基于纹理硬件的大规模体数据快速绘制算法

针对大规模的体数据 ,有限的硬件纹理内存将大大降低算法的有效性 ,提出了一个新算法用于加速基于纹理硬件的大规模体数据的体绘制。基于一个新的 4级体数据装入流水线 ,算法在绘制前快速有效的对体数据进行预处理后 ,只将对最终结果图像有贡献的体元装入纹理内存并用于绘制 ,从而有效的降低了系统负载。同时 ,提出的算法支持对原始体数据分类阈值的交互修改与分类结果的快速预处理与交互显示。实验显示 ,与原始的基于纹理硬件的体绘制方法比较 ,本文提出的算法节省了 40 %到 6 0 %的绘制时间     

一种大规模体数据压缩体绘制策略

针对基于GPU的大规模体数据直接体绘制过程中遇到的显存不足的问题,提出了一种大规模体数据的压缩绘制策略.该策略结合小波变换和分类矢量量化进行数据压缩,采用基于GPU的光线投射算法进行绘制,在绘制时,只解压变换当前绘制所需要的极少数数据,并结合多分辨率绘制,实现实时交互.基于CUDA的实验表明:该压缩绘制策略有效解决了显...     

基于矢量场自适应采样算法的图像体绘制技术

针对医学数据体绘制的特点,研究了体数据矢量场的变化特征,分析了采样频率与矢量场的关系,提出基于矢量场的自适应采样算法,对重建图像贡献最大的数据区域采用高频采样,对其贡献小的数据区域采用低频采样,从而自适应地控制采样步长,提高了重建性能.研究结果表明,自适应采样算法在重建效果不受影响的前提下,将重建速度提高约30％～60％.     

矢量量化与神经网络FSCL算法的收敛性

非监督的神经网络算法在矢量量化器的最佳设计上具有简单、存贮量 小、适合并行运算等优点，但算法的收敛性仍未得到证明。针对ＦＳＣＬ算法， 证明了当ｎ趋于无穷时，算法收敛于量化器的局部最佳解，并对算法的初始 值、学习速度控制函数ε（ｎ）和训练集的选取作了探讨。     

使用矢量量化技术压缩SAR原始数据

该文研究基于矢量量化技术的合成孔径雷达（SAR）原始数据压缩算法，提出了块自适应树型矢量量化（BATSVQ）算法和块自适应球形矢量量化（BASVQ）算法。与块自适应矢量量化（BAVQ）算法相比较，该文提出的算法采用约束型矢量量化技术，能够充分利用SAR原始数据经过自适应块处理后在较小的范围内具有稳定高斯分布的特性。采用以上算法对SAR实测数据进行了验证，并比较图像及其性能参数，结果表明BATSVQ算法和BASVQ算法能够获得算法性能和实现复杂度之间的合理折衷。     

神经网络矢量量化的设计与实现

设计了一种混合神经网络矢量量化编码方法。利用Ｋｏｈｏｎｅｎ网络的自组织聚类功能设计矢量量化器码书，实现矢量量化，用３层ＢＰ网络完成码字的信道符号编码。该神经网络矢量量化编码器能够并行处理输入矢量，速度快，效率高，适用于语音和图像数据压缩     

多级矢量量化语音波形

本文介绍了一种通用多级矢量量化器的设计方法。这种量化器能有效地克服运算复杂度与存贮器需要量随矢量维数成指数律增长的困难,因而能采用较大的矢量维数以达到较佳的数据压缩率。该方法允许任意指定量化器的级数、矢量维数、每采样码数或传输速率,并按任意指定的数目生成初始码本并将它们优化到局部最优点,然后从中挑出最佳者。该方法中误差计算为一独立模块,可通过更换不同模块来实现以不同误差测量准则来优化码本。由于该方法能方便地设计出具有各种不同参数的多级矢量量化器,故能对量化器级数、矢量维数、每采样码数及不同误差测量方法与量化器性能的关系作有效地研究模拟。本文还给出用该法设计的传输速率为16kbit/s及9.6kbit/s两个多级语音波形矢量量化器的模拟结果。     

基于OsgEarth绘制线状矢量数据的模板体技术

结合Martin Schneider矢量数据渲染算法,基于OSG开源平台及DEM构建的地形,分析了OsgEarth中绘制线状矢量数据的模板体技术和该技术所隐藏的场景层次结构.通过实践证明了该技术的可行性,表明其算法具有实时性、高效性和精确性等优点,探讨了该技术所存在的难点问题.     

