基于壓縮域的體可視化數(shù)據(jù)預(yù)處理研究.pdf

1、對采集的小鼠腦神經(jīng)回路大數(shù)據(jù)進(jìn)行可視化實驗，驗證了所提出方法的正確性和有效性。
　　腦神經(jīng)回路是大腦行使一切功能的物質(zhì)基礎(chǔ)，通過對高精度大規(guī)模腦神經(jīng)回路樣本數(shù)據(jù)的高效處理與可視分析，深入認(rèn)識準(zhǔn)確掌握腦的神經(jīng)回路結(jié)構(gòu)和功能，進(jìn)而破解大腦之謎，是我國社會和科技發(fā)展的重大需求。
　　目前國內(nèi)外最先進(jìn)的高精度光學(xué)腦成像設(shè)備對小鼠腦結(jié)構(gòu)采樣，即可得到數(shù)百GB到數(shù)TB的全腦成像數(shù)據(jù)。由于數(shù)據(jù)規(guī)模巨大，直接利用原始數(shù)據(jù)進(jìn)行體可視化已不可能

2、。需要對原始數(shù)據(jù)進(jìn)行數(shù)據(jù)壓縮處理，減少數(shù)據(jù)量，進(jìn)而研究基于壓縮域的體可視化是提高腦神經(jīng)回路大數(shù)據(jù)可視化效率的有效技術(shù)途徑。本文主要工作和研究成果如下：
　　1.設(shè)計實現(xiàn)了一種多分辨率按需分八叉樹（multiresolution branch-on-need octrees,MBONOs）的數(shù)據(jù)存儲結(jié)構(gòu)，對高精度光學(xué)腦成像大數(shù)據(jù)進(jìn)行組織管理。首先將體數(shù)據(jù)分成分辨率為塊，根據(jù)BONOs結(jié)構(gòu)的實際范圍劃分規(guī)則，得到每個葉節(jié)點的實際范圍。

3、并行構(gòu)建時，根據(jù)八元編碼和八叉樹的對應(yīng)規(guī)則，每個計算結(jié)點根據(jù)自己的計算任務(wù)讀取相應(yīng)的圖片數(shù)據(jù)進(jìn)行葉節(jié)點數(shù)據(jù)的生成。然后由葉節(jié)點數(shù)據(jù)規(guī)約為一個更高層次的內(nèi)部節(jié)點，依次循環(huán)，得到多分辨率按需分八叉樹每個節(jié)點的數(shù)據(jù)。最后將得到的每個節(jié)點數(shù)據(jù)采用本文提出的基于分類分層矢量量化和完美空間哈希相結(jié)合的壓縮算法對數(shù)據(jù)進(jìn)行壓縮并存儲。的數(shù)據(jù)塊，那么得到個這樣的數(shù)據(jù)
　　2.提出了一種基于分類分層矢量量化（flag based classical

4、hierarchical vector quantization，F(xiàn)CHVQ）和完美空間哈希（perfect spatial hashing，PSH）相結(jié)合的壓縮域可視化方法。首先對三維體數(shù)據(jù)進(jìn)行分塊，記錄每塊的平均值并根據(jù)塊內(nèi)體數(shù)據(jù)的平均梯度值是否為0進(jìn)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(jìn)行壓縮；然后用分塊完美空間哈希技術(shù)存儲壓縮得到的兩個索引值；對上面的壓縮體數(shù)據(jù)進(jìn)行解碼得到恢復(fù)體數(shù)據(jù)，最后采用分塊完美空間哈希對原始

5、體數(shù)據(jù)與恢復(fù)體數(shù)據(jù)作差得到的殘差體數(shù)據(jù)進(jìn)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)，就可在GPU內(nèi)完成實時解壓縮繪制。取得了良好可視化的實驗效果。
　　3.設(shè)計實現(xiàn)了基于腦神經(jīng)回路大數(shù)據(jù)的體可視化軟件原型系統(tǒng)。該系統(tǒng)由數(shù)據(jù)處理模塊、渲染模塊和人機交互模塊組成。系統(tǒng)在內(nèi)存中維護(hù)兩個緩沖區(qū)，每個緩沖區(qū)對應(yīng)一個數(shù)據(jù)塊，系統(tǒng)根據(jù)用戶的操作選取一個數(shù)據(jù)塊將其加載到緩沖區(qū)中，進(jìn)行紋理構(gòu)造，并將其加載到GPU內(nèi)；然后對數(shù)據(jù)塊運用