本發(fā)明涉及科學(xué)計(jì)算可視化技術(shù)領(lǐng)域，特別是涉及一種基于Hadoop和CUDA的光線投射可視化多用戶交互處理方法。

背景技術(shù)：

隨著MRI、PET、CT等現(xiàn)代醫(yī)療設(shè)備應(yīng)用的快速發(fā)展，三維醫(yī)學(xué)可視化已經(jīng)廣泛應(yīng)用于醫(yī)學(xué)診斷、輔助治療、手術(shù)規(guī)劃等領(lǐng)域。三維醫(yī)學(xué)可視化體繪制技術(shù)因?yàn)槠淞己玫摹氨Ｕ嫘浴?，具有很好的?yīng)用價(jià)值與前景。但隨著醫(yī)學(xué)數(shù)字圖像精度和分辨率的顯著提高，醫(yī)學(xué)影像數(shù)據(jù)量快速增加，其超大規(guī)模的醫(yī)學(xué)影像數(shù)據(jù)和超大計(jì)算量成為了計(jì)算機(jī)實(shí)現(xiàn)三維醫(yī)學(xué)體繪制的瓶頸。目前，為了滿足大規(guī)模的醫(yī)學(xué)影像數(shù)據(jù)體繪制的超大計(jì)算量、多用戶交互需要，近年來的研究主要集中于并行體繪制、基于GPU的硬件加速和GPU嵌入MapReduce的高效并行計(jì)算等幾方面。S.Eilemann等通過設(shè)計(jì)并行體繪制來滿足快速繪制的要求。南方醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院董現(xiàn)玲等和浙江工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院秦緒佳等設(shè)計(jì)的基于CUDA(Compute Unified Device Architecture)技術(shù)進(jìn)行數(shù)據(jù)的存儲(chǔ)和處理，實(shí)現(xiàn)了并行化的Ray-casting算法。Vo H T等設(shè)計(jì)的基于MapReduce的計(jì)算框架，實(shí)現(xiàn)了基于MapReduce的z-buffer繪制、并行網(wǎng)格簡化以及等值面抽取等基礎(chǔ)圖形學(xué)算法。

雖然上述幾種方法都達(dá)到了一定加速繪制效果，但均有一定的不足和缺點(diǎn)，例如：單一的CUDA處理，必須依靠NVIDIA顯卡硬件提供支持，增加成本，并且單機(jī)繪制對(duì)速度提升有限；另外，大量重復(fù)數(shù)據(jù)的計(jì)算也增加了系統(tǒng)處理負(fù)擔(dān)，浪費(fèi)系統(tǒng)資源。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提出一種基于Hadoop和CUDA的光線投射可視化多用戶交互處理方法，能夠快速、高效的實(shí)現(xiàn)三維可視化成像。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于Hadoop和CUDA的光線投射可視化多用戶交互處理方法，包括如下步驟：

步驟1：不同用戶在本地處理前，需先獲取繪制圖像的數(shù)據(jù)信息；

其中，圖像的數(shù)據(jù)包括如下參數(shù)：查詢重復(fù)標(biāo)識(shí)CX、切片數(shù)C、開始編號(hào)D、結(jié)束編號(hào)E、視線方向F、視點(diǎn)位置G、生成圖像寬W、生成圖像高H、重復(fù)類型CTYPE、重復(fù)切片數(shù)量CC、重復(fù)開始編號(hào)CD、重復(fù)結(jié)束編號(hào)CE和數(shù)據(jù)DATA；

步驟2：集群服務(wù)器master機(jī)器獲取圖像的數(shù)據(jù)，然后將該圖像的數(shù)據(jù)與master機(jī)器中避免重復(fù)計(jì)算存儲(chǔ)的數(shù)據(jù)比對(duì)，查詢集群服務(wù)器是否有需要計(jì)算的數(shù)據(jù)結(jié)果；

其中，避免重復(fù)計(jì)算存儲(chǔ)的數(shù)據(jù)包括如下參數(shù)：開始編號(hào)X、結(jié)束編號(hào)Y、視線方向L、視點(diǎn)位置M、使用次數(shù)N、時(shí)間T、禁替換標(biāo)識(shí)NOREP和數(shù)據(jù)DATA0；

步驟2.1：判斷集群中有無重復(fù)數(shù)據(jù)結(jié)果；

若：判斷結(jié)果是有重復(fù)數(shù)據(jù)，則設(shè)置重復(fù)類型CTYPE為部分重復(fù)，數(shù)值為1，禁替換標(biāo)識(shí)NOREP值加1，并執(zhí)行步驟2.2；

或判斷結(jié)果是無重復(fù)數(shù)據(jù)，則執(zhí)行步驟3；

步驟2.2：判斷數(shù)據(jù)結(jié)果是否為完全重復(fù)；

若：判斷結(jié)果是完全重復(fù)，則重復(fù)類型CTYPE為完全重復(fù)，數(shù)值為2，并執(zhí)行步驟11；

或判斷結(jié)果是部分重復(fù)，則執(zhí)行步驟3；

步驟3：讀取對(duì)應(yīng)不重復(fù)圖像切片，建立三維數(shù)據(jù)場(chǎng)；

步驟4：使用AABB包圍盒對(duì)三維數(shù)據(jù)場(chǎng)無效體素進(jìn)行裁剪；

步驟5：使用NVIDIA CUDA對(duì)梯度進(jìn)行處理；

步驟6：將處理完的數(shù)據(jù)傳輸至集群服務(wù)器master機(jī)器；

其中，處理完的數(shù)據(jù)包括如下參數(shù)：查詢重復(fù)標(biāo)識(shí)cx、切片數(shù)c、開始編號(hào)d、結(jié)束編號(hào)e、視線方向f、視點(diǎn)位置g、生成圖像寬w、生成圖像高h(yuǎn)、重復(fù)類型ctype、重復(fù)切片數(shù)量cc、重復(fù)開始編號(hào)cd、重復(fù)結(jié)束編號(hào)ce和數(shù)據(jù)data；

步驟7：將接收到的步驟6中的數(shù)據(jù)與master機(jī)器中避免重復(fù)計(jì)算存儲(chǔ)的數(shù)據(jù)進(jìn)行對(duì)比，查詢集群服務(wù)器中是否有接收到數(shù)據(jù)的計(jì)算結(jié)果；

其中，避免重復(fù)計(jì)算存儲(chǔ)的數(shù)據(jù)包括如下參數(shù)：開始編號(hào)x、結(jié)束編號(hào)y、視線方向l、視點(diǎn)位置m、使用次數(shù)n、時(shí)間t、禁替換標(biāo)識(shí)norep和數(shù)據(jù)data0；

步驟7.1：判斷集群中有無重復(fù)數(shù)據(jù)結(jié)果；

若：判斷結(jié)果是有重復(fù)數(shù)據(jù)，則讀取對(duì)應(yīng)存儲(chǔ)的重復(fù)數(shù)據(jù)data0，禁替換標(biāo)識(shí)norep減1，執(zhí)行步驟7.2；

或判斷結(jié)果是不含重復(fù)數(shù)數(shù)據(jù)，則執(zhí)行步驟8；

步驟7.2：判斷數(shù)據(jù)結(jié)果是否為完全重復(fù)；

若：判斷結(jié)果是完全重復(fù)，此時(shí)將完全重復(fù)數(shù)據(jù)存入數(shù)據(jù)data，禁替換標(biāo)識(shí)norep減1，則執(zhí)行步驟11；

