基于参数化混合元球体表示的高分辨率DTI纤维丛可视化
OPENSEES中纤维模型的研究
OPENSEES中纤维模型的研究一、本文概述随着结构工程领域的快速发展，对于复杂结构行为的精确模拟和分析变得越来越重要。
在此背景下，纤维模型作为一种先进的数值模型，在结构分析中的应用日益广泛。
本文旨在深入研究和探讨OPENSEES（Open System for Earthquake Engineering Simulation）中的纤维模型，包括其理论基础、应用方法以及在实际工程中的应用案例。
本文将对纤维模型的基本理论进行详细介绍，包括其发展历程、基本原理以及在OPENSEES中的实现方式。
通过对纤维模型的深入理解，为后续的应用研究提供坚实的理论基础。
本文将探讨纤维模型在OPENSEES中的应用方法。
这包括如何建立纤维模型、如何进行参数设置、如何进行模型的验证和校准等方面。
通过实例分析和具体操作步骤的讲解，使读者能够更好地掌握纤维模型在OPENSEES中的应用技巧。
本文将通过实际工程案例来展示纤维模型在OPENSEES中的应用效果。
通过对实际工程中的结构进行纤维模型建模和分析，验证纤维模型的有效性和可靠性，并探讨其在实际工程中的应用前景。
本文将对OPENSEES中的纤维模型进行全面的研究和探讨，旨在为结构工程师和研究人员提供一种先进的数值分析工具，帮助他们更好地理解和分析复杂结构的行为，从而推动结构工程领域的发展。
二、纤维模型理论基础纤维模型是一种在结构工程领域广泛应用的数值模型，特别是在OpenSees这样的结构分析软件中，它提供了一种精细化的方式来模拟混凝土、钢材等材料的非线性行为。
纤维模型理论的基础在于，它将结构中的每个单元视为由一系列沿长度方向分布的纤维组成，每根纤维都有其独立的应力-应变关系。
纤维模型的核心思想是，通过考虑材料在不同受力状态下的局部行为，能够更准确地模拟结构的整体响应。
这种模型尤其适用于处理复杂的非线性问题，如混凝土的开裂、钢材的屈服等。
在纤维模型中，每个纤维的应力-应变关系可以通过实验数据或材料本构模型来确定，这使得纤维模型具有很高的灵活性和准确性。
基于机器学习的多源实况分析产品和观测数据融合应用试验
ｉｍｐｒｏｖｅｍｅｎｔｓ ｃｏｍｐａｒｅｄ ｔｏ ＡＲＴ ａｎｄ ＣＡＲ. Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅ ｔｈａｔ ｔｈｅ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ
ｍｅｔｈｏｄ ｃａｎ ｂｅ ａｐｐｌｉｅｄ ｔｏ ｆｕｓｅ ｍｕｌｔｉ￣ｓｏｕｒｃｅ ｒｅａｌ￣ｔｉｍｅ ａｎａｌｙｓｉｓ ｐｒｏｄｕｃｔｓ ａｎｄ ｏｂｓｅｒｖａｔｉｏｎ ｄａｔａꎬ ｐｒｏｖｉｄｉｎｇ
ｒｅａｌ￣ｔｉｍｅ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｉｎｆｏｒｍａｔｉｏｎ ｓｅｒｖｉｃｅ ｏｆ ｔｅｍｐｅｒａｔｕｒｅꎬ ｐｒｅｃｉｐｉｔａｔｉｏｎꎬ ｗｉｎｄ ｄｉｒｅｃｔｉｏｎꎬ ａｎｄ ｗｉｎｄ
降水、风速、风向)模型ꎬ并进行对比检验ꎬ为实况分析
服务提供基础支撑ꎮ
１ 资料与方法
( ｉｎｖｅｒｓｅ ｄｉｓｔａｎｃｅ ｗｅｉｇｈｔｅｄꎬＩＤＷ) 等方法的系统误差
１.１ 资料
合产品ꎮ ２０１４ 年ꎬ中国气象局气象探测中心将“ 概
息中心提供的 ５ 类全国范围逐小时数据:国家气象信
Ｉｎｎｅｒ Ｍｏｎｇｏｌｉａ. Ｔｈｅ ｅｒｒｏｒ ｏｆ ＧＢＤＴ ｐｒｅｃｉｐｉｔａｔｉｏｎ ｆｕｓｉｏｎ ｐｒｏｄｕｃｔ ｈａｓ ａ ｓｌｉｇｈｔ ｉｎｃｒｅａｓｅ ｃｏｍｐａｒｅｄ ｔｏ ＡＲＴ
ａｎｄ ＣＡＲ ｉｎ Ｉｎｎｅｒ Ｍｏｎｇｏｌｉａꎬ ｗｈｅｒｅ ｔｈｅｒｅ ａｒｅ ｆｅｗｅｒ ｓａｍｐｌｅｓꎬ ｗｈｉｌｅ ｉｎ ｏｔｈｅｒ ａｒｅａｓꎬ ｔｈｅｒｅ ａｒｅ ｉｍｐｒｏｖｅｍｅｎｔｓ
高斯混合模型在印花织物疵点检测中的应用
高斯混合模型在印花织物疵点检测中的应用李敏;崔树芹;谢治平【摘要】为实现印花织物疵点的自动检测,提出了一种基于改进的高斯混合模型的疵点检测方法.该方法针对传统高斯混合背景模型应用于疵点检测中所出现的精度不高的问题,充分利用印花织物图像像素间强相关性的特点,引入自适应分块建模的思想来实现印花织物疵点的检测.实验结果表明,使用该方法进行疵点检测,正确率可达到94％.不仅如此,该方法还能有效处理检测过程中出现的光照不均和噪声等问题,是一种非常适合于对印花织物进行疵点检测的方法.【期刊名称】《纺织学报》【年(卷),期】2015(036)008【总页数】5页(P94-98)【关键词】印花织物;疵点;高斯混合模型;分块建模【作者】李敏;崔树芹;谢治平【作者单位】武汉纺织大学数学与计算机学院,湖北武汉430072;武汉纺织大学数学与计算机学院,湖北武汉430072;武汉纺织大学数学与计算机学院,湖北武汉430072【正文语种】中文【中图分类】TP391.41印花织物的表面疵点检测工序目前主要由人工完成，不仅费时、费力，且检测结果受人为主观因素影响较多，准确率不高［1］。
近年来，不少学者提出使用计算机视觉技术和图像处理技术来实现印花织物疵点的自动检测。
潘如如等［2］以互相关理论为基础，提出了一种基于互相关的印花织物疵点检测方法，该方法能够实现花纹偏移、颜色色差等疵点的自动检测;Kuo等［3］提出了一种基于RGB累计均值法的印花织物疵点检测方法，使用该方法，通过对含有断经、断纬等5种瑕疵的25幅印花织物图像进行检测，准确率可达到96.8%;付蹇［4］提出运用Gabor滤波器和规则带来对印花织物进行疵点自动检测。
大量实验结果表明，上述3种方法均存在对噪声敏感的问题。
为解决圆网印花过程中的对花检测问题，景军锋等［5］提出先采用JSEG算法对织物图像进行分割，然后选取各颜色区域的边缘轮廓作为匹配的特征信息，并通过2次基于Fouriermellin变换的曲线匹配，完成对花误差的检测，但是该方法仅仅只能检测对花误差，无法解决诸如烂花、搭色污迹等缺陷。
三维点云数据拾取与可视化技术
第４２卷第７期２０１９年７月测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ.４２ꎬＮｏ.７Ｊｕｌ.ꎬ２０１９收稿日期:２０１９－０４－０９作者简介:叶美芬(１９７０－)ꎬ女ꎬ广东兴宁人ꎬ高级工程师ꎬ学士ꎬ主要从事地理信息系统工程㊁地图制图㊁工程测量㊁土地管理等工作ꎮ通讯作者:郑贵洲(１９６３－)ꎬ男ꎬ福建屏南人ꎬ教授ꎬ博士ꎬ２００５毕业于中国地质大学(武汉)地图制图学与地理信息工程专业ꎬ主要从事三维地理信息系统㊁时空数据挖掘及深度学习㊁资源与环境遥感㊁３Ｓ集成技术等相关工作ꎮ三维点云数据拾取与可视化技术叶美芬１ꎬ郑贵洲２(１.广东省地质测绘院ꎬ广东广州５１０８００ꎻ２.中国地质大学ꎬ湖北武汉４３００７４)摘要:对三维点云数据进行高效的组织与管理是实现对目标对象三维重建和快速可视化的关键ꎮ本文深入研究了在ＯＳＧ环境下基于ＯｐｅｎＧＬ计算着色器的点云拾取算法ꎬ充分利用ＧＰＵ强大的并行计算能力加速点的选取ꎮ提出了一种基于屏幕像素深度值的点云拾取算法ꎬ通过计算像素深度值判断鼠标单击点周围是否存在待拾取点ꎬ以此实现点的拾取ꎮ以ＶＳ２０１０为开发平台ꎬＯＳＧ为三维渲染引擎ꎬ使用Ｃ＋＋编程语言结合Ｑｔ框架设计并实现了三维点云数据交互可视化平台ꎬ可快速渲染海量点云数据ꎬ交互拾取点云数据ꎮ关键词:三维点云ꎻ点云拾取ꎻ可视化中图分类号:Ｐ２３７㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１６７２－５８６７(２０１９)０７－０１３４－０４Ｔｅｃｈｎｏｌｏｇｙｏｆ３ＤＰｏｉｎｔＣｌｏｕｄＤａｔａＰｉｃｋｉｎｇａｎｄＶｉｓｕａｌｉｚａｔｉｏｎＹＥＭｅｉｆｅｎ１ꎬＺＨＥＮＧＧｕｉｚｈｏｕ２(１.ＧｅｏｌｏｇｙＳｕｒｖｅｙｉｎｇａｎｄＭａｐｐｉｎｇＩｎｓｔｉｔｕｔｅｏｆＧｕａｎｇｄｏｎｇꎬＧｕａｎｇｚｈｏｕ５１０８００ꎬＣｈｉｎａꎻ２.ＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＧｅｏｓｃｉｅｎｃｅｓꎬＷｕｈａｎ４３００７４ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｅｆｆｉｃｉｅｎｔｏｒｇａｎｉｚａｔｉｏｎａｎｄｍａｎａｇｅｍｅｎｔｏｆ３Ｄｐｏｉｎｔｃｌｏｕｄｄａｔａｉｓｔｈｅｋｅｙｔｏｒｅａｌｉｚｅ３Ｄｒｅｃｏｎｓｔｒｕｃｔｉｏｎａｎｄｒａｐｉｄｖｉｓｕａｌｉｚａｔｉｏｎｏｆｔａｒｇｅｔｏｂｊｅｃｔｓ.ＴｈｉｓｐａｐｅｒｈａｓｓｔｕｄｉｅｄｉｎｄｅｐｔｈｔｈｅｐｏｉｎｔｃｌｏｕｄｐｉｃｋｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＯｐｅｎＧＬｃｏｍｐｕｔｅｓｈａｄｅｒｕｎｄｅｒＯＳＧｅｎｖｉ￣ｒｏｎｍｅｎｔꎬｗｈｉｃｈａｃｃｅｌｅｒａｔｅｓｐｏｉｎｔｐｉｃｋｉｎｇｂｙｕｓｉｎｇｔｈｅｐｏｗｅｒｆｕｌｐａｒａｌｌｅｌｃｏｍｐｕｔｉｎｇａｂｉｌｉｔｙｏｆＧＰＵꎬａｎｄｐｒｏｐｏｓｅｓａｐｏｉｎｔｃｌｏｕｄｐｉｃｋｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｔｈｅｄｅｐｔｈｖａｌｕｅｏｆｔｈｅｓｃｒｅｅｎｐｉｘｅｌｂｙｃａｌｃｕｌａｔｉｎｇｔｈｅｐｉｘｅｌｄｅｐｔｈｖａｌｕｅｔｏｄｅｔｅｒｍｉｎｅｗｈｅｔｈｅｒｔｈｅｒｅｉｓａｐｏｉｎｔｔｏｂｅｐｉｃｋｅｄｕｐｅｘｉｓｔｓａｒｏｕｎｄｍｏｕｓｅｃｌｉｃｋｐｏｉｎｔｉｎｏｒｄｅｒｔｏａｃｈｉｅｖｅｔｈｅｐｏｉｎｔｐｉｃｋｉｎｇ.ＢａｓｅｄｏｎＣ＋＋ｐｒｏｇｒａｍｍｉｎｇｌａｎｇｕａｇｅａｎｄＱｔｆｒａｍｅ￣ｗｏｒｋꎬａ３ＤｐｏｉｎｔｃｌｏｕｄｄａｔａｉｎｔｅｒａｃｔｉｖｅｖｉｓｕａｌｉｚａｔｉｏｎｐｌａｔｆｏｒｍｉｓｄｅｓｉｇｎｅｄａｎｄｉｍｐｌｅｍｅｎｔｅｄｂｙｕｓｉｎｇＶＳ２０１０ａｓｄｅｖｅｌｏｐｍｅｎｔｐｌａｔｆｏｒｍꎬａｎｄＯＳＧａｓ３Ｄｒｅｎｄｅｒｉｎｇｅｎｇｉｎｅ.Ｔｈｅｐｌａｔｆｏｒｍｃａｎｑｕｉｃｋｌｙｒｅｎｄｅｒａｎｄｉｎｔｅｒａｃｔｉｖｅｌｙｐｉｃｋｍａｓｓｉｖｅｐｏｉｎｔｃｌｏｕｄｄａｔａ.Ｋｅｙｗｏｒｄｓ:３Ｄｐｏｉｎｔｃｌｏｕｄｄａｔａꎻｐｏｉｎｔｃｌｏｕｄｐｉｃｋｉｎｇꎻｖｉｓｕａｌｉｚａｔｉｏｎ０㊀引㊀言激光雷达技术作为一种新型测量技术日益发展成熟ꎬ人们对于空间对象的探索也从二维空间上升到三维空间ꎮ激光雷达由于精度高㊁测量结果直观明了ꎬ已经被广泛应用于测绘㊁交通㊁应急救援㊁文化遗产等多个行业ꎮ相较于传统测量手段ꎬ激光雷达技术可以快速采集大量目标对象表面的三维点云数据ꎬ这些三维点云数据是海量离散点的数据集合ꎮ对三维点云数据进行高效的组织与管理是实现目标对象三维重建和快速可视化的关键ꎬ也是当前的研究热点之一ꎮ构建点云数据可视化系统ꎬ需要对场景中的对象执行空间变换㊁属性查询以及编辑等操作ꎬ这些操作都需要通过点云拾取来完成ꎬ点云数据快速拾取是处理海量点云数据交互操作的重要基础ꎮ目前点云数据拾取方面ꎬ比较常用的是场景几何相关的拾取方法[１－２]ꎻ三维点云数据由一系列的空间离散点组成ꎬ点是没有形状大小的ꎬ由于其特殊性ꎬ直接通过射线求交的拾取方法并不适用于点云数据ꎬ郑德炯等基于八叉树索引结构实现了三维点云的快速拾取[３]ꎻ随着ＧＰＵ技术的不断发展ꎬ基于ＧＰＵ的拾取算法也得以实现ꎬ张嘉华等提出了基于几何着色器的点云拾取算法[４]ꎮ国内外很多学者对点云数据可视化开展了深入的研究ꎬＬｅｖｏｙＭ等提出了一种通过对深度图形进行重采样得到不同层级金字塔的点云数据处理方法ꎬ在一定程度上解决了大数据量点云的渲染问题[５]ꎮＺｗｉｃｋｅｒ等开发了开源的基于点采样的交互式几何处理软件ＰｏｉｎｔＳｈｏｐ３Ｄꎬ但不适用于海量点云数据[６]ꎮＨｏｐｐｅ通过使用ＧＰＵ来实现三维场景的实时性渲染ꎮ徐旭东等采用ＬＯＤ技术实现了点云数据的高效检索和可视化ꎬ但没有进行大数据量的实验[７]ꎮ陈驰等设计了一种利用多线程分时加载的双层四叉树索引算法实现内外存储器中的点云数据管理与快速调度[８]ꎮ本文在前人研究的基础上ꎬ开展了基于ＯｐｅｎＧＬ计算着色器的拾取算法和基于屏幕像素深度值的点云快速拾取算法研究ꎬ以ＯＳＧ作为三维渲染引擎ꎬ结合Ｑｔ框架ꎬ使用Ｃ＋＋编程语言实现了点云数据的三维可视化和快速拾取ꎮ１㊀基于ＯｐｅｎＧＬ计算着色器的拾取算法计算着色器(ＣｏｍｐｕｔｅＳｈａｄｅｒ)是ＯｐｅｎＧＬ从４.３版本开始支持的新特性ꎬ独立于图形渲染管线ꎬ是一个单独的计算模块ꎮＯｐｅｎＧＬ为计算着色器提供了一组内置变量[６]ꎮｇｌ＿ＷｏｒｋＧｒｏｕｐＳｉｚｅ表示本地工作组的大小ꎬ由布局限定符ｌｏｃａｌ＿ｓｉｚｅ＿ｘ㊁ｌｏｃａｌ＿ｓｉｚｅ＿ｙ㊁ｌｏｃａｌ＿ｓｉｚｅ＿ｚ指定ꎻｇｌ＿ＮｕｍＷｏｒｋＧｒｏｕｐｓ是一个向量ꎬ包含了主程序中指定的工作组数目ꎻｇｌ＿ＬｏｃａｌＩｎｖｏｃａｔｉｏｎＩＤ表示当前执行单元在本地工作组中的位置ꎻｇｌ＿ＷｏｒｋＧｒｏｕｐＩＤ表示当前本地工作组在全局工作组中的位置ꎻｇｌ＿ＧｌｏｂａｌＩｎｖｏｃａｔｉｏｎＩＤ表示当前执行单元在全局工作组中的位置ꎻｇｌ＿ＬｏｃａｌＩｎｖｏｃａｔｉｏｎＩｎｄｅｘ则可以用一维的索引表示二维或者三维的数据ꎬ使用这些内置变量可以很方便地在并行计算过程中定位数据并进行操作ꎮ在ＯＳＧ环境下基于ＯｐｅｎＧＬ计算着色器的拾取方法的主要思想是将点云数据进行一系列的空间变换ꎬ得到其投影到屏幕上的坐标ꎬ然后在屏幕坐标系内计算距离鼠标点最近的点ꎬ以该点作为拾取点ꎬ如图１所示ꎬ具体实现步骤是:图１㊀基于计算着色器的拾取算法流程图Ｆｉｇ.１㊀Ｆｌｏｗｃｈａｒｔｏｆｐｉｃｋｕｐａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎ㊀㊀㊀ｃｏｍｐｕｔａｔｉｏｎａｌｓｈａｄｅｒ１)在主程序中将点云点坐标存入顶点数组ｖｅｒｔｅｘＡｒｒ中ꎬ该顶点数组包含４个分量ꎬ前３个表示其空间坐标ꎬ第４个分量初始化为０ꎬ表示是否满足距离判断条件ꎬ若满足ꎬ则为１.０ꎬ反之为０ꎮ申请一个ｏｓｇ::ＶｅｒｔｅｘＢｕｆｆｅｒＯｂｊｅｃｔ类型的对象ｖｂｏꎬ调用函数ｓｅｔＡｒｒａｙ()将ｖｅｒｔｅｘＡｒｒ绑定到ｖｂｏ上ꎬ作为计算着色器的输入数据ꎮ将场景ＭＶＰ矩阵即鼠标屏幕点坐标设为ｕｎｉｆｏｒｍ变量用于传入计算着色器中ꎬ设置场景几何节点的属性ꎬ将其作为叶节点的子节点ꎬ并开启ＶＢＯ模式ꎮ２)在主程序中申请一个ｏｓｇ::Ｐｒｏｇｒａｍ类型的变量ꎬ并绑定计算着色器ꎬ设置工作组大小ꎮ程序指定一个线程组包含２５６个线程ꎬ每个线程用于处理一个数据点ꎬ因此设置的工作组大小为(ｉｎｔ)((ｖｅｒｔｅｘＡｒｒ.ｓｉｚｅ()＋２５６－１)/２５６)ꎮ３)计算着色器中ꎬ首先对传入点云数据点进行空间变换ꎬ即坐标值乘以传入的空间变换矩阵ＶＰＷ计算得到ꎬ将三维空间点映射到二维屏幕上ꎮ然后设定阈值Ｄꎬ分别计算每个点与传入的鼠标屏幕点坐标的距离ꎬ距离平方小于Ｄ的将纹理缓存写为１ꎬ反之则为０ꎮ计算着色器中ꎬ使用ｉｍａｇｅＬｏａｄ()读取点的坐标ꎬ通过ｇｌ＿ＧｌｏｂａｌＩｎ￣ｖｏｃａｔｉｏｎＩＤ.ｘ获取当前的存储位置ꎬ使用ｉｍａｇｅＳｔｏｒｅ()函数更新缓存ꎮ４)在计算着色器中完成计算后ꎬ通过调用ｖｂｏ－>ｇｅｔＡｒｒａｙ(０)得到顶点数组ꎬ取出顶点数组中第４个分量为１.０的点ꎬ在这些点中求出距离鼠标单机屏幕点最近的点ꎬ即为拾取点ꎮ２㊀基于屏幕像素深度值的拾取算法像素深度是指该像素点在３Ｄ世界中距离摄像机的距离ꎬ即Ｚ坐标ꎮＺ坐标和Ｘ㊁Ｙ坐标一样ꎬ在执行变换㊁裁切和透视操作后ꎬＺ的范围为[－１.０ꎬ１.０]ꎮＤｅｐｔｈＲａｎｇｅ映射指定Ｚ坐标的变换ꎬ这与用于将Ｘ和Ｙ映射到窗口坐标的视口变换类似ꎬ但由于深度缓存的硬件方案对应用程序来说是隐藏的ꎬ因此调用ＤｅｐｔｈＲａｎｇｅ的参数是[０.０ꎬ１.０]ꎬ也就是说ꎬ相机的近平面被映射为０.０ꎬ远平面被映射为１.０ꎬ深度值越大ꎬ离相机越远ꎮ深度值存储在深度缓存(ＺＢｕｆｆｅｒ)中ꎬ可以用深度缓存的位数衡量深度缓存的精度ꎬ位数越高ꎬ则精确度越高ꎮ本文提出一种基于屏幕像素深度值的三维点云数据拾取算法ꎬ该算法的主要思想是:如果屏幕内某像素上存在渲染对象ꎬ则其像素深度值位于(０.０ꎬ１.０)之间ꎬ反之ꎬ其深度值为１.０ꎮ对场景主相机设置回调获取以鼠标单击点的屏幕像素为中心的９ˑ９区域范围内的８１个深度值ꎬ按照一定的顺序遍历这些深度值ꎬ取其中第一个值不为１.