國信號與信息處理聯(lián)合學術(shù)會議論文集[C];2009年

3 田婷;郭紅星;孫偉平;周敬利;;壓縮域視頻的文字信息嵌入方法[A];第二屆和諧人機環(huán)境聯(lián)合學術(shù)會議(HHME2006)——第15屆中國多媒體學術(shù)會議(NCMT'06)論文集[C];2006年

4 張旗;梁德群;;基于壓縮域的圖像檢索技術(shù)[A];第六屆全國計算機應(yīng)用聯(lián)合學術(shù)會議論文集[C];2002年

5 劉偉;龔雋鵬;張鵬洲;;基于非壓縮域下視頻的鏡頭切割算法的改進[A];中國新聞技術(shù)工作者聯(lián)合會五屆二次理事會暨學術(shù)年會論文集（上篇）[C];2010年

6 劉龍;劉貴忠;王占輝;;一種MPEG壓縮域運動對象分割算法[A];信號與信息處理技術(shù)第三屆信號與信息處理全國聯(lián)合學術(shù)會議論文集[C];2004年

7 周軒;李廣俠;張寧;肖勇;;一種基于三維空間壓縮域的抗欺騙技術(shù)[A];第五屆中國衛(wèi)星導(dǎo)航學術(shù)年會論文集-S7 北斗/GNSS用戶終端技術(shù)[C];2014年

相關(guān)博士學位論文 前9條

1 朱方;基于MPSoC的移動視頻監(jiān)控關(guān)鍵技術(shù)研究[D];東南大學;2016年

2 歐陽建權(quán);壓縮域體育視頻摘要技術(shù)研究[D];中國科學院研究生院（計算技術(shù)研究所）;2005年

3 蔣軼瑋;視頻/圖像壓縮域編輯技術(shù)的研究[D];北京交通大學;2010年

4 安克彬;壓縮域圖像視頻空間分辨率轉(zhuǎn)換和色彩處理技術(shù)的研究[D];上海交通大學;2007年

5 李向偉;壓縮域視頻檢索與挖掘關(guān)鍵技術(shù)研究[D];蘭州理工大學;2010年

6 王偉強;融合多模式信息壓縮域新聞視頻解析技術(shù)研究[D];中國科學院研究生院（計算技術(shù)研究所）;2001年

7 馮杰;基于H.264壓縮域的視頻分割與特征提取方法研究[D];浙江大學;2009年

8 張萬松;支持壓縮域查詢的XML數(shù)據(jù)壓縮方法研究[D];哈爾濱工程大學;2005年

9 嚴迪群;壓縮域音頻隱寫與隱寫分析中若干問題的研究[D];寧波大學;2012年

相關(guān)碩士學位論文 前10條

1 郭倫昊;基于內(nèi)容的圖像壓縮域檢索方法研究[D];北京理工大學;2015年

2 田由;基于內(nèi)容的視頻拷貝檢測技術(shù)的研究[D];湖南師范大學;2015年

3 黃戩驊;基于HEVC壓縮域信息的視頻運動物體跟蹤系統(tǒng)的設(shè)計與實現(xiàn)[D];中山大學;2015年

4 趙耀;MPEG-4壓縮域下的運動目標檢測技術(shù)研究與實現(xiàn)[D];東南大學;2015年

5 羅雅丹;基于壓縮域的視覺顯著性檢測及其應(yīng)用研究[D];廣西大學;2016年

6 王敬;基于壓縮域的運動目標檢測與跟蹤算法研究[D];上海師范大學;2012年

7 焦德敏;基于壓縮域的人臉檢測方法的研究與實現(xiàn)[D];吉林大學;2010年

8 徐行;壓縮域視頻的運動目標檢測方法[D];華中科技大學;2012年

9 劉亞多;壓縮域魯棒音樂識別算法研究[D];復(fù)旦大學;2010年

10 閆敬敏;基于壓縮域的敏感圖片檢測[D];吉林大學;2009年

，

本文編號：2511561