或判斷結(jié)果是部分重復(fù)，則執(zhí)行步驟8；

步驟8：集群mapreduce并行計(jì)算處理；

步驟8.1：需要處理的不重復(fù)數(shù)據(jù)data上傳至HDFS；

步驟8.2：master機(jī)器將數(shù)據(jù)以分片方式劃分成多個(gè)子數(shù)據(jù)分發(fā)到各slave機(jī)器處理；

步驟8.3：各slave機(jī)器分別處理光線合成和重采樣任務(wù)，保存生成結(jié)果；

步驟8.4：從HDFS下載生成結(jié)果讀取至master機(jī)器內(nèi)存；

步驟9：判斷有無數(shù)據(jù)合并；

若：判斷結(jié)果是有數(shù)據(jù)合并，則重復(fù)數(shù)據(jù)data0與生成結(jié)果合成為最終結(jié)果；

或判斷結(jié)果是沒有數(shù)據(jù)合并，則執(zhí)行步驟10；

步驟10：采用最近最久未使用原則對(duì)重復(fù)數(shù)據(jù)data0進(jìn)行替換；

步驟11：將數(shù)據(jù)data傳回用戶；

步驟12：輸出顯示生成的二維圖像；

步驟13：判斷是否切換視線方向f；

若：判斷結(jié)果是切換視線方向，則執(zhí)行步驟2；

或判斷結(jié)果是不切換視線方向，則結(jié)束。

優(yōu)選地，在步驟2.1中，判斷集群中有無重復(fù)數(shù)據(jù)結(jié)果的具體過程如下：

若同時(shí)滿足以下條件，即：開始編號(hào)D≤開始編號(hào)X<結(jié)束編號(hào)Y≤結(jié)束編號(hào)E、視線方向F＝視線方向L、視點(diǎn)位置G＝視點(diǎn)位置M，即含有重復(fù)數(shù)據(jù)；否則，判斷為無重復(fù)數(shù)據(jù)；

在步驟2.2中，判斷集群中數(shù)據(jù)結(jié)果是否為完全重復(fù)的具體過程如下：

若同時(shí)滿足以下條件，即：開始編號(hào)D＝開始編號(hào)X、結(jié)束編號(hào)Y＝結(jié)束編號(hào)E、視線方向F＝視線方向L、視點(diǎn)位置G＝視點(diǎn)位置M，即完全重復(fù)；否則，判斷為部分重復(fù)。

優(yōu)選地，在步驟5中，具體包括：

步驟5.1：申請(qǐng)GPU顯存空間cuinArray、cuoutArray；其中，顯存空間cuinArray用于存放傳入數(shù)據(jù)，顯存空間cuoutArray用于存儲(chǔ)生成的傳出數(shù)據(jù)；

步驟5.2：將裁剪后的三維數(shù)據(jù)場(chǎng)拷貝至GPU顯存空間cuinArray；

步驟5.3：使用紋理存儲(chǔ)器將顯存空間cuinArray內(nèi)的數(shù)據(jù)與3d texture紋理綁定；

步驟5.4：Kernel函數(shù)中進(jìn)行多線程數(shù)據(jù)處理，計(jì)算各像素點(diǎn)梯度值greyxyz，計(jì)算處理完后將結(jié)果存至GPU顯存空間cuoutArray；

步驟5.5：將GPU顯存空間cuoutArray內(nèi)的數(shù)據(jù)拷貝至主機(jī)內(nèi)存，解除紋理綁定，釋放占用的顯存空間cuinArray、cuoutArray。

優(yōu)選地，在步驟7.1中，判斷集群中有無重復(fù)數(shù)據(jù)結(jié)果的具體過程如下：

若同時(shí)滿足以下條件，即：開始編號(hào)d≤開始編號(hào)x<結(jié)束編號(hào)y≤結(jié)束編號(hào)e、視線方向f＝視線方向l、視點(diǎn)位置g＝視點(diǎn)位置m，即含有重復(fù)數(shù)據(jù)；否則，判斷為無重復(fù)數(shù)據(jù)；

在步驟7.2中，判斷集群中數(shù)據(jù)結(jié)果是否為完全重復(fù)的具體過程如下：

若同時(shí)滿足以下條件，即：開始編號(hào)d＝開始編號(hào)x、結(jié)束編號(hào)y＝結(jié)束編號(hào)e、視線方向f＝視線方向l、視點(diǎn)位置g＝視點(diǎn)位置m，即完全重復(fù)；否則，判斷為部分重復(fù)。

優(yōu)選地，在步驟9中，有無數(shù)據(jù)合并的具體判斷過程如下：

若同時(shí)滿足以下條件，即：開始編號(hào)d<開始編號(hào)x<結(jié)束編號(hào)y<結(jié)束編號(hào)e、視線方向f＝視線方向l、視點(diǎn)位置g＝視點(diǎn)位置m，判斷為有數(shù)據(jù)合并；否則，判斷為沒有數(shù)據(jù)合并。

與現(xiàn)有技術(shù)相比，本發(fā)明方法具有如下優(yōu)點(diǎn)：

本發(fā)明方法一方面使用Hadoop MapReduce和NVIDIA CUDA的并行處理能力，進(jìn)行加速繪制，另一方面，針對(duì)多用戶交互環(huán)境，設(shè)計(jì)了一種避免重復(fù)計(jì)算的方法，減少重復(fù)計(jì)算耗時(shí)。本發(fā)明方法實(shí)現(xiàn)了對(duì)各像素點(diǎn)梯度、光線重采樣和數(shù)據(jù)合成的快速運(yùn)算。