０的像素作为拾取点的像素ꎬ根据其坐标通过矩阵变换反算真实三维坐标ꎬ并将其标记框渲染出来ꎬ所标记的点即为拾取点ꎮ如图２所示ꎬ具体实现步骤如下:１)首先需要编写相机回调类ꎬ用来计算以鼠标单击点为中心的９ˑ９区域范围内的８１个深度值ꎮ＿ｘ和＿ｙ是鼠标点击屏幕的像素坐标ꎬ＿ｚＶａｌｕｅ是一个ｆｌｏａｔ类型的指针ꎬ指向取出的深度值ꎬ＿ｄｅｐｔｈＩｍａｇｅ是一个ｏｓｇ::Ｉｍａｇｅ类型的对象ꎬ用来存储屏幕像素信息ꎮ需要注意的是ｖｏｉｄｏｐｅｒａｔｏｒ()(ｏｓｇ::ＲｅｎｄｅｒＩｎｆｏ＆ｒｅｎｄｅｒＩｎｆｏ)ｃｏｎｓｔ是一个５３１第７期叶美芬等:三维点云数据拾取与可视化技术ｃｏｎｓｔ函数ꎬ＿ｘ和＿ｙ会随着鼠标单击事件改变ꎬ因此需要将其设为ｍｕｔａｂｌｅ类型ꎮ图２㊀基于屏幕像素深度值的拾取算法流程图Ｆｉｇ.２㊀Ｆｌｏｗｃｈａｒｔｏｆｐｉｃｋ－ｕｐａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎ㊀㊀㊀㊀ｄｅｐｔｈｖａｌｕｅｏｆｓｃｒｅｅｎｐｉｘｅｌ２)设置主相机回调ꎬ并将＿ｄｅｐｔｈＩｍａｇｅ与其关联起来ꎮ//实例化一个ＭａｓｔｅｒＣａｍｅｒａＣａｌｌｂａｃｋ类对象＿ｍａｓｔｅｒＣａｍｅｒａＣｂ＝ｎｅｗＭａｓｔｅｒＣａｍｅｒａＣａｌｌｂａｃｋ(ｍａｉｎ￣Ｃａｍｅｒａ)ꎻ//关联主相机和＿ｄｅｐｔｈＩｍａｇｅｍａｉｎＣａｍｅｒａ－>ａｔｔａｃｈ(ｏｓｇ::Ｃａｍｅｒａ::ＤＥＰＴＨ＿ＢＵＦＦＥＲꎬ㊀＿ｍａｓｔｅｒＣａｍｅｒａＣｂ－>ｇｅｔＤｅｐｔｈＩｍａｇｅ()ꎬ０ꎬ０)ꎻ//设置回调ｍａｉｎＣａｍｅｒａ－>ｓｅｔＰｏｓｔＤｒａｗＣａｌｌｂａｃｋ(＿ｍａｓｔｅｒＣａｍｅｒ￣ａＣｂ)ꎻ３)获取了以鼠标单击点为中心的９ˑ９区域范围内共８１个像素的深度值ꎬ从中心点开始ꎬ其正上方的像素作为第二个遍历对象ꎬ按照顺时针的顺序依次遍历这些深度值ꎬ若所有像素的深度值均为１.０ꎬ则结束此处拾取操作ꎻ反之ꎬ取第一个深度值不为１.０的像素点作为拾取点ꎬ记录其坐标(ｘꎬｙꎬｄｅｐｔｈＶａｌｕｅ)ꎮ４)根据屏幕像素点坐标反算真实三维坐标ꎮ首先计算空间变换矩阵ＶＰＷꎬ用步骤３)得到的屏幕像素点坐标右乘ＶＰＷ矩阵的逆矩阵ｉｎｖｅｒｓｅＶＰＷꎬ即可得到真实的三维坐标ꎮ//计算空间变换矩阵ＶＰＷｏｓｇ::ＭａｔｒｉｘＶＰＷ＝ｃａｍｅｒａ－>ｇｅｔＶｉｅｗＭａｔｒｉｘ()∗ｃａｍｅｒａ－>ｇｅｔＰｒｏｊｅｃｔｉｏｎＭａｔｒｉｘ()∗ｃａｍｅｒａ－>ｇｅｔＶｉｅｗｐｏｒｔ()－>ｃｏｍｐｕｔｅＷｉｎｄｏｗＭａｔｒｉｘ()ꎻ//计算ＶＰＷ矩阵的逆矩阵ｏｓｇ::ＭａｔｒｉｘｉｎｖｅｒｓｅＶＰＷ＝ｏｓｇ::Ｍａｔｒｉｘ::ｉｎｖｅｒｓｅ(ＶＰＷ)ꎻ//计算真实三维坐标＿ｐｏｉｎｔＣｏｏｒｄ＝ｏｓｇ::Ｖｅｃ３ｆ(ｘꎬｙꎬｄｅｐｔｈＶａｌｕｅ)∗ｉｎｖｅ￣ｒｓｅＭＶＰＷꎻ５)根据得到的三维空间坐标ꎬ将其标记框渲染在屏幕上ꎬ所标记的点即为拾取点ꎮ３㊀三维点云数据可视化在点云索引和拾取方法的研究基础上ꎬ设计并实现了三维点云数据的交互可视化平台ꎮ交互可视化平台整体架构可以划分为工程管理模块㊁三维可视化模块㊁业务功能模块以及信息显示模块ꎬ工程管理模块主要负责管理用户所创建的工程ꎬ包括新建工程㊁打开工程㊁保存工程㊁关闭工程㊁工程信息设置等功能ꎮ工程配置信息以ＸＭＬ文件方式存储ꎮ三维可视化模块主要负责显示三维点云数据ꎬ并实现可交互式操作ꎮ业务功能模块根据具体的业务需求进行相关的功能开发ꎬ并将其展示在三维显示窗口ꎮ信息显示模块主要负责平台信息的显示工作ꎬ主要包括数据信息㊁程序运行信息以及平台状态信息ꎬ分别对应于程序运行界面中的面板窗口㊁控制台窗口以及状态栏ꎮ三维可视化模块是主要模块之一ꎬ主要包括多线程数据调度㊁数据可视化以及用户交互三个方面ꎮ多线程数据调度通过不同的线程完成数据的读入㊁处理和渲染工作ꎮＱＴｈｒｅａｄ是Ｑｔ的线程管理类ꎬ使用ＱＴｈｒｅａｄ将设备端数据读入过程置于一个线程中ꎬ提高读取效率ꎻ点云索引构建的线程类基于线程库ｐｔｈｒｅａｄ进行编写ꎬ应用ＳＴＬ模板实现ꎻ点云渲染工作则交由ＯＳＧ内部的渲染线程完成ꎮ数据可视化主要是点云数据的渲染工作ꎬ以及三维窗口中相关数据的折线图更新显示ꎬ前者在索引构建的基础上通过ＯＳＧ进行渲染ꎬ后者则通过构造ＨＵＤ相机实现ꎮＨＵＤ节点可以在屏幕上固定位置显示ꎬ不随场景变换而变换ꎬ设备数据折线如图３所示ꎮ用户交互主要包括鼠标事件和键盘事件ꎬ具体包括场景漫游㊁六视图观察㊁点云和航迹线显隐操作及单点拾取等操作ꎮ场景漫游的实现需要编写继承自ｏｓｇＧＡ::ＴｅｒｒａｉｎＭａｎｉｐｕｌａｔｏｒ的Ｓｃｅｎｅ￣Ｍａｎｉｐｕｌａｔｏｒ类ꎬ并通过设置场景中心和观察方向ꎬ实现视点跟随功能和六视图观察功能ꎬ如图４所示ꎮ点云和航迹线的显示和隐藏操作主要通过ｏｓｇ::Ｓｗｉｔｃｈ节点实现ꎬ该节点类似于开关ꎬ通过ｓｅｔＣｈｉｌｄＶａｌｕｅ(ｃｏｎｓｔＮｏｄｅ∗ｃｈｉｌｄꎬｂｏｏｌｖａｌｕｅ)函数设置其子节点的显示或隐藏属性ꎻ单点拾取功能则在基于屏幕像素深度值的拾取算法基础上进行实现ꎬ如图５所示ꎮ图３㊀设备数据折线图Ｆｉｇ.３㊀Ｅｑｕｉｐｍｅｎｔｄａｔａｌｉｎｅｃｈａｒｔ６３１㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０１９年图４㊀三维场景效果图Ｆｉｇ.４㊀３Ｄｓｃｅｎｅｒｅｎｄｅｒｉｎｇｓ图５㊀点云拾取效果图Ｆｉｇ.５㊀Ｐｉｃｋｕｐｐｏｉｎｔｃｌｏｕｄｒｅｎｄｅｒｉｎｇｓ４㊀结束语本文以ＯＳＧ作为三维渲染引擎ꎬ结合Ｑｔ框架ꎬ使用Ｃ＋＋编程语言实现了点云数据的三维可视化和可交互拾取功能ꎮ提出了一种基于屏幕像素深度值的点云拾取算法并加以实现ꎬ最后对算法进行了平台集成ꎬ平台展示效果良好ꎬ实现了点云的快速拾取ꎮ本文虽然实现了三维点云数据的可视化与交互拾取操作ꎬ但仍存在很多不足:如点云渲染缺乏ＬＯＤ机制ꎬ所有数据点以同一分辨率显示ꎬ㊀㊀影响运行效率ꎻ场景对象和渲染效果过于单一ꎬ有必要将点云组织成以线㊁面㊁体以及三角网等方式显示的场景对象ꎬ增强平台的可操作性ꎻ交互拾取有待完善ꎬ实现多点拾取㊁框选以及套索拾取等方法是下一步的研究重点ꎮ参考文献:[１]㊀王剑ꎬ陆国栋ꎬ谭建荣.三维场景中图形对象的拾取方法[Ｊ].机械ꎬ２００４ꎬ３１(７):２９－３２.[２]㊀朱明亮ꎬ董冰ꎬ王祎ꎬ等.三维场景中基于视口空间的拾取算法[Ｊ].工程图学学报ꎬ２００８ꎬ２９(２):９４－９７.[３]㊀郑德炯ꎬ卢科青.基于自适应八叉树的三维点云快速拾取方法研究[Ｊ].ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌ＆ＥｌｅｃｔｒｉｃａｌＥｎｇｉ￣ｎｅｅｒｉｎｇꎬ２０１６ꎬ３３(４):４１７－４２０.[４]㊀张嘉华ꎬ梁成ꎬ李桂清.ＧＰＵ三维图元拾取[Ｊ].工程图学学报ꎬ２００９ꎬ３０(１):４６－５２.[５]㊀ＬｅｖｏｙＭꎬＰｕｌｌｉＫꎬＣｕｒｌｅｓｓＢꎬｅｔａｌ.ＴｈｅｄｉｇｉｔａｌＭｉｃｈｅｌａｎｇｅｌｏｐｒｏｊｅｃｔ:３Ｄｓｃａｎｎｉｎｇｏｆｌａｒｇｅｓｔａｔｕｅｓ[Ｃ]//Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２７ｔｈａｎｎｕａｌｃｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒｇｒａｐｈｉｃｓａｎｄｉｎｔｅｒ￣ａｃｔｉｖｅｔｅｃｈｎｉｑｕｅｓ.ＡＣＭＰｒｅｓｓ/Ａｄｄｉｓｏｎ－ＷｅｓｌｅｙＰｕｂｌｉｓｈｉｎｇＣｏ.ꎬ２０００.[６]㊀ＺｗｉｃｋｅｒＭꎬＰａｕｌｙＭꎬＫｎｏｌｌＯꎬｅｔａｌ.Ｐｏｉｎｔｓｈｏｐ３Ｄ:Ａｎｉｎｔｅｒａｃｔｉｖｅｓｙｓｔｅｍｆｏｒｐｏｉｎｔ－ｂａｓｅｄｓｕｒｆａｃｅｅｄｉｔｉｎｇ[Ｃ]//ＡＣＭＴｒａｎｓａｃｔｉｏｎｓｏｎＧｒａｐｈｉｃｓ(ＴＯＧ).ＡＣＭꎬ２００２.[７]㊀徐旭东ꎬ李泽.三维激光点云数据的可视化研究[Ｊ].计算机科学ꎬ２０１６ꎬ４３(ｚ１):１７５－１７８.[８]㊀陈驰ꎬ王珂ꎬ徐文学ꎬ等.海量车载激光扫描点云数据的快速可视化方法[Ｊ].武汉大学学报:信息科学版ꎬ２０１５ꎬ４０(９):１１６３－１１６８.[编辑:任亚茹](上接第１３３页)㊀㊀接下来为了解释时间序列的学习内容ꎬ将ＬＳＴＭ这一网络层进行了相应的学习可视化ꎮ以一个格网为例ꎬ同样也是８个神经元ꎬ对应了８条线ꎬ每条曲线就代表了这个神经元的学习变化ꎬ首先是输入ＬＳＴＭ时刻的变化曲线ꎬ隐藏单元的可视化ꎬ可以看到输入ＬＳＴＭ的时间还没有太明显的特征ꎬ从隐藏单元的可视化结果来看ꎬ很容易发现隐藏单元学习到了数据中的一些特征ꎬ时间周期性效果明显ꎬ也可以进一步说明模型的有效性ꎮ４㊀结束语文章用一个长时卷积深度模型来进行交通流的预测ꎬ从交通流数据本身的特征出发ꎬ从时间和空间两个角度来进行考量ꎬ并通过实验对模型的效果进行了验证ꎬ可以看出来模型在预测精度方面有较好的表现力ꎬ而且通过对模型的可视化分析ꎬ进一步解释了模型的学习能力ꎮ在未来的工作中ꎬ会细化时间的属性信息ꎬ对模型进行进一步的优化ꎬ争取在更短的时间内得到更好的效果ꎮ参考文献:[１]㊀ＢｅｎｇｉｏꎬＹ.