CN104200510B - 基于目标cf的矢量量化压缩体绘制方法 - Google Patents

Abstract

本发明提供一种基于目标CF的矢量量化压缩体绘制方法，包括：根据预先定义的可信度计算准则，对输入矢量的每一个点计算可信度，并统计对应各CF区间的比重；CF值高对应的优先级也高，CF值低对应的优先级也低；查看第一优先级的比重，若该优先级的比重低于第一阈值，继续，否则给该矢量最高优先级的CF值，结束；当第一优先级的比重过低，比较第二优先级的比重，若该比重低于第二阈值，继续，否则给该矢量第二优先级的CF值，结束；当第二优先级的比重仍不满足要求，则计算第三优先级，若比重低于第三阈值，那么赋给第四优先级的CF值，否则赋给第三优先级的CF值，利用得到的CF值，去影响失真测度计算，码书分裂偏向可信度高的区域。

Description

基于目标CF的矢量量化压缩体绘制方法

技术领域

本发明属于体绘制领域，具体涉及一种CF矢量量化压缩体绘制。

背景技术

体绘制是一种直接由三维数据场产生二维图像的技术。由于该技术可以高效的呈现出数据的整体信息和内部细节，在众多领域得到广泛的应用。随着图形硬件的发展，基于GPU加速的体绘制方法成为目前体绘制领域的主流方法。压缩体绘制(compressed volumerendering，CVR)同时涉及体压缩和体绘制两种技术，是在二者紧密结合之下产生出的一种新的体绘制方法。压缩体绘制主要解决海量数据体绘制时面临主存和显存容量限制的问题。现有压缩体绘制方法大都采用一种均匀压缩或基于数值分布的非均匀的方式，但是在处理海量地震数据时，上述方式无法平衡失真度与压缩比之间的矛盾，要求高压缩比就导致高失真，重要信息损失严重。

施耐德等第一次使用GPU实现了分层矢量量化压缩体渲染。矢量量化第一次被引入体绘制，分层矢量量化(hierarchical vector quantization HVQ)是一种改进的VQ策略。该方法通过引入对原始数据的多分辨率的协方差分析，来获得一种能有效处理多为数据的VQ方法。赵利平等针对地震数据领域具有的情境，引入了分类的思想对提出分层分类矢量量化压缩体绘制方法。将矢量量化压缩引入地震数据处理领域，获得较优秀的成果。

在实际地震数据应用中，存在另一种应用情景。在该应用场景下，目标不能通过一个区域来描述，需要给出更明确的描述方式。例如地震数据中的某些微构造，对于这种存在于数据体中的重要信息，其往往具有一定的特征，但是对这种特征的描述需要引入行业内的经验判断。由于引入了经验判断，这种描述就存在一定的不确定性，基于此本发明提出基于目标可信度的矢量量化压缩体绘制方法。通过可信度的概念来对无法精确描述的目标进行建模。

矢量量化在压缩性能上要优于标量量化，已被广泛的应用在数据压缩领域，特别是三维体数据压缩方面。对于三维体数据，矢量量化中输入矢量来自于对原始数据的分块，对于三维体数据，划分出来的小块的数量通常非常巨大。应用传统方法，由于巨大的输入矢量集合，使得码书的训练生成，码字的搜索匹配变得异常的困难，因此现有的对体数据进行矢量量化的方法都是在传统方法基础之上进行的改进。

