如果想成为中心，那么就到中心去吧。

原创 菲涅尔效应

菲涅尔效应在渲染中不仅是物理正确性的需求，更是视觉丰富性的关键来源。金属球在边缘处更显“金属感”水面在远处反射更强玻璃杯边缘的反射更清晰在现代PBR管线中，菲涅尔项与漫反射、法线分布、几何衰减共同构成了完整的材质反射模型。掌握其原理与实现，是写出高质量着色器的必备技能。

原创 vtkToneMappingPass解析

在 VTK 9.5 中，vtkToneMappingPass 属于后期处理（Post-processing）渲染管线。它通过压缩高动态范围（HDR）并增强局部对比度，使体绘制的暗部细节更清晰、亮部不溢出，从而提升整体立体感。

原创 XRay标定实战（1）：基于金属洞洞板的几何畸变校正

来校正X射线图像的几何畸变，通过标定板的已知物理坐标与实际图像坐标的对应关系，计算畸变校正参数。总结 不要盲目照搬 GDXray 的。的板子在画面里只是一个看不清的小点。- 图像中检测到的点位置（像素）- 标定板上的实际位置（cm）如果你的成像视野只有。

原创 XRay几何标定论文(5)阅读:Automated Flaw Detection in Aluminum Castings

综合模型：同时考虑了透视投影、双曲面畸变、仿射变换物理基础：畸变模型基于图像增强器的实际物理结构实用精度：1.34像素的误差满足工业检测需求在线应用：标定后，只需读取机械臂的旋转角度即可计算投影矩阵。

原创 XRay几何标定论文(4)阅读: A novel approach for distortion correction for X-ray image intensifiers

步骤方法说明1. 数据采集模体旋转扫描360°旋转，每2°采集2. 特征提取自动孔检测与分类质心计算，建立映射表3. 全局校正4阶多项式拟合最小二乘法，快速粗校正4. 残差评估阈值判断(T_1 = 0.7) 像素5. 局部校正一阶多项式局部拟合仅对残差大区域进行6. 图像重建双线性插值生成最终校正图像。

原创 Digital Radiography(DR)直接成像的校正

本章系统阐述了 X-ray 直接成像中平板探测器的工作原理、六大校正步骤（暗场、增益、坏像素、散射、滞后、几何畸变）的物理机制与算法实现，并强调了每一步在提升图像质量中的关键作用。同时，通过对比 X-ray 与 CT 在投影几何、校正内容与实时性要求上的差异，深化了对不同成像模态预处理特点的理解。

原创 XRay几何标定论文(3)阅读:GDXray – The Grima database of X-ray images

这篇题为《GDXray – The Grima database of X-ray images》的论文介绍了一个公开的、用于X射线检测与计算机视觉研究的大型X射线图像数据库。以下是该论文的详细解析：标题：GDXray – The Grima database of X-ray images年份：2015作者：Mery, D.; Riffo, V.; Zscherpel, U.; Mondragon, G.; Lillo, I.; Zuccar, I.; Lobel, H.; Carrasco, M.

原创 XRay几何标定论文(2)阅读:X-ray image calibration and its application to clinical orthopedics

其核心是通过一个特制的校准物体和一套基于模拟投影的优化算法，精确恢复X射线图像的投影几何参数，从而克服传统X线片的二维投影局限和未知放大率问题。其提出的方法解决了临床长期存在的痛点，以相对低的成本和高的兼容性，显著提升了普通X射线影像的利用价值，具有很强的临床转化潜力。在2D X射线图像上自动、准确地找到对应的2D投影点，从而计算投影矩阵。通过一个特制校准物体和创新的基于模拟投影的识别算法，能够。开辟了道路，有望改善骨科诊断、手术规划和术后评估。：利用校准物体已知的3D标记点坐标，通过一套。

原创 XRay几何标定论文(1)阅读：A multifunctional geometric phantom for digital radiography assessment