ꎬＰ.ＳｉｍａｒｄꎬＰ.Ｆｒａｓｃｏｎｉ.Ｌｅａｒｎｉｎｇｌｏｎｇ－ｔｅｒｍｄｅｐｅｎｄｅｎｃｉｅｓｗｉｔｈｇｒａｄｉｅｎｔｄｅｓｃｅｎｔｉｓｄｉｆｆｉｃｕｌｔ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓꎬ２００２ꎬ５(２):１５７－１６６.[２]㊀ＣｈｅｎꎬＨ.ꎬＳ.Ｇｒａｎｔ－Ｍｕｌｌｅｒ.Ｕｓｅｏｆｓｅｑｕｅｎｔｉａｌｌｅａｒｎｉｎｇｆｏｒｓｈｏｒｔ－ｔｅｒｍｔｒａｆｆｉｃｆｌｏｗｆｏｒｅｃａｓｔｉｎｇ[Ｊ].ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅ￣ｓｅａｒｃｈＰａｒｔＣＥｍｅｒｇｉｎｇＴｅｃｈｎｏｌｏｇｉｅｓꎬ２００１ꎬ９(５):３１９－３３６.[３]㊀ＤｉｎｇꎬＱ.Ｙ.ꎬＸ.Ｆ.ＷａｎｇꎬＸ.Ｙ.Ｚｈａｎｇꎬｅｔａｌ.ＦｏｒｅｃａｓｔｉｎｇＴｒａｆｆｉｃＶｏｌｕｍｅｗｉｔｈＳｐａｃｅ－ＴｉｍｅＡＲＩＭＡＭｏｄｅｌ[Ｊ].Ａｄ￣ｖａｎｃｅｄＭａｔｅｒｉａｌｓＲｅｓｅａｒｃｈꎬ２０１０(１５６－１５７):９７９－９８３.[４]㊀王晓原ꎬ刘海红ꎬ王凤群ꎬ等.交通流短时预测理论研究进展[Ｊ].交通运输研究ꎬ２００６(１２):１５６－１６２.[５]㊀夏劲ꎬ郭红卫.国内外城市智能交通系统的发展概况与趋势及其启示[Ｊ].科技进步与对策ꎬ２００３ꎬ２０(１):１７６－１７９.[６]㊀郑宇.城市计算 大数据解决城市问题[Ｊ].中国孵化器ꎬ２０１４(６):３０－３５.[７]㊀朱中ꎬ杨兆升.实时交通流量人工神经网络预测模型[Ｊ].中国公路学报ꎬ１９９８(４):８９－９２.[编辑:刘莉鑫]７３１第７期叶美芬等:三维点云数据拾取与可视化技术。
ArcGIS模型构建器在第三次国土调查数据质检中的应用
由于前期国土数据库建立过程中数据质量检查多 由人工检查实现，本文借助 ArcGIS Model Builder 简 单、高效的优势，旨在建立一套简单、实用高效且精 度较高的国土数据库数据检验模型，力求满足国土数 据库数据检查工作程序简化、数据精度高的要求。
1 数据来源与技术分析
本文以山东省西南某县三调数据为例，研究了 ArcGIS Model Builder 在三调数据质检过程中的作用。 该县地势东北高、西南低，县境内拥有山地、丘陵、 平原、洼地、湖泊、河流等多种地貌类型，地类分布 交叉复杂，地类之间变化较大，增加了后期数据质检 的难度。以该县 2017 年度土地变更调查成果为工作底 图，基于高分辨率的航天航空遥感影像，充分利用现 有土地调查、地籍调查、农村集体土地确权登记发证、 地理省情监测、农村土地承包经营权确权登记颁证等 工作的基础资料和调查成果，统一确定各级调查控制 界线和控制面积；利用影像内业比对提取和 3S 一体化 外业调查等技术，准确查清城乡每一块土地的利用类 型、面积、权属和分布情况；利用“互联网 + ”技术核 实调查数据真实性，充分运用大数据、云计算和互联 网等新技术建立土地调查数据库。经县、市、省、国 家逐级质量检查合格后，统一建立全省土地调查数据 库和各类专项调查数据库。
立自动的地理处理模型，实现对数据处理流程的一次 建模、多次使用，切实提高数据处理的工作效率。在 建模过程中，对一些复杂工具和处理流程进行组合封 装，可大大降低数据处理的技术门槛，处理人员只需 进行一些简单的操作，即可实现复杂的功能。此外， 模型还可以嵌套使用，将模型的建立模块化，再将 多个模型灵活组合，能实现更加复杂的数据处理过程。
工具，将原先复杂的工作简单化，避免了单独操作产
生的各种冗余数据；还可按照质检规则对模型进行简
数值仿真工具在“机械振动学”课程教学中的应用
数值仿真工具在“机械振动学”课程教学中的应用作者：俎群马驰骋李欣业刘硕来源：《科技风》2024年第16期摘要：随着科学技术发展，数值仿真模拟为抽象理论知识的学习及应用提供了可视化、低成本、高效率之新途径。
基于ABAQUS有限元软件，以复杂服役环境下DF17导弹振动抑制为工程背景，以梁的横向振动模态为研究对象，分别模拟计算五种常见梁的前三阶横向振动固有频率及振型。
与理论推导结果对比，进行误差分析，验证梁模型的适用条件。
数值仿真模拟与理论学习的有机结合将有效强化学生对振动基本理论的理解，提高先进工具应用能力和问题分析能力。
关键词：数值仿真；机械振动；课程教学；模态分析中图分类号：G642文獻标识码：A一、概述从中国制造世界最大推力70吨级振动台，到实现世界最大单体隔震建筑——北京大兴国际机场的运营，可以知道，振动是影响高端装备、土木建筑等安全性与可靠性的关键因素，也是工程设计及应用中最具挑战性的核心对象。
“机械振动学”理论学习及运用对航空航天、机械工程、土木工程等领域发展举足轻重［1］。
“机械振动学”作为部分工程类专业基础课程，系统地阐述了振动的基本理论与分析方法［23］。
由于该课程具有内容广泛、理论抽象、公式繁多等特点，且学生已习惯在静力学框架下分析问题，在动力学理论学习过程中普遍反映知识抽象、理解困难。
振动实验是辅助学生理解知识和实践应用最行之有效的方法，但通常学时有限且成本较高。
随着科学技术发展，数值仿真模拟为抽象理论知识的学习及应用提供了可视化、低成本、高效率之新途径［45］。
本文以弹性体梁的横向振动为例，应用数值仿真工具辅助理论教学。
DF17导弹作为高超声速、极高精度制导武器，复杂服役环境下振动抑制尤为重要。
在实际飞行过程中，其振动形式是非常复杂的，涉及横向、轴向、扭转等多种振动耦合。
在本科阶段振动基本理论教学中，可将该研究对象简化成欧拉伯努利梁模型进行解耦分析。
下面基于梁横向固有振动模态开展理论分析与数值模拟。
基于代表性视图的三维模型检索
基于代表性视图的三维模型检索作者：丁博汤磊何勇军于军来源：《哈尔滨理工大学学报》2021年第06期摘要：提出了一种基于代表性视图的三维模型检索方法。
在三维模型的视图表示方面，为了充分表示模型，并减少冗余信息，首先采用光场描述符（light field descriptor， LFD）将三维模型投影成二维视图，再将二维视图采用k均值聚类算法（K-means clustering algorithm，K-MEANS）进行聚类，生成代表性视图。
然后采用卷积神经网络（convolutional neural network， CNN）提取视图特征并进行分类。
同时提出了一种支持多种查询方式的相似度评价方法，以实现草图、图片或三维模型为输入条件的模型检索。
本文在ModelNet40模型库上的实验结果表明，部分特征突出的三维模型检索的准确率可以达到100%。
關键词：三维模型检索;代表性视图;卷积神经网络;k均值聚类算法DOI：10.15938/j.jhust.2021.06.003中图分类号： TP315.69文献标志码： A文章编号： 1007-2683（2021）06-0018-063D Model Retrieval Based on Representative ViewsDING Bo1， TANG Lei1， HE Yong-jun1， YU Jun2（1.School of Computer Science and Technology， Harbin University of Science and Technology， Harbin 150080， China;2.School of Automation， Harbin University of Science and Technology， Harbin 150080，China）Abstract：3D model retrieval based on representative views was proposed. On the view representation of the 3D model， in order to fully represent the model and reduce redundant information， we firstly