附圖說明

圖1為本發(fā)明中基于Hadoop和CUDA的光線投射可視化多用戶交互處理方法的流程圖。

圖2為本發(fā)明中數(shù)據(jù)集的部分切片圖。

圖3為本發(fā)明中三維數(shù)據(jù)場(chǎng)原始部分的數(shù)據(jù)截圖。

圖4為本發(fā)明中使用AABB包圍盒對(duì)三維數(shù)據(jù)場(chǎng)進(jìn)行裁剪的示意圖。

圖5為本發(fā)明中使用NVIDIA CUDA對(duì)梯度計(jì)算后的部分截圖。

圖6為本發(fā)明中光線采樣合成后的部分?jǐn)?shù)據(jù)截圖。

圖7為使用本發(fā)明方法生成的頭骨骨骼圖像。

圖8為使用本發(fā)明方法生成的頭骨表皮圖像。

圖9為圖1中流程圖的A部區(qū)域放大圖。

圖10為圖1中流程圖的B部區(qū)域放大圖。

圖11為圖1中流程圖的C部區(qū)域放大圖。

圖12為圖1中流程圖的D部區(qū)域放大圖。

圖13為圖1中流程圖的E部區(qū)域放大圖。

具體實(shí)施方式

下面結(jié)合附圖以及具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)說明：

如圖1所示，一種基于Hadoop和CUDA的光線投射可視化多用戶交互處理方法，包括如下步驟：

步驟1：不同用戶在本地處理前，需先獲取繪制圖像的數(shù)據(jù)cxdata信息。

其中，圖像的數(shù)據(jù)cxdata包括如下參數(shù)：查詢重復(fù)標(biāo)識(shí)CX、切片數(shù)C、開始編號(hào)D、結(jié)束編號(hào)E、視線方向F、視點(diǎn)位置G、生成圖像寬W、生成圖像高H、重復(fù)類型CTYPE、重復(fù)切片數(shù)量CC、重復(fù)開始編號(hào)CD、重復(fù)結(jié)束編號(hào)CE和數(shù)據(jù)DATA。

步驟2：集群服務(wù)器master機(jī)器獲取圖像的數(shù)據(jù)cxdata，然后將數(shù)據(jù)cxdata與master機(jī)器中避免重復(fù)計(jì)算存儲(chǔ)的數(shù)據(jù)比對(duì)，查詢集群服務(wù)器是否有需要計(jì)算的數(shù)據(jù)結(jié)果。

其中，避免重復(fù)計(jì)算存儲(chǔ)的數(shù)據(jù)ComposedResult包括如下參數(shù)：開始編號(hào)X、結(jié)束編號(hào)Y、視線方向L、視點(diǎn)位置M、使用次數(shù)N、時(shí)間T、禁替換標(biāo)識(shí)NOREP和數(shù)據(jù)DATA0。

步驟2.1：判斷集群中有無重復(fù)數(shù)據(jù)結(jié)果，具體判斷過程如下：

若同時(shí)滿足以下條件，即：開始編號(hào)D≤開始編號(hào)X<結(jié)束編號(hào)Y≤結(jié)束編號(hào)E、視線方向F＝視線方向L、視點(diǎn)位置G＝視點(diǎn)位置M，即含有重復(fù)數(shù)據(jù)；否則，判斷為無重復(fù)數(shù)據(jù)。

經(jīng)過判斷，若：判斷結(jié)果是有重復(fù)數(shù)據(jù)，則設(shè)置重復(fù)類型CTYPE為部分重復(fù)，數(shù)值為1，禁替換標(biāo)識(shí)NOREP值加1，并執(zhí)行步驟2.2；

或判斷結(jié)果是無重復(fù)數(shù)據(jù)，則執(zhí)行步驟3。

步驟2.2：判斷數(shù)據(jù)結(jié)果是否為完全重復(fù)，具體判斷過程如下：

若同時(shí)滿足以下條件，即：開始編號(hào)D＝開始編號(hào)X、結(jié)束編號(hào)Y＝結(jié)束編號(hào)E、視線方向F＝視線方向L、視點(diǎn)位置G＝視點(diǎn)位置M，即完全重復(fù)；否則，判斷為部分重復(fù)。