这篇论文是一项具有实用价值的技术开发研究，提出了一种创新的体模设计，解决了当前数字化X射线几何质量控制工具功能单一、精度不足的问题。其模块化、多功能、可量化的特点使其在临床和监管环境中具有推广应用潜力。assessment》的论文，发表于2025年，旨在提出并验证一种新型的三层模块化几何体模，用于数字化X射线摄影系统的几何精度质量控制评估。这篇题为《A multifunctional geometric phantom for digital radiography。

原创 VTK各版本特性查询

https://docs.vtk.org/en/latest/release_details/9.5.htmlhttps://docs.vtk.org/en/latest/release_details/9.4.htmlhttps://docs.vtk.org/en/latest/release_details/9.3.htmlhttps://docs.vtk.org/en/latest/release_details/9.2.htmlhttps://docs.vtk.org/en/latest/relea

原创 如何在vtkOpenGLSurfaceProbeVolumeMapper上进行着色

这个测试代码展示了支持多种颜色映射策略支持透明度映射支持不同数据类型支持窗宽窗位调整支持RGB预着色数据对于您的两组件数据，最合适的方案是使用颜色传输函数 + 透明度函数的方式，将第一个组件映射为颜色，第二个组件映射为透明度。这样可以充分利用该映射器的完整功能。

原创 vtkOpenGLSurfaceProbeVolumeMapper解析

是一个强大的工具，用于在任意曲面上可视化体积数据。灵活性：可以将体积数据投影到任何几何形状上交互性：允许用户选择不同的采样曲面和参数可视化：提供了多种混合模式来展示体积特征通过合理设置混合模式、采样宽度和窗宽窗位，可以获得丰富的可视化效果，满足不同应用场景的需求。

原创 在windows上从低版本VTK到9.5版本升级遇到的问题总结

原因： 在 VTK 9.0 中，你可能链接的是 vtkglew 相关的库，而到了 VTK 9.5，许多 OpenGL 函数（如 glTexParameteri）被封装在了 vtkglad 模块中。报错说明你的项目链接器找不到 vtk_glad_glTexParameteri 的实现。

原创 MONAI Label: A framework for AI-assisted Interactive Labeling of 3D Medical Images论文精读

MONAI Label 是一个端到端的标注与学习平台交互式与非交互式标注主动学习策略多前端支持可扩展的AI模型集成DICOM兼容与PACS集成MONAI Label 是一个功能全面、开源灵活、临床可用的AI辅助标注平台，显著降低了3D医学图像标注的门槛与时间成本，推动了医学影像AI模型的快速迭代与临床应用。

原创 DeepEdit: Deep Editable Learning for Interactive Segmentation of 3D Medical Images论文精读

DeepEdit 是一个多模式深度学习模型全自动分割模式：无需用户交互，直接输出分割结果。半自动分割模式：用户提供点击作为输入，引导模型进行分割。分割修正模式：在已有分割结果的基础上，用户通过点击进行局部修正。

原创 VTK9.5.2在windows上进行安装

Visual Studio： 安装 Visual Studio 2022，并确保勾选“使用 C++ 的桌面开发”工作负载。源码： 从 VTK 官网 或 GitLab 下载 VTK-9.5.2.zip 源码并解压。CMake： 下载并安装 CMake 3.20+。

原创 增强医学成像技术：体积渲染中的环境遮挡

医学成像是医疗保健领域的重要工具，可将计算机断层扫描 (CT) 和磁共振成像 (MRI) 等技术的原始数据转化为指导诊断、治疗计划和患者护理的视觉效果。这些可视化的质量至关重要——数据的呈现方式可能意味着发现关键异常或完全错过它之间的区别。渲染此数据的基本方法之一是体积渲染技术 (VRT)，它通过将组织密度映射到颜色和不透明度，将 3D 体积数据集转换为综合图像。VRT 广泛用于 DICOM 查看器，为临床医生提供解剖学的整体视图，例如肿瘤与周围血管之间的空间关系，这使其对于理解复杂结构不可或缺。

原创 VTK中的volumeData和polyData的阴影效果比较

PolyData阴影好，是因为它对应传统3D图形学的“表面渲染”范式，有明确的几何、法线和深度，便于利用GPU硬件加速的标准光照和阴影管线。VolumeData阴影效果弱，是因为它属于“体渲染”范式，其“表面”是隐式且模糊的，光照基于噪声敏感的梯度，而真正的体积阴影计算成本极高，通常默认关闭或简化处理。因此，在选择渲染方式时，需要根据数据性质、可视化需求和性能预算来决定：追求高质量的交互式阴影和光照效果，优先选表面渲染（PolyData）；需要。