adopt Light Field Descriptor （LFD） to generate 2D views， and then use K-MEANS to get representative views from the 2D views. Next， a Convolution Neural Network （CNN） is adopted to extract the view feature and classify. At the same time， a similarity metrics supporting multiple query method is proposed to realize model retrieval with sketches， pictures or 3D models as input. Results on ModelNet40 showed that the proposed method could achieve an accuracy of 100% for part of models with distinct features.Keywords：3D model retrieval; representative views; convolutional neural network; K-MEANS0 引言近年来，三维模型被广泛用于计算机辅助设计（computer aided design， CAD）、虚拟现实、3D动画和影视、医学诊断、3D网络游戏、机械制造等领域。
基于参数化L系统的植物结构模型可视化模拟
Ａｂ ｔａ ｔ ｓｒ ｃ ：Ｂｏ ａ ｉｔ ａ ｅｐ ｅ ｅ ｔｄ ｔ ｎ ｙ ｔ ｒ ｅｐ ａ ｔ ｒ ｈｔ ｃｕ ａ ｏ ｅｓ ｔ ｎｓｓｈ ｖ ｒ ｓｎ ｅ ｗｅ ｔ—ｈ ｅ ｌｎ ｓａ ｃ ｉｅ ｔ ｒｌｍ ｄ ｌ ，ｗｈｃ ｒ ｅ ｙ ｉ — ｉｈ ａ ｅ ｖ ｒ ｍ
Ｋｅ ｒ ｓ ｌ ｎ ｓ ａ ｃ ｉｅ ｔ ｒ ｌ ｏ ｅ ｓ ａ ａ ｔ ｉ — ｙ ｔ ｍ ；ｖ ｒ ｕ ｌ ｌ ｎ ；ｓｍｕ ａ ｉ ｎ ｙ ｗｏ ｄ ：ｐ ａ ｔ ｒ ｈ ｔ ｃ ｕ ａ ｄ ｌ ；ｐ ｒ ｍｅ ｒｃ Ｌ ｓ ｓ ｅ ｍ ｉｔ ａ ａ ｔ ｉ ｌ ｔ ｐ ｏ
Ａｕ ． ２ ０ ｇ ０７
基 于参 数 化 Ｌ系 统 的植 物 结 构模 型 可 视化 模 拟
陈敏 智 。 丁维 龙 。 张维统
（ 浙江工业 大学 信息工程学院 ， 浙江 杭州 ３ ０ ３ ） １ ０ ２
摘要： 植物 学 家归纳 出的植 物 结构模 型 ， 定 了植 物形． 规 态发 生的 方 式 以及 植 物 生 长 的最 终 结构 ． 根
据 结 构模型进 行植 物 建模 可 以精 确描 述植 物 的结构 特 点 ， 可视 化模 拟 其 生长过程 ． 讨 了利 用参数 探
化 Ｌ 系 统 生 成 这 些 结 构 模 型 的 方 法 以及 基 于 这 些 模 型 的 植 物 形 态 可 视 化 模 拟 ， 出 了 模 拟 这 些 结 给
统［ 、Ｆ （ 】 Ｉ Ｓ 函数 迭代 系统 ） 分 枝矩 阵 、 ］ 、 双尺度 自动机 ０
引 口
以植 物 为对象 的计算 机 模拟 和可 视化 （ 简称 “ 虚
模 型［ 等． 众多 学者 的共 同努 力下 ， ２ 在 ３ 目前 以植 物 为
立项理工理工
企事业单位委托项目 企事业单位委托项目 企事业单位委托项目 企事业单位委托项目
横向 横向 横向 横向
10 2.56 3.84 5
所在单位 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 行知学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院 数理与信息工程学院
25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44
11671309 Y201738640 Y201738645 KJH2017002 KJH2017006 KJH2017021 KJH2017027 KJH2017038 KJH2017039 KJH2017040 KJH2017042 KJH2017055 KJH2017057 KJH2017058 KJH2017068 KJH2017069 KJH2017111 KJH2017114 KJH2017127 KJH2017128
项目级别 国家级 国家级 国家级 国家级 国家级 国家级 国家级 国家级 国家级 国家级 国家级 国家级 国家级 省级 省级 省级 省级 省级 省级 省级 省级 省级
负责人 汝少雷 陈华 黄长明 张昭 陈泳 王维凡 卜月华 寇建龙 翟峰 王沛 高先龙 蔡秀珊 邵杰 沈卫平 钱义先 寇建龙 王淑云 蔡秀珊 黄仕华 马利红 沈建国 陈希 刘华文 鲁剑锋
基于单像素成像的遥感图像分辨率增强模型
航天返回与遥感第44卷第6期130 SPACECRAFT RECOVERY & REMOTE SENSING2023年12月基于单像素成像的遥感图像分辨率增强模型陈瑞林章博段熙锴孙鸣捷*（北京航空航天大学仪器科学与光电工程学院，北京100191）摘要目前对地遥感的最主要途径之一便是通过遥感相机获得目标物信息，然而遥感相机的分辨率直接影响成像质量。
结合遥感相机的推扫式成像技术，文章提出了一种基于单像素成像的超分辨增强技术模型，该模型能够简化重建过程，其设计目标是基于单像素超分辨的技术手段将航天遥感相机的图像分辨率增强4倍。
为了验证该设计思想及其重建效果，文章设置了超分辨增强仿真试验，最终仿真试验结果表明，基于单像素的超分辨模型可以将图像的信噪比提高1.1倍，且重建的图像具有明显的抑制噪声的效果，起到了良好的降噪功能，相较于其他传统图像分辨率增强方法（如双三次内插、超深超分辨神经网络）具有更高的优越性。
该方法可为地理遥感探测、土地资源探查与管理、气象观测与预测、目标毁伤情况实时评估等诸多领域的图像处理和应用提供有力支持。
关键词单像素超分辨分辨率增强推扫式成像降噪效果遥感应用中图分类号: TP751.2文献标志码: A 文章编号: 1009-8518(2023)06-0130-10 DOI: 10.3969/j.issn.1009-8518.2023.06.012Remote Sensing Image Resolution Enhancement Technology Based onSingle-Pixel ImagingCHEN Ruilin ZHANG Bo DUAN Xikai SUN Mingjie*（School of Instrument Science and Optoelectronics Engineering, Beijing University of Aeronautics and Astronautics,Beijing 100191, China）Abstract At present, one of the most important ways of earth remote sensing is to obtain target information through remote sensing cameras, but the resolution of remote sensing cameras directly affects the imaging quality. Combined with the pushbroom imaging technology of remote sensing camera, this paper proposes a super-resolution enhancement technology model based on single-pixel imaging, which can simplify the reconstruction process, and its design goal is to enhance the image resolution of aerospace remote sensing camera by 4 times based on single-pixel super-resolution technology. In order to verify the design idea and its reconstruction effect, the super-resolution enhancement simulation experiment is set up, and the final simulation results show that the single-pixel super-resolution model can improve the signal-to-noise ratio of the image by 1.1 times, and the reconstructed image has the obvious effect of suppressing noise, which plays a good noise reduction function, and has higher superiority than other收稿日期：2023-06-30基金项目：国家自然科学基金委项目（U21B2034）引用格式：陈瑞林, 章博, 段熙锴, 等. 