LBG方法是最经典的矢量量化方法，该方法通过给定一个起始的码书，然后通过不断迭代的方式，直到满足用户设定的失真测度。流程图如图1所示。

传统意义的LBG方法主要有以下几个缺点：

在根据现有码本对输入矢量进行最佳划分时，所需要的计算量太大，时间和空间复杂度都很高，导致方法的实用性过低。

该方法在每次改变形心后，进行最佳划分时，矢量的变化不会很大，通常只会在小范围内变化，导致最后的量化结果满足局部最优。因而对初始码本的选定较为依赖。

因为LBG方法对初始码本的依赖较为严重，学者们研究提出了几种初始码本的选取方法：

随机选取法，该方法具有一定的随机性，来构成初始码书

此方式特点在于，时间复杂度低，而且没有空胞腔问题。

分裂法，从初始只有一个码字是通过计算所有输入矢量的形心来计算得到。然后用一个适当的系数A，乘以码字形成第二个码字以为简单的初始码书，运用LBG方法设计码书，然后根据乘以合适的系数B，来确定4个码字然后以这四个去构建码书，依次继续进行，直到码书个数达到要求。

发明内容

为解决现有技术存在的上述问题，本发明提出一种基于目标CF的矢量量化压缩体绘制方法。

本发明具体的技术方案为：基于目标CF的矢量量化压缩体绘制方法，CF计算的具体包括以下步骤：

S1：根据预先定义的可信度计算准则，对输入矢量的每一个点计算其可信度，并统计对应各个CF区间的比重；

S2：CF的优先级主要根据专家对可信度准则的定义来给出，也即CF值高的其对应的优先级同样高，CF值低的其对应的优先级也低；

S3：查看第一优先级的比重，如果该优先级的比重低于第一阈值，那么继续，否则给该矢量最高优先级的CF值，结束；

S4：当第一优先级的比重过低时，比较第二优先级的比重，如果该比重低于第二阈值时，继续，否则给该矢量第二优先级的CF值，结束；

S5：当第二优先级的比重依然不能满足要求时，则计算第三优先级，如果比重低于第三阈值，那么赋给第四优先级的CF值，否则赋给第三优先级的CF值；

S6：利用计算出来的CF值，作为可信度的因子，乘以失真测度，得到可信度的值，进行码书分裂时，选取可信度高的块进行分裂；

进一步地，所述第一阈值为10％；

进一步地，所述第二阈值为20％；

更进一步地，所述第三阈值为30％。

所述码书设计具体包括：

对于一个输入的单一量化单元V₁，该量化单元包含了所有的输入矢量集合I，设Y₁为该集合的形心，也就是对应的码书，计算当前量化单元的失真测度

其中，λ为计算出来的CF值，为均方误差欧式距离；

计算得到失真测度后，接着构造一个双向链表，将

插入到链表中，然后对链表中的元素从大到小进行排序，每一次对失真测度D_j最大的量化单元进行分裂，每次分裂的步骤如下：

S61.在链表中选择包含最大失真测度D_j的组；

S62.计算自相关协方差矩阵：

S63.计算M的最大特征向量和与其对应的最大特征值λ_max；

S64.将该组分为和两个组，

S65.对于新分出来的组和分别计算他们的形心Y_left和Y_right，以及新的失真测度D_left和D_right；

S66.将得到的两个组插入到链表中；

S67.如果组数的数目等于2^r，则停止，否则跳转到步骤S61。

本发明的有益效果：本发明的基于目标CF的矢量量化压缩体绘制方法，在计算可信度(CF)时采用一种信任分级的策略。达到一种平滑过渡的效果。即可避免因为信任因子定义范围过大引起的压缩效果较差的问题，又可以避免信任因子定义较小导致目标信息损失严重的情况，在码书设计方法上，使码书偏向可信度高的区域，这样可信度高的区域恢复出来的效果好。

附图说明

图1LBG方法流程图。

图2可信度比重与可信度优先级结合确定矢量可信度流程。

具体实施方式

对于地震数据，目标隐藏在干扰信息中。这样对该目标的建模就存在一种信息可信任程度问题。这种干扰信息有可能是数据采集阶段由噪声引进的，有可能是实验或工程本身就带有这样一些数据。这种干扰信息通常可以分为两类，一种就是干扰信息与目标的特征区分度较明显。对应这种情况我们在处理的时候，因为可以区分出干扰信息与目标，可信任程度就直接对应可信任和不可信任即可。