經(jīng)過判斷，若：判斷結(jié)果是完全重復(fù)，則重復(fù)類型CTYPE為完全重復(fù)，數(shù)值為2，并執(zhí)行步驟11；

或判斷結(jié)果是部分重復(fù)，則執(zhí)行步驟3。

步驟3：讀取Visible Human數(shù)據(jù)集中頭部CT切片圖像，數(shù)據(jù)集部分切片圖的圖像如圖2所示，建立三維數(shù)據(jù)場(chǎng)pDataField。

步驟4：使用AABB包圍盒對(duì)三維數(shù)據(jù)場(chǎng)pDataField無效體素進(jìn)行裁剪，裁剪后每張切片從587*341減為303*287，原始部分?jǐn)?shù)據(jù)如圖3所示，裁剪示意圖如圖4所示。

步驟5：使用NVIDIA CUDA對(duì)梯度進(jìn)行處理，部分結(jié)果數(shù)據(jù)圖如圖5所示。

該步驟5具體包括：

步驟5.1：申請(qǐng)GPU顯存空間cuinArray、cuoutArray；其中，顯存空間cuinArray用于存放傳入數(shù)據(jù)，顯存空間cuoutArray用于存儲(chǔ)生成的傳出數(shù)據(jù)。

步驟5.2：將裁剪后的三維數(shù)據(jù)場(chǎng)pDataField使用cudaMemcpy3D拷貝至GPU顯存空間cuinArray。

步驟5.3：使用紋理存儲(chǔ)器將顯存空間cuinArray內(nèi)的數(shù)據(jù)與3d texture紋理使用cudaBindTextureToArray()函數(shù)綁定，紋理坐標(biāo)方式為非歸一化，紋理尋址方式為cudaAddressModeClamp。

步驟5.4：Kernel函數(shù)中進(jìn)行多線程數(shù)據(jù)處理，計(jì)算各像素點(diǎn)梯度值greyxyz，計(jì)算處理完后將結(jié)果存至GPU顯存空間cuoutArray。

kernel函數(shù)中進(jìn)行多線程數(shù)據(jù)處理，使用tex3D(texRef,x,y,z)拾取紋理，x、y、z為紋理拾取坐標(biāo)，采用中心差分方法計(jì)算各像素點(diǎn)梯度值，對(duì)體素voxel(i,j,k),計(jì)算公式為：

式中，f(i,j,k)為體素voxel(i,j,k)處的灰度值，Δs為一特定常量。

步驟5.5：將GPU顯存空間cuoutArray內(nèi)的數(shù)據(jù)拷貝至主機(jī)內(nèi)存，解除紋理綁定，釋放占用的顯存空間cuinArray、cuoutArray。

步驟6：將處理完的數(shù)據(jù)傳輸至集群服務(wù)器master機(jī)器。

其中，處理完的數(shù)據(jù)包括如下參數(shù)：查詢重復(fù)標(biāo)識(shí)cx、切片數(shù)c、開始編號(hào)d、結(jié)束編號(hào)e、視線方向f、視點(diǎn)位置g、生成圖像寬w、生成圖像高h(yuǎn)、重復(fù)類型ctype、重復(fù)切片數(shù)量cc、重復(fù)開始編號(hào)cd、重復(fù)結(jié)束編號(hào)ce和數(shù)據(jù)data。

步驟7：將接收到的步驟6中的數(shù)據(jù)與master機(jī)器中避免重復(fù)計(jì)算存儲(chǔ)的數(shù)據(jù)進(jìn)行對(duì)比，查詢集群服務(wù)器中是否有接收到數(shù)據(jù)的計(jì)算結(jié)果。

其中，避免重復(fù)計(jì)算存儲(chǔ)的數(shù)據(jù)ComposedResult包括如下參數(shù)：開始編號(hào)x、結(jié)束編號(hào)y、視線方向l、視點(diǎn)位置m、使用次數(shù)n、時(shí)間t、禁替換標(biāo)識(shí)norep和數(shù)據(jù)data0。

