水平集——那些我膜拜过的牛人2

图像分割 - 水平集算法 水平集介绍 水平集分为三种: 1 . 基于图像边缘灰度梯度信息 ,适用于边缘强的图像分割 2 . 基于区域特征 ,利用区域信息引导曲线慢慢靠近 ,比如分割曲线区域的内外灰度均值,分割曲线内部区域面积(例如 Chan-Vase) 3 . 混合型 水平集关键 :曲线的演变 首先设置一个初始轮廓,也就是初始轮廓,通过将这个初始轮廓演变成图像中需要分割出来的形状,那具体是如何演变的呢 ?我用自己的理解来解释一下: 既然曲线在演变,那曲线的每一个点一定有一个演化的方向,如何确定演化方向? 用最优方 阅读详情
AI摘要

介绍了水平集方法在医学图像分割中的应用及其优势,并详细解释了李春明提出的无需重新初始化的水平集方法,该方法极大提高了图像分割的速度与准确性。

久违了,今天换到新部门,准备利用下班时间接住先前的班。

本篇是迄今为止数学味最浓的,主要用于介绍一个方法以及一个牛人李春明。又来一个明(上次是何凯明),要是中国的小明都这么厉害就了不得了。

代表文章:《Level set evolution without re-initialization》,《Minimization of Region-Scalable Fitting Energy for Image Segmentation》,个人主页:http://engr.uconn.edu/~cmli/。第二篇文章获得2013年IEEE信号处理学会最佳论文奖(IEEE Signal Processing Society Best Paper Award),这个奖每年评选过去五年期间影响力大的几篇文章,可见算法需要经过相当长时间的考验才能被评委会认可,当年同获此殊荣的只有五篇文章。

李的最大贡献,是提出了无需重新初始化的水平集惩罚因子和局部能量模型。要讲清楚这个问题,说了话长,但今天时间有限,又要简短说明。

首先,必须搞清楚什么是水平集?这个很有难度,我相信大部分人都从未听过,就算是搞图像搞机器学习的。

1 什么是水平集?

水平集(LevelSet)是一种图像分割方法,就像阈值法(threshold),分水岭(watershed),图割算法(GraphCut)一样,只不过它主要用于医学图像分割。另外,它是一种基于能量泛函的图像分割方法,即它把图像分割的问题,转换为了最小化一个能量函数的问题(听不懂没关系)。

其实,要想理解水平集算法,应该先从snake以及曲线演化理论讲起。但是,那样又增加了本文的工作量,对于在手机上浮躁地翻开文章的我们来说,实在不是个明智之举。

所以咱们先上一个另外的概念,等高线!学过初中地理的都知道等高线是什么吧?

看下面的曲面,红色的虚线就是一条等高线。0?wx_fmt=png

图1

水平集的算法,最早上起源于物理学,是OSher和Sethian为了解决遵循热力学方程下火苗外形的变换过程,因为该演化过程是非常复杂的,具有高动态性和拓扑结构任意变换的属性,无法用带参数的数学表达式描述曲线或者曲面,现实生活中我们遇到的绝大多数实际问题也是没有精确的数学表达式的。

那么水平集算法的核心思想是什么嗯?那就是将要研究的问题,看做是更高一维空间的函数(也就是水平集函数)的零水平集。因此,当我们要追踪某一曲线(曲面)的演化过程,实际上就等价于追踪更高一维曲面的演化过程。0?wx_fmt=png

 

图2

如上图1至2的演化过程,如果对红色曲线建立一个随时间而变化的模型,是很困难的,因为发生了拓扑结构变化(一条曲线变成了两条),但是如果只是对蓝色的曲面建立随时间变化的过程,则是可行的,而红色曲线就是取其Z=0的水平集。

数学好的人有没有觉得眼熟?实际上,这就是隐函数的思想。

(1)y = f(x)

的等价写法就是

(2)Φ(x,y) = y - f(x)

Φ(x,y) = 0

当无法显式写出x为自变量的函数y,但是可以得到y与x的某种关系时,就能通过另外一种方法来表达,圆就是一个典型的例子,它的方程如下。

x2+y2=r2

非要写出y=f(x)是这样的:

0?wx_fmt=png这还只是最简单的圆,表达式既不优美也不好理解。

好了,那采用隐函数怎么描述刚才的曲线呢?