一种基于小波变换的矢量量化算法

提出了一种基于波变换的矢量量化逄法，算法利用小波变换后各子带间的相关性，合理地构造矢量。采用最优矢量量化器设计原则，给出了小波域的误差竞争学习算法（DCL）。实验表明，这种算法获得的码本优于其它几种算法。     

自适应分形矢量量化编码

提出了一种自适应分形矢量量化编码方法。对图像进行自适应四叉树分割,并构造粗糙的均值图像。误差图像进行分形矢量量化编码时,使用设计的自适应二维维纳数字滤波器,对收缩的均值图像进行滤波后,可构造好的码书。实验证明,本方法码书不需外部训练,解码不需要迭代,可以改善重建图像的视觉质量,使压缩比和PSNR都有明显提高。     

基于预测和矢量量化的高光谱图像压缩算法

针对高光谱图像波段数目多,存储空间大,为后续研究带来极大不便的特点,提出了一种基于广义回归神经网络预测与矢量量化算法结合的高光谱图像压缩算法。该算法通过预测前一波段的像素数据,将符合要求的预测结果继续预测下一波段,通过设置合理的参数,在预测步骤中95%以上的波段可通过预测结果来预测波段数据。利用矢量量化算法对预测数据进行压缩。该算法只需要已知图像的前2个波段数据,即可预测整个图像波段的数据。广义回归神经网络具有很强的非线性映射能力和学习速度,预测效果好。通过预测得到的数据在不同的压缩比下进行实验,结果表明,在保证图像质量的前提下,该算法与对比算法相比,有效降低了运算复杂度,节约了时间,提高了峰值信噪比。     

整数小波变换与矢量量化相结合实现图像压缩

论述了基于提升框架下整数小波变换与矢量量化相结合的图像压缩.经仿真认为此方法可降低计算复杂度,实现快速小波变换,利用局部搜索法量化的速度高于全局搜索法,且可通过调整局部搜索范围调整恢复图像的质量,达到提高编码速度和恢复图像质量的目的。     

基于混合神经网络的图像分类矢量量化方法

介绍了一种基于自组织特征映射（SOFM）神经网络图像压缩的传统算法．通过对传统压缩算法的分析，提出了一种新的简单易行的分类矢量量化方法．新方法采用边缘检测，主元分析（PCA），自组织特征映射来设计码书，大大提高了图像的客观指标和主观视觉效果．实验表明，此方法效果明显优于传统的SOFM图像压缩算法．     

基于混合数据场的快速体绘制算法

为了突出人体重点器官的显示，提出了一种新颖的基于混合数据场的快速体绘制算法，从原始的三维数据中提取重要的结构，然后将原始三维数据中非重点的部分转换为梯度数据，构成混合数据，从而对混合数据进行体绘制，结果表明，该算法可以加快体绘制速度同时改善重点器官的显示效果。     

基于改进SOFM的矢量量化图像压缩

在介绍矢量量化和自组织特征映射神经网络的基础上,针对基于自组织特征映射神经网络的矢量量化算法,在初始码书生成、获胜神经元搜索策略以及调整获胜码字及其拓扑领域权值等方面进行改进.实验结果表明改进算法具有合理性和有效性.     

基于运动补偿的多级矢量量化联合编码算法

研究了基于运动补偿的多级矢量量化编码方法．针对传统算法编码质量较低的问题,在保持量化器结构不变的情况下,借鉴维特比编码方式,提出多级矢量量化联合编码算法,并采用部分失真快速码字搜索算法提高编码速度．仿真实验表明,与传统MSVQ算法相比,本算法不仅提高了编码图像的质量。而且降低了编码速率．     

Fast combinative volume rendering by indexed data structure

It is beneficial to study the interesting contents in a data set by combining and rendering variouscontents of the data. In this regard, an indexed data structure is proposed to facilitate the reorganization of data so that the contents of the data can be combined conveniently and only the selected contents in the data are processed for rendering. Based on the structure, the cells of different contents can be queued up easily so that the volume rendering can be conducted more accurately and quickly. Experimental results show that the indexed data structure is very efficient in improving combinative volume rendering.     

矢量量化的抗噪声优化算法

矢量量化是低速率语音和图像编码传输的有效手段,但是矢量量化系统很容易受信道误码的影响。通常对信道误码可以用纠错码来解决,但是这需要增加系统的传输码率。该文提出了一种不增加传输码率的矢量量化抗噪声优化算法,即对矢量量化码本的索引值分配进行优化,使得优化后所有Hamming距离为1的二进制码本索引值对应的码矢量的距离尽量小,从而在不增加传输码率的条件下有效地控制信道误码引起的信号失真。软件模拟显示在随机误码的情况下此算法是很有效的,并且成功地应用于低速率声码器算法中,使得声码器在10-2的随机误码的情况下仍然具有良好的性能。