步驟7.1：判斷集群中有無重復(fù)數(shù)據(jù)結(jié)果，具體判斷過程如下：

若同時(shí)滿足以下條件，即：開始編號(hào)d≤開始編號(hào)x<結(jié)束編號(hào)y≤結(jié)束編號(hào)e、視線方向f＝視線方向l、視點(diǎn)位置g＝視點(diǎn)位置m，即含有重復(fù)數(shù)據(jù)；否則，判斷為無重復(fù)數(shù)據(jù)。

經(jīng)過判斷，若：判斷結(jié)果是有重復(fù)數(shù)據(jù)，則讀取對(duì)應(yīng)存儲(chǔ)的重復(fù)數(shù)據(jù)data0，禁替換標(biāo)識(shí)norep減1，執(zhí)行步驟7.2；

或判斷結(jié)果是不含重復(fù)數(shù)數(shù)據(jù)，則執(zhí)行步驟8。

步驟7.2：判斷數(shù)據(jù)結(jié)果是否為完全重復(fù)，具體判斷過程如下：

若同時(shí)滿足以下條件，即：開始編號(hào)d＝開始編號(hào)x、結(jié)束編號(hào)y＝結(jié)束編號(hào)e、視線方向f＝視線方向l、視點(diǎn)位置g＝視點(diǎn)位置m，即完全重復(fù)；否則，判斷為部分重復(fù)。

經(jīng)過判斷，若：判斷結(jié)果是完全重復(fù)，此時(shí)將完全重復(fù)數(shù)據(jù)存入數(shù)據(jù)data，禁替換標(biāo)識(shí)norep減1，則執(zhí)行步驟11；

或判斷結(jié)果是部分重復(fù)，則執(zhí)行步驟8。

步驟8：集群mapreduce并行計(jì)算處理，采樣合成后部分?jǐn)?shù)據(jù)如圖6所示。

該步驟8具體包括：

步驟8.1：需要處理的不重復(fù)數(shù)據(jù)data上傳至HDFS。

步驟8.2：master機(jī)器將數(shù)據(jù)以分片方式劃分成多個(gè)子數(shù)據(jù)分發(fā)到各slave機(jī)器處理。

每個(gè)子數(shù)據(jù)都含有起始采樣點(diǎn)、采樣間距和圖像中對(duì)應(yīng)像素坐標(biāo)等信息，每個(gè)子節(jié)點(diǎn)對(duì)應(yīng)一個(gè)子任務(wù)，子任務(wù)分配給不同的slave機(jī)器節(jié)點(diǎn)進(jìn)行光線合成和重采樣計(jì)算處理，最后進(jìn)行圖像合成。作業(yè)調(diào)度機(jī)制設(shè)置為公平調(diào)度，使提交的作業(yè)均能獲取計(jì)算資源，讓不同用戶公平地共享集群，避免長時(shí)間等待。

步驟8.3：各slave機(jī)器，例如圖1中Slave1、Slave2、Slave3分別處理光線合成和重采樣任務(wù)，保存生成結(jié)果dataout1。

光線合成采用從后向前，計(jì)算公式：Co_ut(i)＝C_in(i)*(1-A_no_w(i))+C_no_w(i)*A_no_w(i)；

其中，C_no_w(i)是體素i的灰度值，A_no_w(i)是不透明度，C_in(i)為進(jìn)入采樣點(diǎn)i的灰度值，Co_ut(i)是經(jīng)過采樣點(diǎn)i后的灰度值。

重采樣采用三線性插值方法，計(jì)算公式：v_p＝v₀(1-x)(1-y)(1-z)+v₁(1-x)y(1-z)+v₂(1-x)(1-y)z+v₃(1-x)yz+v₄x(1-y)(1-z)+v₅xy(1-z)+v₆x(1-y)z+v₇xyz；

其中，v_p是要計(jì)算的采樣點(diǎn)P(x,y,z)的值，v₀到v₇是采樣點(diǎn)所在體素的立方體網(wǎng)格單元的8個(gè)頂點(diǎn)上已知的數(shù)值。

步驟8.4：從HDFS下載生成結(jié)果dataout1讀取至master機(jī)器內(nèi)存。

步驟9：判斷有無數(shù)據(jù)合并，具體判斷過程如下：若同時(shí)滿足以下條件，

即：開始編號(hào)d<開始編號(hào)x<結(jié)束編號(hào)y<結(jié)束編號(hào)e、視線方向f＝視線方向l、視點(diǎn)位置g＝視點(diǎn)位置m，即有部分?jǐn)?shù)據(jù)重復(fù)，此時(shí)有數(shù)據(jù)合并；否則，判斷為沒有數(shù)據(jù)合并。