但也存在这样一种干扰信息，其与目标的区分度不明显。在干扰信息与目标之间就存在这样一种灰色信息。此时在根据经验对目标进行建模时，就无法直接表示可信任与不可信任，这中间就可能存在介于二者之间的情况。地震数据就是这样一种类型的数据。

对于这样一种数据，我们就采用一种信任分级的策略，也就是可信度(CF)机制。达到一种平滑过渡的效果。即可避免因为信任因子定义范围过大引起的压缩效果较差的问题，又可以避免信任因子定义较小导致目标信息损失严重的情况。

CF(可信度)在众多学科中其表现形式是不同的，但是CF往往反映了人们在某一领域内大家比较聚焦的信息。本发明重点不在于如何去提取目标区域的特征信息，及特征建模的过程，而是在已有特征描述的基础上引入CF的概念，来描述数据体中被判定为目标数据的可靠程度，所以这里CF通常可以通过如下形式给出的：

其中，CF表示当数据值在某一范围内的时候，判定其为目标的可信程度。在物探领域，这种可信程度通常可能由地质专家根据其长期积累的经验来给出，或者根据行业内相对比较明确的规定来获得。

输入数据矢量量化是一个向量，其基本单元是一个多维向量量化。而由之前对可信度的分析可以看出，可信度计算对应的输入数据时一个个数值，即该计算是通过将一个输入数据映射到对应的CF上。如果一个包含多维数据的矢量，其数据范围有覆盖了多个可信度区间，那么其可信度的计算以什么为标准，这是将可信度引入矢量量化压缩的一个问题所在。

本发明采用一种可信度比重与可信度优先级的方结合式来确定每一个输入矢量的CF值。具体流程如图2所示。主要包含如下几步：

根据预先定义的可信度计算准则，对输入矢量的每一个点计算其可信度，并统计个对应各个CF区间的比重。

CF的优先级主要根据专家对可信度准则的定义来给出，也即CF值高的其对应的优先级同样高，CF值低的器对应的优先级也低。

查看第一优先级的比重，如果该优先级的比重低于第一阈值(该值有经验给出，此处取值10％)，那么继续，否则给该矢量最高优先级的CF值，结束。

当第一优先级的比重过低时，比较第二优先级的比重，如果该比重低于第二阈值(第二阈值取20％)时，继续，否则给该矢量第二优先级的CF值，结束。

当第二优先级的比重依然不能满足要求时，则计算第三优先级，如果比重低于第三阈值(第三阈值取30％)，那么赋给第四优先级的CF值，否则赋给第三优先级的CF值。

对于利用计算出来的CF值，也就是可信度值，去影响文献[J.Schneider,R.Westermann.Compression domain volume rendering[C].Visualization,Seattle,2003,39‐300]中方法的失真测度计算，也就是在计算出来的失真测度上乘以一个可信度的因子，那么可信度高对应失真测度高，在进行码书分裂的时候，我们只对可信度高的块进行分裂，这样大大的减少了计算量，同时也把大部分码书留给了可信度高的区域。

利用计算出来的CF值，对于一个输入的单一量化单元V₁，该量化单元包含了所有的输入矢量集合I。设Y₁为该集合的形心，也就是对应的码书，计算当前量化单元的失真测度中其λ为计算出来的CF值，为均方误差欧式距离。接着我们构造一个双向链表，将