假设曲线为C,它是随时间变化的,那么曲面(也就是水平集函数spacer.gif)的描述式如下:

φ(C(t),t)=0

偏微分求解后就是一个如下的式子

0?wx_fmt=png给φ一个初始值,它就可以在F的作用下进行演化,然后令其等于0,就得到了C,原理何其明朗!

如此一来,最关键的问题就是求取F,也就是演化函数,这就是水平集方法的核心思想。当然实际上没有那么简单了,不过搞懂战略思想是最重要的一步。

2 为什么要讲水平集?

先给大家看几个数据吧。

世界卫生组织下属的官方癌症机构国际癌症研究中心(IARC)发布《2014年世界癌症报告》,参与编撰的有来自40多国的250多位科学家,对全球180多个国家的28种癌症的总体情况和流行趋势进行了全面的描述和分析,报告的数据基于2012年的统计结果。

根据报告统计数据显示,在2012年,全球新增癌症病例达到1400多万例,并预计在未来20年达到每年2200万的水平,同期癌症死亡人数也将从每年820万飙升至1300万,全球癌症负担目前正在以惊人的速度不断加重。0?wx_fmt=jpeg

那中国又如何呢?

2012年,全球新病例有一半发生在亚洲,其中大部分发生在中国,居全球首位。中国新增307万癌症患者并造成约220万人死亡。每10万人中约250人,全国每分钟有6人被诊断为癌症,人一生患恶性肿瘤的概率为22%(74岁),由于中国庞大的人口基数,使得中国成为第一癌症大国并不意外。其中肺癌是最普遍和最致命的癌症,2012年约新增180万患者并导致159万人死亡。其中中国约占此类病例的1/3以上。专家表示,吸烟、长期遭受空气污染和职业中接触致癌物,是增大(中国人)患肺癌风险的主要因素。你可能会说,有病就去治嘛,有什么问题。

问题是!

一方面逐年递增大量的病例,另一方面国内的医疗资源分布非常不均匀。来北京看一次病就知道了,医院的资源是多么的紧缺。去年北京市医疗机构的总诊疗人次是2.19亿,其中近一半是外地患者到北京来就诊,靠医生手动地诊断已经满足不了如此多的患者。另一方面,随着生活水平提升很多病人需要个性化的治疗(不差钱),这需要更智能的医疗诊断系统来追踪病人的病情发展,而目前的应用仍然不能令人满意,很大程度上是因为医疗图像处理的水平精度还不够。医学图像处理结果不能OK就行了,人命关天。漏判一个肿瘤,误判一个肿瘤,都是灾难性的。

医学图像处理包括很多方面,此处只讲分割。图像分割是底层的操作,也是图像处理里非常关键与基本的技术,它主要用于提取病变组织以便临床治疗定时追踪肿瘤细胞的大小,位置,生长状态,从而了解和预测病情的发展,以便进行治疗。

图像分割方法有很多,为什么偏偏要讲水平集?

这是因为医学图像不同于一般的图像,它有自己的特点。

(1) 对比度低。由于医学图像成像原理多样导致影响其图像质量的原因各不相同,而且医学图像的获取往往是借鉴间接的手段,如显影技术或者磁场效应,而非其他自然图像的获取,不可避免地导致获取的图像对比度与信噪比低。尤其是MRI图像中不可避免存在的灰度偏移场,CT图像中的部分容积效应,对医学图像算法的鲁棒性提出了较大的挑战。

(2) 个体差异明显。这一方面是由于各人的身体结构存在着差异性,导致即使对于相同的器官组织,相应的图像也可能存在较大的差异。另一方面是由于不可预知的病灶区域可能破坏了组织图像的完整性,对算法的通用性能提出了更大的挑战。