經(jīng)過判斷，若判斷結(jié)果是有數(shù)據(jù)合并，則重復(fù)數(shù)據(jù)data0與生成結(jié)果dataout1合成為最終結(jié)果data；

或判斷結(jié)果是沒有數(shù)據(jù)合并，則執(zhí)行步驟10。

步驟10：采用最近最久未使用原則對(duì)重復(fù)數(shù)據(jù)data0進(jìn)行替換。

集群處理完一次數(shù)據(jù)后，替換一個(gè)之前保存過的數(shù)據(jù)data0。首先讀取禁替換標(biāo)識(shí)，數(shù)值大于零，則不予替換。然后，采用使用次數(shù)n最小原則。若使用次數(shù)n相同，則按照最新一次保存或讀取使用的時(shí)間t最久原則替換。

步驟11：將數(shù)據(jù)data傳回用戶；

步驟12：輸出顯示生成的二維圖像；

步驟13：判斷是否切換視線方向f；

若：判斷結(jié)果是切換視線方向，則執(zhí)行步驟2；

或判斷結(jié)果是不切換視線方向，則結(jié)束。

需要說明的是，由于圖1中對(duì)應(yīng)于用戶2以及用戶3中的標(biāo)記有①的框圖內(nèi)處理過程與對(duì)應(yīng)于用戶1的標(biāo)記有①的框圖內(nèi)處理過程相同，因此未示出。

此外，為了便于對(duì)圖1中給出的流程圖進(jìn)行識(shí)別，本發(fā)明還將圖1由上到下分成A、B、C、D、E五塊區(qū)域，并分別給出了各塊區(qū)域的放大圖，如圖9-圖13所示。

結(jié)合實(shí)際情況，本發(fā)明方法實(shí)驗(yàn)所用的計(jì)算機(jī)配置如下：

本機(jī)配置：酷睿i3-370雙核四線程處理器，內(nèi)存3GB，顯卡NVIDIA GeForce GT420M，顯存1GB，Windows 764位操作系統(tǒng)；

集群配置：在酷睿i7-4790四核八線程處理器，內(nèi)存8GB，Windows 764位操作系統(tǒng)上使用Vmware Workstation 11虛擬機(jī)建立4個(gè)節(jié)點(diǎn)，master機(jī)器配置雙核處理器，1.5GB內(nèi)存，20GB硬盤，3個(gè)slave機(jī)器配置單核處理器，1GB內(nèi)存，20GB硬盤，4個(gè)機(jī)器節(jié)點(diǎn)均使用ubuntu 14.04操作系統(tǒng)，安裝hadoop 2.60。

此外，本發(fā)明還給出了單機(jī)處理和本發(fā)明方法處理運(yùn)行時(shí)間對(duì)比表，如表1所示，圖7和圖8是本發(fā)明方法所生成頭骨骨骼和表皮的圖像結(jié)果圖。

表1

由上述實(shí)驗(yàn)結(jié)果對(duì)比可以發(fā)現(xiàn)，本發(fā)明的光線投射可視化多用戶交互處理方法，一方面使用NVIDIA CUDA和Hadoop MapReduce的并行處理能力，加速繪制速度，實(shí)現(xiàn)了各像素點(diǎn)梯度、光線重采樣和數(shù)據(jù)合成的快速運(yùn)算；另一方面，針對(duì)多用戶交互環(huán)境，設(shè)計(jì)了一種避免重復(fù)計(jì)算的方法，減少重復(fù)計(jì)算耗時(shí)和系統(tǒng)資源浪費(fèi)，提升了繪制效率。

當(dāng)然，以上說明僅僅為本發(fā)明的較佳實(shí)施例，本發(fā)明并不限于列舉上述實(shí)施例，應(yīng)當(dāng)說明的是，任何熟悉本領(lǐng)域的技術(shù)人員在本說明書的教導(dǎo)下，所做出的所有等同替代、明顯變形形式，均落在本說明書的實(shí)質(zhì)范圍之內(nèi)，理應(yīng)受到本發(fā)明的保護(hù)。