原创 在vtkpolyData数据上使用vtkvolumeData的颜色映射

vtkImageData* inputData, // 经过预处理的单通道体数据const IsoSurfaceConfig& config, // 等值面配置参数vtkImageData* volumeData) // 原始多通道体数据（用于颜色映射）

原创 基于vtkPolyData的法向量可视化

【代码】基于vtkPolyData的法向量可视化。

原创 vtkOpenGLGPUVolumeRayCastMapper代码解析

这是一个导出类（通过宏控制符号可见性）。继承自，表明它是GPU光线投射映射器的OpenGL实现。提供了多个方法，允许子类或用户扩展着色器功能支持渲染阶段自定义（通过API）核心优势：利用GPU并行计算实现高性能体积渲染设计特点：模块化着色器系统、多输入支持、PIMPL模式隐藏实现适用场景：医学影像可视化、科学数据体渲染、实时交互式体积可视化。

原创 在paraview中保存配置参数

【代码】在paraview中保存配置参数。

原创 Notepad++离线安装HexEditor

https://notepad-plus-plus.org/downloads/v8.9/https://github.com/chcg/NPP_HexEdit/releases

原创 自定义生成dicom格式数据并解析

原创 医疗数据格式DICOM

DICOM®（医学数字成像和通信）是医学图像和相关信息的国际标准。它定义了可以与临床使用所需的数据和质量进行交换的医学图像的格式。DICOM® 几乎应用于所有放射学和放射治疗设备（X 射线、CT、MRI、超声波等）。它是世界上部署最广泛的医疗保健消息传递标准之一。国际标准化组织将其认可为 ISO:12052。DICOM 是一组标准，旨在允许多个制造商之间跨多种模式进行通信，以便所有符合 DICOM 标准的医疗机器在通过网络发送信息时都可以使用相同的语言。

原创 VTK中的Camera如何限制移动范围

与左键类似，但中键缩放可能改变距离，需要重新检查限制。，使限制参数与数据尺寸成正比，适应不同尺度的数据。）应用限制，避免在拖动过程中频繁计算。：强制将相机距离限制在指定范围内。处理除零错误和数值稳定性问题。：初始化相机控制和数据尺度。

原创 如何解决VTK体绘制后放大或缩小体数据时出现的缺失问题

核心原理：通过将裁剪范围与体数据的物理尺寸（对角线长度）相关联，确保无论相机如何移动（放大/缩小），体数据始终在可见的裁剪范围内。关键点对角线长度是数据无关的尺度度量0.01× 到 10×提供了足够的余量动态适应不同缩放级别避免硬编码固定值，适应不同尺寸的数据这就是为什么这行简单代码能有效解决缩小时体数据局部或全部缺失的问题。

原创 Ascend开发依赖python安装

您也可以将以上命令写入~/.bashrc文件中，然后执行source ~/.bashrc命令使其立即生效。

原创 Ascend开发包Acllite安装

设置环境变量，配置程序编译依赖的头文件，库文件路径。“$HOME/Ascend”请替换“Ascend-cann-toolkit”包的实际安装路径。将YOLOV7原始模型转换为适配昇腾310处理器的离线模型（*.om文件），放在model路径下。运行完成后，会在样例工程的out目录下生成推理后的图片，显示对比结果如下所示。可以使用以下两种方式下载，请选择其中一种进行源码准备。请从以下链接获取该样例的输入图片，放在data目录下。执行以下命令，执行编译脚本，开始样例编译。执行运行脚本，开始样例运行。

原创 Segment Anything Model（SAM）介绍

SAM 旨在通过提供用于分割图像中的对象和区域的多功能且适应性强的基础模型来彻底改变我们进行图像分析的方式。与需要大量特定任务建模专业知识的传统图像分割模型不同，SAM 消除了这种专业化的需要。其主要目标是通过充当基础模型来简化分割过程，该模型可以通过各种输入（包括点击、框或文本）进行提示，从而使更广泛的用户和应用程序可以访问它。SAM 的与众不同之处在于它能够推广到新任务和图像领域，而无需自定义数据注释或广泛的再训练。

