提出一种基于深度体素卷积神经网络的三维(3D)模型识别分类算法,该算法使用体素化技术将3D多边形网格模型转化为体素矩阵,并通过深度体素卷积神经网络提取该矩阵的深层特征,以增强特征的表达能力和差异性。在ModelNet40数据集上的实验结果表明:所提算法对3D网格模型识别分类的准确率能够达到87%左右。所构建的深度体素卷积神经网络能够有效地增强3D模型的特征提取和表达能力,提高对大规模复杂3D网格模型分类识别的准确率,所提方法优于当前的主流方法。

通过应用线性八叉树将心脏三维模型离散成体素以快速提取并显示局部任意感兴趣血管，把三维模型离散成体素后，利用多边形交互区域选择感兴趣体积内部体素。根据26-邻接体素的拓扑关系和体素互信息相似度比较结果，最终确定最佳深度和最佳互信息阈值分别为14和-1.375，以此来寻找感兴趣体积中同一组织的体素集合。最终实现了三维医学影像中任意感兴趣血管的精确显示，该技术可被视为用一个提取工具将任意局部三维模型进行提取并进行四维动态显示的过程。实验结果表明：与C-V三维分割算法精度90.1%相比，本分割算法平均精确度达到96.02%；运行时间从13.8 s缩短为10.7 s；四维播放帧数最大40 FPS,基本满足了血管三维分割的临床需求。该算法不仅可以快速地分析局部病灶的生理学特点和病理特征，而且让医生更加直观、便利地观察病人心脏任意局部血管的实际运动状况，以便做出临床决策。

基于旋转二维发光二极管(LED)阵列的体三维显示系统中, 原始数据被体素化后产生灰度偏差。介绍了在扫描映射法下用几何近似法计算体素点灰度偏差。建立两组立方体模型, 通过计算它们体素化后的平均灰度偏差和灰度均方差, 分析灰度偏差对显示结果的影响。结果表明图像的灰度细节越丰富, 灰度偏差对显示结果的影响越大。一般情况下灰度偏差对显示图像的影响不大, 但当所显示的图像细节十分丰富时, 可能会因灰度偏差引起较严重的失真。除了通过改善硬件条件可减小偏差外, 还可通过优化体素化算法, 在一定程度上修正灰度偏差。给出偏差修正前后的模型仿真对照图以及实际显示的图像照片, 修正后的仿真图中少了因偏差引起的杂散点。