[论文解读] Genus Computing for 3D digital objects: algorithm and implementation

Li Chen|ArXiv.org|Dec 25, 2009

Digital Image Processing Techniques参考文献 13被引用 7

一句话总结

本文提出一种线性时间算法，直接从体素数据计算3D数字对象的亏格，无需三角剖分，通过病态情况检测、栅格到点空间转换、边界点分类以及基于离散高斯-博内定理的亏格计算。该方法在O(n)时间内实现准确的亏格计算，已在真实医学影像数据上验证，修改图像的亏格为6。

ABSTRACT

This paper deals with computing topological invariants such as connected components, boundary surface genus, and homology groups. For each input data set, we have designed or implemented algorithms to calculate connected components, boundary surfaces and their genus, and homology groups. Due to the fact that genus calculation dominates the entire task for 3D object in 3D space, in this paper, we mainly discuss the calculation of the genus. The new algorithms designed in this paper will perform: (1) pathological cases detection and deletion, (2) raster space to point space (dual space) transformation, (3) the linear time algorithm for boundary point classification, and (4) genus calculation.

研究动机与目标

• 开发一种实用且高效的算法，用于计算3D数字对象的拓扑不变量（如亏格和同调群）。
• 解决直接从体素数据计算亏格的挑战，而无需三角剖分，从而降低存储需求和复杂度。
• 检测并解决病态情况（例如仅共享0-或1-胞腔的体素），这些情况会违反数字曲面定义并扭曲拓扑。
• 通过将栅格空间数据转换为对偶点空间并根据邻域体素数量对边界点进行分类，实现准确的亏格计算。
• 提供一个完整的处理流程，以O(n)时间计算连通分量、边界亏格和同调群。

提出的方法

• 检测并删除仅与邻居共享0-胞腔或1-胞腔的病态体素，同时保持同调群不变。
• 将输入体素集从栅格空间转换到对偶点空间，以支持表面点分类。
• 根据26-连通性下相邻物体体素的数量，将每个边界点分类为M3、M4、M5或M6类别。
• 应用离散高斯-博内定理：ΣK(p) = 2π(2−2g)，其中K(p)为每类点类型分配的曲率（如K3=π/2，K4=0等），以计算亏格g。
• 使用公式|M3| = 8 + |M5| + 2|M6|验证表面一致性并支持亏格计算。
• 采用基于26-连通性的线性时间边界检测算法，识别所有表面体素。

实验结果

研究问题

• RQ1 如何在不进行三角剖分的情况下，高效且准确地从体素数据直接计算3D数字对象的亏格？
• RQ2 在3D数字曲面中，哪些关键病态构型会扭曲亏格计算？如何纠正它们？
• RQ3 能否在真实世界的3D数据（如医学影像）上实际实现一个线性时间的亏格计算算法？
• RQ4 如何在统一且高效的处理流程中计算拓扑不变量——连通分量、边界亏格和同调群？
• RQ5 需要哪些变换和分类技术，才能将基于栅格的体素数据映射为适合离散微分拓扑计算的形式？

主要发现

• 所提出的算法以O(n)时间计算亏格，其中n为体素数量，对3D数字对象而言在理论上达到最优。
• 该方法成功计算出修改后真实医学图像的亏格=6，证明了其实际适用性。
• 通过基于规则的删除与添加策略，检测并解决了病态情况（如仅共享0-或1-胞腔的体素），同时保持了同调群不变。
• 将边界点分类为M3、M4、M5、M6类别，使离散高斯-博内定理能被准确应用于亏格计算。
• 从栅格空间到对偶点空间的转换，实现了表面表示的一致性与曲率分配，从而支持拓扑不变量的计算。
• 该算法避免了三角剖分（如marching cubes）带来的计算开销，减少了存储需求并提升了效率。