原创 基于昇腾Ascend NPU的YOLOV8-seg c++部署

部分是因为在后处理过程中将 N 个原型掩模组合起来，以形成对象实例的完整分割掩模。相同的原型掩模可以构成完整的掩模，例如图像左下角的篮球和同一区域的鞋子。在论文的上述示例中，为简单起见，仅使用了四个原型掩模。完整的掩模是掩模原型和掩模系数的线性组合。在我们的例子中，YOLOv11 输出 N = 32 个原型掩模和一个由 32 个掩模系数组成的向量。实例分割与对象检测类似，但它确定图像中的哪些像素属于对象，而不是寻找包围对象的框。形状为 1 x 32 x 160 x 160 的张量，包含预测的原型掩模。

原创 基于昇腾Ascend NPU的UNet C++部署

修改predict.py文件，mode = “export_onnx”

原创 vtkImageData中的deepCopy和shallowCopy的区别

【代码】vtkImageData中的deepCopy和shallowCopy的区别。

原创 C++ 中 std::async 和 std::future 的并发性

两种实现都实现了使用 std::async 和 std::future 并行下载块文件的目标。C++ 提供了多种工具和库来利用并发的力量，其中两个最基本的组件是 std::async 和 std::future。在上图中，我们看到一架飞机在日落时分在傍晚的天空中翱翔，代表了并发的概念。std::async 是启动异步任务并使用 std::future 获取其结果的便捷方法。为了更好地理解 std::async 和 std::future 的工作原理，让我们考虑一个示例场景，其中我们需要同时分块下载大文件。

原创 #pragma omp parallel并行加速学习

pragma omp parallel sections 是 OpenMP 中用于实现任务并行的重要指令，特别适合执行多个独立任务的情况。

原创 vtkSMPTools介绍

如果粒度过大，开销会减小，但可能导致负载平衡不佳，因为某些线程（如果分配给它们的特定子范围计算量较小）可能更早完成工作，但由于没有足够的子范围来分配任务而闲置。在工作窃取中，每个线程都有自己的工作池，从中获取下一个要执行的任务，并添加生成的任何新任务。这些挑战是巨大的，需要协调一致的努力才能充分释放并行计算的潜力。由Kitware的Berk Geveci博士领导，并与美国能源部国家实验室等知名计算机构合作的VTK/ParaView社区，正在认真对待这些挑战，并制定了面向未来的宏大愿景。"[7]也可供参考。

原创 对vtkPolyData数据进行平滑处理

通过，直观展示原始的、带“毛刺”的抛物面网格数据，在经过平滑滤波处理后的效果差异。

原创 基于昇腾Ascend NPU的YOLOv8OBB部署

【代码】基于昇腾NPU的YOLOv8OBB部署。

原创 小目标检测论文和代码汇总

code: https://github.com/obss/sahi概要：这篇论文提出了一种名为切片辅助超推理（SAHI） 的通用框架，通过切片辅助微调 和切片辅助推理 两种方法，显著提升了小目标检测的性能。其核心贡献在于：无需修改现有检测器结构，即可通过图像切片与重叠推理策略有效增强小目标的检测能力，并在VisDrone和xView数据集上实现了最高达14.5%的平均精度提升。该方法已集成至主流检测框架如Detectron2、MMDetection和YOLOv5，具有良好的通用性和易用性。code:

原创 C++枚举学习

特性传统枚举 (enum)有作用域枚举 (enum class)作用域无作用域，会污染外层有作用域，需要Enum::Value隐式转换允许隐式转换为int不允许，需要显式转换类型安全较低较高底层类型默认int，可指定默认int，可指定推荐使用旧代码兼容新项目推荐最佳实践建议在新代码中优先使用enum class为枚举指定合适的底层类型以节省内存为枚举提供相关的工具函数避免使用魔术数字，使用有意义的枚举值。