基于单像素成像的遥感图像分辨率增强模型[J]. 航天返回与遥感, 2023, 44(6): 130-139.CHEN Ruilin, ZHANG Bo, DUAN Xikai, et al. Remote Sensing Image Resolution Enhancement Technology Based on Single-Pixel Imaging[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(6): 130-139. (in Chinese)第6期陈瑞林等: 基于单像素成像的遥感图像分辨率增强模型 131traditional image resolution enhancement methods (such as bicubic interpolation and ultra-deep super-resolution neural network). This method can provide strong support for image processing and application in many fields, such as geographic remote sensing detection, land resources exploration and management, meteorological observation and prediction, and real-time assessment of target damage.Keywords single-pixel super-resolution; resolution enhancement; push-broom imaging; noise reduction effect; remote sensing application0 引言对地遥感成像的主要途径之一就是航天遥感相机，由于其具有覆盖范围广、成像速度快、风险低等优势，在国土资源管理、气象预报、地理测绘等领域发挥着举足轻重的作用。
基于改进空间模糊聚类的DTI图像分割算法
Ｌｉｕ Ｘｕｙｕ Ｚｈａｎｇ Ｘｉａｎｇ￣ｎ Ｍａ Ｙａｎ Ｌｉ Ｃｈｕａｎｊｉａｎｇ Ｙａｎｇ Ｙａｎｑｉｎ
（Ｃｏｌｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ，Ｍｅｃｈａｎｉｃａｌ ａｎｄ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｈａｎｇｈａｉ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２００２３４，Ｃｈｉｎａ）
Ａ ｂｓｔｒａｃｔ：Ａｉｍｉｎｇ ｔｏ ｒｅｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍｓ ｏｆ ｉｎｉｔｉａｌ ｃｌｕｓｔｅｒｉｎｇ ｓｅｌｅｃｔｉｏｎ ｒａｎｄｏｍｎｅｓｓ ａｎｄ ｎｏｉｓｅ ｓｅｎｓｉｔｉｖｉｔｙ ｏｆ ｆｕｚｚｙ Ｃ ｍｅａｎｓ ａｌｇｏｒｉｔｈｍ ，ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ａｎ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｔｈｅ ｉｍｐｒｏｖｅｄ ｓｐａｔｉａｌ ｆｕｚｚｙ ｃｌｕｓｔｅｒｉｎｇ ｔｏ ｓｅｇｍｅｎｔ ｔｈｅ ＤＴＩ ｉｍａｇｅ ｏｆ ｈｕｍａｎ ｂｒａｉｎ． Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｗｅ ｕｓｅｄ ｔｈｅ ｌｏｃａｌ ｄｅｎｓｉｔｙ ｋｅｒｎｅｌ ｆｕｎｃｔｉｏｎ ａｎｄ ｔｈｅ ｃｅｎｔｅｒ ｄｉｓｔａｎｃｅ ｆｕｎｃｔｉｏｎ ｔｏ ｓｅｌｅｃｔ ｔｈｅ ｉｎｉｔｉａｌ ｃｌｕｓｔｅｒｉｎｇ ｃｅｎｔｅｒ ａｃｃｕｒａｔｅｌｙ， ｗｈｉｃｈ ｎｏｔ ｏｎｌｙ ｓｏｌｖｅｄ ｔｈｅ
ｐｒｏｂｌｅｍ ｏｆ ｃｌｕｓｔｅｒｉｎｇ ｅｆｅｃｔ ｉｎｓｔａｂｉｌｉｔｙ ｃａｕｓｅｄ ｂｙ ｒａｎｄｏｍ ｓｅｌｅｃｔｉｏｎ ｏｆ ｃｌｕｓｔｅｒ ｃｅｎｔｅｒ，ｂｕｔ ａｌｓｏ ｍａｄｅ ｔｈｅ ｏｂｊｅｃｔｉｖｅ
基于多分辨率混合特征的色纺织物组织识别
基于多分辨率混合特征的色纺织物组织识别作者：王丹书杨亚莉袁理来源：《丝绸》2021年第11期摘要：針对色纺织物组织识别过程中参数特征提取困难的问题，文章提出了一种基于多分辨率混合特征的织物组织结构自动识别算法。
该算法利用小波函数对色纺织物图像进行多分辨率分解，并提取2DLBP纹理和全局颜色特构建混合特征向量;同时，采用BP网络和朴素贝叶斯理论构建层次化分类器，从而实现组织特征参数的分类与识别。
实验结果表明，提取的织物组织特征不仅具备颜色与多层纹理表征能力，而且所构建的混合分类器也兼具强化特性。
对180份具有不同染色纤维混配系数及捻系数的色纺织物组织图像进行识别，平均识别率约为97%，验证了方法的有效性与鲁棒性。
关键词：色纺织物;组织识别;小波分解;2DLBP;混合特征中图分类号： TS101.9文献标志码： A文章编号： 10017003（2021）11002706引用页码： 111106DOI： 10.3969/j.issn.1001-7003.2021.11.006Colored spun fabric pattern recognition based on multi-resolution mixed characteristicsWANG Danshua， YANG Yalia， YUAN Lia， b（a.School of Electronic and Electrical Engineering; b.State Key Laboratory of New Textile Materials and Advanced ProcessingTechnology Jointly Built by the Province and the Ministry，Wuhan Textile University， Wuhan 430200， China）Abstract：To resolve the difficulty in extracting the characteristics during the process of colored spun fabric pattern recognition， an automatic recognition algorithm based on multi-resolution mixed characteristics was proposed. Multi-resolution decomposition was conducted in the algorithm by means of wavelet function and 2DLBP textures and global color features were extracted to establish a mixed characteristic vector. At the same time， a hierarchical hybrid classifier was established using BP network and naive Bayes theory to realize the classification and recognition of the structure characteristic parameters. The experimental results show that the extracted weave pattern characteristics have the capability of color and multilayer characterization， and the hybrid classifier also has the characteristics of enhancement. 