插入到链表中。然后对链表中的元素从大到小进行排序。每一次对失真测度D_j最大的量化单元进行分裂。每次分裂的步骤如下：

1.在链表中选择包含最大失真测度D_j的组；

2.计算自相关协方差矩阵：

3.计算M的最大特征向量和与其对应的最大特征值λ_max；

4.将该组分为和两个组，

5.对于新分出来的组和分别计算他们的形心Y_left和Y_right，以及新的失真测度D_left和D_right；

6.将得到的两个组插入到链表中；

7.如果组数的数目等于2r，则停止，否则跳转到步骤1。

对于每个单元计算出来的可信度，我们人工干预该单元的失真测度的计算，使可信度高的单元的失真测得大，也就说在计算失真测度的时候乘以一个可信度因子，这样可信度高的取悦失真测度大。这样在应用文献“J.Schneider,R.Westermann.Compressiondomain volume rendering[C].Visualization,Seattle,2003,39‐300”中的方法训练码书时，可信度高的区域，码字比较集中，所以可信度高的区域解压缩恢复出来的效果好。

本发明的有益效果：本发明的基于目标CF的矢量量化压缩体绘制方法，在计算可信度(CF)时采用一种信任分级的策略。达到一种平滑过渡的效果。即可避免因为信任因子定义范围过大引起的压缩效果较差的问题，又可以避免信任因子定义较小导致目标信息损失严重的情况，在码书设计方法上，使码书偏向可信度高的区域，这样可信度高的区域恢复出来的效果好。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (6)

1.基于目标CF的矢量量化压缩体绘制方法，其特征在于，包括：

S1：根据预先定义的可信度计算准则，对输入矢量的每一个点计算其可信度，并统计对应各个CF区间的比重；

S2：CF的优先级根据专家对可信度准则的定义来给出，也即CF值高的其对应的优先级同样高，CF值低的其对应的优先级也低；

S3：查看第一优先级的比重，如果该优先级的比重低于第一阈值，那么继续，否则给该矢量最高优先级的CF值，结束；

S4：当第一优先级的比重过低时，比较第二优先级的比重，如果该比重低于第二阈值时，继续，否则给该矢量第二优先级的CF值，结束；

S5：当第二优先级的比重依然不能满足要求时，则计算第三优先级，如果比重低于第三阈值，那么赋给第四优先级的CF值，否则赋给第三优先级的CF值；

CF通过如下形式给出：

其中，CF表示当数据值x在(a_n,b_n]范围内的时候，判定其为目标的可信程度λ_n；

S6：利用计算出来的CF值，作为可信度的因子，乘以失真测度，得到可信度的值，进行码书分裂时，选取可信度高的块进行分裂。

2.根据权利要求1基于目标CF的矢量量化压缩体绘制方法，其特征在于，所述第一阈值为10％。

3.根据权利要求1基于目标CF的矢量量化压缩体绘制方法，其特征在于，所述第二阈值为20％。

4.根据权利要求1基于目标CF的矢量量化压缩体绘制方法，其特征在于，所述第三阈值为30％。

5.根据权利要求1基于目标CF的矢量量化压缩体绘制方法，其特征在于，步骤S6所述码书的设计具体包括：对于一个输入的单一量化单元V₁，该量化单元包含了所有的输入矢量集合I，设Y₁为该集合的形心，所述形心即对应的码书，计算当前量化单元的失真测度

其中，λ为计算出来的CF值，为均方误差欧式距离；

计算得到失真测度后，接着构造一个双向链表，将

插入到链表中，然后对链表中的元素从大到小进行排序，每一次对失真测度D_j最大的量化单元进行分裂；

其中，表示一个分组里面量化单元的编号。

6.根据权利要求5基于目标CF的矢量量化压缩体绘制方法，其特征在于，所述分裂的具体步骤如下：

S61：在链表中选择包含最大失真测度D_j的组；

S62：计算自相关协方差矩阵：

S63：计算M的最大特征向量和与其对应的最大特征值λ_max；

S64：将该组分为和两个组，

S65：对于新分出来的组和分别计算他们的形心Y_left和Y_right，以及各自新的失真测度D_left和D_right；

S66：将得到的两个组插入到链表中；

S67：如果组数的数目等于2^r，也就是码书的数目等于2^r，r是自己给出的一个值，则停止，否则跳转到步骤S61。