[发明专利]一种改进风驱动优化的体绘制视点评价与选择方法

说明书

本发明公开了一种改进风驱动优化的体绘制视点评价与选择方法。具体包括三个部分内容及其步骤：(1)构造一种基于图像方差、平均梯度和信息熵的多特征融合的视点评价函数；(2)基于风驱动优化算法的体数据可视化最佳视点选择的方法；(3)结合果蝇算法的随机位置扰动改进风驱动优化算法的体数据可视化最佳视点选择方法。本发明的方法与现有的方法相比，达到最优解时的迭代次数最少，收敛时间较短，并且具有较强的全局搜索能力，同时兼顾了视点选择的速度和精度，有效地提高视点选择的效率。

技术领域

本发明属于计算机图形学、科学计算、医学和工程等领域，具体涉及一种改进风驱动优化的体绘制视点评价与选择方法。

背景技术

在三维体数据可视化过程中,为获取足够的信息,体数据需要更多的用户控制和交互,不断的变换视角和视点；而当视点改变时,则需要重新绘制整个图像,这使得体数据可视化的效率大大降低,因而需要新的技术来指导用户获取更多的信息。

随着人工智能技术的发展，利用智能化的方法选择最佳视点，将更多的信息展示给用户，有助于用户对体数据的观察和提高理解的效率，满足用户的多样化需求。

目前，常用的智能化方法有遗传算法(Genetic Algorithm,GA)、粒子群算法(Particle SwarmOptimization,PSO)、布谷鸟搜索法(Cuckoo Search，CS)和混合蛙跳算法(Shuffled Frog LeapingAlgorithm，SFLA)等，但是以上算法很难在寻优精度与计算速度之间找到平衡。因此将一种新的优化算法用于视点选择，来满足用户对获取信息的需求，具有重要的意义。

发明内容

本发明目的旨在克服之前算法的缺陷并提高计算效率，提出一种改进风驱动优化的体绘制视点评价与选择方法。本发明通过利用体数据集三维图像在视点方向上的二维投影图像，运用图像方差、平均梯度和信息熵构造多特征融合的视点评价函数，利用风驱动优化算法(Wind Drive Optimization，WDO)在搜索空间自动的进行视点的迭代优化，在空气质点的每一次迭代过程中，增加果蝇算法的随机位置扰动，选取最优的果蝇位置作为空气质点的新位置，从而最终得到最佳视点。

为达到上述目的，本发明采用如下技术方案予以实现。

一种改进风驱动优化的体绘制视点评价与选择方法，具体包括如下步骤:

(1)设计基于图像方差、平局梯度和信息熵多特征融合的视点评价函数，具体内容和方法如下：

(1a)计算图像的方差。图像的方差反映图像像素灰度值偏离均值的程度，方差越大说明图像的质量越好。灰度图像的方差可以由下式计算：

其中，M、N分别为图像的行和列，为图像的像素的均值，

(1b)计算图像的平均梯度。平均梯度描述图像的清晰程度和纹理变化快慢，平均梯度越大表明图像越清晰：

(1c)计算图像信息熵。在某一视点方向上，较高的视点质量具有较大的信息熵。信息熵表示为随机变量的概率分布函数,设图像看成随机变量X＝{a₀,a₁,a₂,,a_L-1},若a_i∈X出现的概率为P(x_i)＝{p₀,p₁,p₂,,p_L-1}，则其信息熵定义为：

p_i为某个灰度值在图像中出现的概率。