180 colored spun fabric pattern images with different mixed coefficients and twist coefficients were identified， with an average recognition rate of 97%，which proved the effectiveness and robustness of this method.Key words：colored spun fabric; pattern recognition; wavelet decomposition; 2DLBP; mixed characteristics基金项目：湖北省自然科学基金项目（2014CFB754）;湖北省教育厅科学技术研究计划青年人才项目（Q20141607）;中国纺织工业联合会科技指导性项目（2018035，2014072）作者简介：王丹书（1995），男，硕士研究生，研究方向为图像处理与模式识别。
应用混合像元分解提取胡杨覆盖度信息1）
应用混合像元分解提取胡杨覆盖度信息1）郭春蕾;解潍嘉;黄华国【期刊名称】《东北林业大学学报》【年(卷),期】2014(000)011【摘要】以内蒙古荒漠地区胡杨林为研究对象，应用混合像元分解方法从TM多光谱数据中提取了胡杨林植被覆盖度，并以高分辨率Quickbird影像分割结果作为真值进行精度评价，与传统的基于植被指数提取植被覆盖度的方法进行了对比。
结果表明：基于几何顶点端元选取的混合像元分解方法可以有效提取胡杨植被覆盖度（ R2＝0．893，RMSE＝0．12），优于植被指数回归方法提取精度（R2＝0．574）。
研究结果有助于开展荒漠地区较大范围的胡杨林动态监测和保护。
【总页数】6页(P82-87)【作者】郭春蕾;解潍嘉;黄华国【作者单位】省部共建森林培育与保护教育部重点实验室北京林业大学，北京，100083;省部共建森林培育与保护教育部重点实验室北京林业大学，北京，100083;省部共建森林培育与保护教育部重点实验室北京林业大学，北京，100083【正文语种】中文【中图分类】S792【相关文献】1.基于混合像元分解的鄱阳湖湿地植被覆盖度提取 [J], 陈彦兵2.混合像元分解法在植被覆盖区矿化蚀变信息提取中的应用——以江西大浩山金矿区为例 [J], 程潭武;陈建国;徐梦扬3.Erf-BP混合像元分解及在森林遥感信息提取中应用 [J], 徐小军;杜华强;周国模;董德进;范渭亮;崔瑞蕊4.塔里木胡杨自然保护区胡杨分布信息提取研究 [J], 崔彦军;柴政;丁守杰;范丽红5.动态端元组合混合像元分解法在植被覆盖度动态监测中的应用——以长汀县为例[J], 何颖清;秦雁;扶卿华;刘超群;尹斌因版权原因，仅展示原文概要，查看原文内容请购买。
球面线要素的多分辨率实时简化方法
球面线要素的多分辨率实时简化方法
王志鹏;赵学胜;胡婷婷
【期刊名称】《地理信息世界》
【年(卷),期】2008(006)002
【摘要】在分析球面3维数据可视化特点的基础上,提出了视点相关的球面矢量数据LOD简化方法,基本原理是:以视点为基础在屏幕空间获取投影误差,反投影到模型空间得到动态简化阈值,并结合Douglas-Peucker算法,对矢量数据进行多分辨率实时简化表达.最后,开发实验系统并对相关方法进行了验证.结果表明:在不影响球面图形可视化效果下,数据量减少了约4～5倍,有效地提高了图形渲染速度和效率.【总页数】5页(P65-69)
【作者】王志鹏;赵学胜;胡婷婷
【作者单位】中国矿业大学(北京)资源与安全工程学院,北京,100083;北京大学遥感与地理信息系统研究所,北京,100871;中国矿业大学(北京)资源与安全工程学院,北京,100083;中国矿业大学(北京)资源与安全工程学院,北京,100083
【正文语种】中文
【中图分类】P208
【相关文献】
1.桥梁平面线形快速检测方法与实时数据处理的研究 [J], 何泽平;冯晓
2.天然河道水面线试算简化方法 [J], 孙道宗;肖传通
3.考虑视觉条件的公路平面线形要素及其应用 [J], 谢山海;高成喜
4.基于DEM库的地表模型实时简化方法 [J], 刘修国;张剑波
5.基于视点互信息的树叶实时简化方法 [J], 王超凡;王标;佘江峰
因版权原因，仅展示原文概要，查看原文内容请购买。
我国知识生态研究的可视化计量分析
我国知识生态研究的可视化计量分析郑聪;陈茫;吕艳娥【期刊名称】《图书情报研究》【年(卷),期】2017(010)002【摘要】综合运用文献计量、内容分析和社会网络分析等方法,从发表时间、期刊分布、作者分析、机构分布以及研究热点分析等几方面,借助SATI和NetDraw等可视化计量分析软件,对我国知识生态的研究状况展开可视化计量分析.研究结果表明,目前我国知识生态的研究热点主要集中在知识生态理论、知识生态应用和知识生态模型三个方面,我国知识生态研究已经历过-次研究高峰,现阶段正处于理论研究向实证研究的转型期.最后,针对我国知识生态研究存在的研究合作度不高、实践研究较弱和持续性不强等问题,提出未来研究的建议.【总页数】7页(P78-83)【作者】郑聪;陈茫;吕艳娥【作者单位】[1]桂林理工大学图书馆桂林541004 [2]哈尔滨工业大学管理学院哈尔滨150000;;[1]桂林理工大学图书馆桂林541004 [2]哈尔滨工业大学管理学院哈尔滨150000;[1]桂林理工大学图书馆桂林541004 [2]哈尔滨工业大学管理学院哈尔滨150000;;[1]桂林理工大学图书馆桂林541004 [2]哈尔滨工业大学管理学院哈尔滨150000【正文语种】中文【中图分类】G250【相关文献】1.基于CSSCI(1998-2017)的我国知识生态研究计量分析2.我国养老服务研究的知识图谱——基于Citespace的可视化计量分析3.我国卓越教师发展研究知识图谱与未来展望——基于教育类核心期刊文献的可视化计量分析4.我国基本公共服务均等化研究的知识图谱——基于Citespace的可视化计量分析5.我国智能制造的知识图谱可视化研究——基于CNKI数据库的文献计量分析因版权原因，仅展示原文概要，查看原文内容请购买。
基于EM算法的高斯混合模型的织物组织点自动识别
基于EM算法的高斯混合模型的织物组织点自动识别
刘威;于玲;王畅巍;邓文韬;邓中民
【期刊名称】《现代纺织技术》
【年(卷),期】2024(32)2
【摘要】针对现有无监督学习识别机织物组织点的准确率相对较低和不稳定的问题,研究基于EM算法的高斯混合模型对机织物组织点的识别方法。
首先对采集的不同织物图像进行预处理及图像矫正,以提高后续的组织点的分割效率;接着利用改进的灰度投影法进行织物组织点定位,并提取组织点的灰度共生矩作为纹理特征,通过主成分分析对纹理特征进行降维处理;最后采用2种常见无监督学习与文章所用的识别方法做实验比较,并采用4种评估指标进行评估,得到评估结果。
通过计算4种评估指标平均值和标准差进行比较,文章所用识别方法的评估参数平均值都要比其余两种识别算法高。
文章所用识别方法能对织物组织点进行自动识别,并且识别的准确率相比于其余两种识别算法得到了有效地提升。
【总页数】7页(P63-69)
【作者】刘威;于玲;王畅巍;邓文韬;邓中民
【作者单位】武汉纺织大学纺织科学与工程学院;武汉纺织大学湖北省纺织新材料与先进加工技术省部共建国家重点实验室
【正文语种】中文
【中图分类】TS105;TP391
【相关文献】
1.机织物组织点的自动识别研究
2.基于高斯混合模型的EM算法改进与优化
3.基于鲁棒高斯混合模型的加速EM算法研究
4.基于EM算法的高斯混合模型参数估计
5.基于改进EM算法的高斯混合模型图像聚类方法
因版权原因，仅展示原文概要，查看原文内容请购买。
多模态特征融合的遥感图像语义分割网络
多模态特征融合的遥感图像语义分割网络孙汉淇;潘晨;何灵敏;胥智杰【期刊名称】《计算机工程与应用》【年(卷),期】2022(58)24【摘要】遥感图像语义分割是指通过对遥感图像上每个像素分配语义标签并标注,从而形成分割图的过程,在国土资源规划、智慧城市等领域有着广泛的应用。
高分辨率遥感图像存在目标大小尺度不一与阴影遮挡等问题,单一模态下对相似地物和阴影遮挡地物分割较为困难。
针对上述问题,提出了将IRRG(infrared、red、green)图像与DSM(digital surface model)图像融合的遥感图像语义分割网络MMFNet。
网络采用编码器-解码器的结构,编码层采用双输入流的方式同时提取IRRG图像的光谱特征和DSM图像的高度特征。
解码器使用残差解码块(residual decoding block,RDB)提取融合后的特征,并使用密集连接的方式加强特征的传播和复用。
提出复合空洞空间金字塔(complex atrous spatial pyramid pooling,CASPP)模块提取跳跃连接的多尺度特征。
在国际摄影测量与遥感学会(international society for photogrammetry and remote sensing,ISPRS)提供的Vaihingen和Potsdam数据集上进行了实验,MMFNet分别取得了90.44%和90.70%的全局精确度,相比较与DeepLabV3+、OCRNet等通用分割网络和CEVO、UFMG_4等同数据集专用分割网络具有更高的分割精确度。
【总页数】9页(P256-264)【作者】孙汉淇;潘晨;何灵敏;胥智杰【作者单位】中国计量大学信息工程学院;中国计量大学浙江省电磁波信息技术与计量检测重点实验室【正文语种】中文【中图分类】TP391【相关文献】1.基于多特征图金字塔融合深度网络的遥感图像语义分割2.多模态融合的高分遥感图像语义分割方法3.基于下采样的特征融合遥感图像语义分割4.基于自注意力特征融合组卷积神经网络的三维点云语义分割5.引入独立融合分支的双模态语义分割网络因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｉ ｆｕ ｎ ｅ ｆ ｌ ｗｅ ｕ ｅ ｐ ｒ ｅ ｔ ｓ ａ ｉ ｌ ｈ ｓ ｉ ｇ ｍｅ ｈ ｄ ｔ ｏ ｎ ｌ ｅ ｃ ｉ ｄ， ｅ ｓ ｅ ｆ ｃ ｐ ｔ ａ ｈ ｎ ｔ ｏ ｏ ｃ ｍｐ ｅ ｓ ｉ ｗｈ ｌ ｒ ｔ ｉ ｉ ｇ ｅ ｆｃｅ ｔ ｄ ｔ ａ ｒｓ ｔ ｉ ｅ ａ ｎ ｎ ｆｉｉ ｎ ａ ａ ｅ
疏 数 据 压 缩 方 法 的高 分 辨 率 Ｄ 纤 维 丛 可 视 化 方 法 ． 流 场 可 视 化 中 的 ｓｒａ ａ 表 示 改 进 为 沿 着 积 分 曲线 布局 的 ＴＩ 将 ｔ ｍｂ ｌ ｅ ｌ
可 参 数 化 混 合 元 球 体 ， 将 这 种 参 数 化 混 合 元 球 体 表 示 规 范 为 一 个 高 分 辨 率 的 稀 疏 三 维 密 度 场 ； 而 采 用 Ｐ ｒｅｔ 并 进 ｅｆｃ
ｔ ｏ ｔ ｔ ｏ ｅ ｏ ｃ ｐｅ ｗｉｈ ｈｅ ｐｒ ｂｌ ｍ ｏ ｏｎ ｅ ｉ ａ ｆ ｃ ｖ ｎｔｏｎ ｌＤＴＩ ｖ ｓ ａ ｉａ ｉ ｐ ｏ ｃ ｓ ｓ ｃ ａ ｅ ｏ ｙ ｃ ｎｓ ｉ ｕ ｌｚ ｔｏｎ ａ ｐｒ ａ ｈｅ ｕ ｈ ｓ ｍ ｍ ｒ ｏ ｕｍｉ ｇ， ｎ
Ｃ Ｇ，Ｚ ｅｉ ｎ ｎ ｖ ｒｉｙ，Ｈａ ｇ ｈ ｕ ３ ０ ５ ） ｈ ｊ ａ ｇ Ｕ ｉ ｅｓｔ ｎ ｚ ｏ １ ０ ８
（ ａ ｉｌ ｇ ｅ ａ ｔ ｅ ｔ Ｆｉｓ Ａ ｆｌａｅ ｓ ｉ ｌ ｆ Ｚ ｅｉ ｎ ｉｅ ｓ ｙ Ｓ ｈ ｏ ｏ ｄ ｃｎ ， ｈ ｊａ ｇ Ｕ ｉｅ ｓ ｙ，Ｈａ ｇ ｈ ｕ ３ ０ ０ ） Ｒ ｄ ｏｏ ｙ Ｄ ｐ ｒｍ ｎ ， ｒｔ ｆ ｉ ｔｄ Ｈｏｐ ｔ ｈ ｊ ａ ｇ Ｕｎｖ ｒｉ ｃ ｏ ｌｆ Ｍｅ ｉｉ ｅ Ｚ ｅ ｉｎ ｎ ｖ ｒ ｉ ｉ ａｏ ｔ ｔ ｎ ｚ ｏ １ ０ ３
ｐｌｃ ｈ ｍ ｌ ｎｇ ｉ ｅ ａ ｕ ｖｅ ａ ｅ ｔ ｅ ａ ｏ ｎｔ ｇｒ ｌｃ ｒ ｓ，ｙｉｌ ｎ ｐ ｒ ｅ３Ｄ ｎｓｔ ｎ ｌ ｎ ｅｆｅ ｄ Ｔｏ ｒ ｐ ｅ ｅ ｈｉ ｐａ ｓ ｅｄｉ ｇ ａ ｓ ａ ｓ ｄｅ ｉｙ ｉ ｆｕｅ ｃ ｉ ｌ ． ｅ ｒ ｓ ｎｔｔ ｓ ｓ ｒ ｅ
关 键 词 ： 散 张量 成 像 ； 视 化 ； 球 ； 疏 数 据 ； 据 压 缩 弥 可 元 稀 数
中 图 法 分 类 号 ： Ｐ ９ Ｔ ３１
Ｖｉｕ ｌｚ ｎｇ Ｈｉ ｈ Ｒｅ ｏ ｕ ｉ ｎ ＤＴＩ Ｆｉ ｅ ｓ ｗｉｈ Ｐａ ａ ｅ ｒ ｃ Ｍ ｅ ｇ ｎ ｅ ａ ｌｓ ｓ ａ ｉ ｉ ｇ － ｓ ｌ ｔｏ ｂ ｒ ｔ ｒ ｍ ｔ ｉ ｒ ｉ ｇ Ｍ ｔ ｂａ ｌ
Ｃｈｅ ａｄｏ ” ，Ｚｈｏ ｉ ｎ Ｈ ｉ ｎｇ ｕＭ ｎ
１ （ ｔ ｔ Ｋｅ ａ ｏａ ｏ ｙ ｏ ＡＤ ’ Ｓ ａ ｅ ｙ Ｌ ｂ ｒ ｔｒ ｆ Ｃ
，Ｗ ａ ｉｈｅ ” ，Ｐｅ ｇ Ｚｈｉ ｉ ｎｇ Ｇｕ ｚ ｎ ｎ ｙ 孙，ａ ｄ Ｃｈｅ ｅ ｎ ｎ Ｗ ｉ’
Ｓ ａｉｌ ｓｉｇ稀疏数据压缩方法压缩该 密度场 ， ｐｔ ｈｎ ａ Ｈａ 在保持数据 高精 度 的同时提供 了数 据 的高效 随机访 问特性． 实验 结果 表明 ， 采用文 中方法得 到的可视化 结果 不仅 能清晰地 揭示组 织结 构的连 通性 ， 还能展示 局部 张量 细节信息． 用
户 只 需 简 单 地 改 变 等 值 面 参 数 就 可 实 时 观 察 可视 化 结 果 ．
基 于参 数化 混 合 元球 体 表 示 的 高分 辨 率 Ｄ Ｉ Ｔ 纤维 丛可视 化
陈海东” 周 敏 ， ， 王桂珍” 彭志毅 陈 ， ， 为”
１（ 江 大 学 Ｃ ’浙 ＡＤ ＆ Ｃ 国 家 重 点 实 验 室 杭 州 ３０ ５ ） Ｇ １０ ８
２（ 江 大 学 附 属 第 一 医 院 放射 科 浙
（ｊ ｚ ｈ ｕ ｎ ｙ ｈ ｏ ｃ ｉ ． ｎ ｚｈ ｚ ｏ ｍｉ ＠ ａ ｏ ． ｏｎ ｃ ）
杭 州 ３ ０ ０ ） １０ ３
摘 要 ：为 了 克 服传 统 ＤＴ 可 视 化 技 术 存 在 计 算 空 间 大 、 息 丢 失 等 问 题 ， 出一 种基 于 Ｐ ｒ ｃ ｐ ｔ ｌ ｓ ｉｇ稀 Ｉ 信 提 ｅｆ ｔ ａｉ ｈｎ ｅ Ｓ ａ Ｈａ
Hale Waihona Puke ｉ ｆ ｒ ｔ ｎ ｌ ｓ ｎ ． Ｗ ｅ ｅ ｔ ｎ ｈ ｔ ｅ ｍ ｂ ｌ ｉ ｌ ｗ ｉｕ ｌ ａ ｉ ｎ ｔ ｅ ｓ ｒ ｍｅ ｇ ｎ ｔ ｂ ｌ ｎ ｎ ｏ ｍａ ｉ ｏ ｉ ｇ ｏ ｘ ｅ ｄ ｔ ｅ ｓ ｒ ａ ａ １ ｎ ｆｏ ｖ ｓ ａｉ ｔｏ ｏ ｔ ｎ ｏ ｒ ｉ ｇ ｍｅ ａ ａ ｌ ａ ｄ ｚ ｓ
Ａｂ ｔ ａ ｔ ｓ ｒ ｃ ：Ｗ ｅ ｐ ｅ ｅ ｔ ｏ ｅ ｅ ｈ ｄ ｆ ｒ ｖ ｓ ａ ｉｉ ｇ ｈ ｇ — ｅ ｏ ｕ ｉ ｎ ＤＴＩｆｂ ｒ ｔ ｅ ｇ ｎ ｅ ａ ａ ｌ ｒ ｓ ｎ ｎ ｖ ｌ ｔ ｏ ｏ ｉ ｕ ｌ ｎ ｉ ｈ ｒ ｓ ｌ ｔ ａ ｍ ｚ ｏ ｉ ｅ ｓｗｉｈ ｍ ｒ ｉ ｇ ｍ ｔ ｂ ｌ ｓ
ａ ｃ ｓ ． Ｔ ｈｅ ｅ ｕｌｉ ｖｉｕ ｌｚ ｔｏ ｓ ｗ ｓ ｈａ ｏｕ ａ ｐｒ ａ ｈ ａ ｎ ｏｎ ｙ ｅ ａ ｔ ｅ ｏｎ ｃ ｉ ｉｙ ｃｅｓ ｒ ｓ ｔｎｇ ｓ ａ ｉａ ｉ ｎ ｈｏ ｔ ｔ ｒ ｐ ｏ ｃ ｃ ｎ ｏｔ ｌ ｒ ｖｅ ｌ ｈ ｃ ｎｅ ｔｖ ｔ
第 ２ 卷 第 ６期 ３
２１ ０ １年 ６月
计算 机辅 助设计 与图形 学学 报
Ｊ ｕ ｎ ｌ ｆＣ ｍｐ ｔｒ Ａｉｅ ｓｇ ＆ Ｃ ｍｐ ｔｒＧｒ ｐ ｉｓ ｏ ｒ ａ ｏ ｏ ｕ ｅ — ｄ ｄ Ｄｅ ｉｎ ｏ ｕ ｅ ａ ｈｃ
Ｖｏ ． ３ Ｎ０ ６ １２ ．
Ｊ ｎ ０ １ ｕ ｅ２ １