下面只上几张比较中规中矩的肿瘤图像。

0?wx_fmt=png0?wx_fmt=png

0?wx_fmt=png

上面是一些典型的脑肿瘤图,图中的白块就是肿瘤。为了让大家看的更直观,特地选出来一些比较好分割的图像,但是也并不是什么方法都能分割出来的,就我个人知识而言,不进行任何预处理,没有一种方法可以自动地直接将这些肿瘤都给分割出来。不信可以去问问周边搞图像的人,如果有,请务必告诉我。

下面是我的分割结果,算不上完全自动,但是也是基本上不需要监督。(仔细看肿瘤周围叠加的轮廓,就是分割的结果)

 

0?wx_fmt=png

0?wx_fmt=jpeg

0?wx_fmt=png

用到的方法就是水平集。

3 Why李春明

接下来才是最重要的,为什么要致敬李春明。

在水平集方法之前,有个snake方法,它也是基于能量泛函的方法。核心思想就是,首先在感兴趣区域的附近给出一条初始曲线,接下来在曲线固有内力(控制曲线的弯曲和拉伸)和图像外力(控制收敛到局部特征)的作用下收敛到目标的边界轮廓,再具体的公式就不想细说了,因为一两句话说不清楚。

它存在着很大的问题,也就是前面第一部分提到的,要将曲线进行参数化,这是个非常困难的问题,而且它还不能处理图像曲线的拓扑变换,所以才有了水平集的出场。

早期的水平集方法是边缘型的,对噪声非常敏感,而医学图像退化(含噪声,对比度低)非常厉害,所以应用很局限。后来Chan和Vese率先提出了简化的二值CV模型,通过加入曲线的长度项和面积项作为曲线演化的平滑约束项,获得能量函数如下。0?wx_fmt=png

接下来只有两个公式,尽管不写公式可能说不清楚这个问题,但我的最终目的是引导大家对此感兴趣,而不是用公式来吓大家。

上面的能量函数,就对应了图像分割的问题。使它最小化的曲线C,就是我们分割目标的轮廓,而且它能保证结果一定是光滑的,封闭的,其他的方法保证不了这一点,至少无法直接保证。

这就是水平集算法最大的好处,得到的结果曲线是处处可导的。

好是好,然而该方法是一个能量泛函最小化问题,经典解法就是最小梯度法,然后离散化按一定步长进行迭代直至收敛。在不断迭代的过程中,等高线(也就是零水平集)会变得不再光滑,如果不进行调整,就是使得演化过程越来越偏离正确结果。于是在很长一段时间里,就是各种重新求解水平集函数来约束其光滑的方法,它们都有一个特点,计算量非常大!再优化,也无法达到线性的复杂度。本来水平集方法演化就慢,这样一来就更加限制了其发展,而且每次迭代完后重新计算水平集的方法还无法保证精度。

在临床治疗中每天产生大量的样本,如果处理速度太慢是不可接受的。

改变的发生,似乎就是《Level set evolution without re-initialization》的发表。

当然,他干的有影响的不止这一件事,不过这是开始。一言以敝之,就是在原始的方程中添加了下面的二阶式子,作为惩罚项。

0?wx_fmt=png

它的微分如下:

 

0?wx_fmt=png

1-1/|▽φ|被称为扩散率函数,当水平集函数梯度大于1时,扩散率大于0,惩罚项起正向扩散作用,使得水平集函数更加光滑,从而减小梯度;反之使其增大。总之,它约束了水平集函数的梯度偏离1的程度,而当水平集函数的梯度能保持1时,对应的零水平集,也就是我们的分割轮廓是光滑处处连续可导的。后来李进一步改善了该算子,使得水平集函数在零水平集附近的梯度为1,而在远离零水平集的附近为0。当然也有人基于此方法的思想,采用了更加高阶的规整化方案。

好了,核心思想是什么?

那就是,如果曲线演化速度太快了,就让它慢一点,如果慢了,就快一点。它的存在,能在很大程度上保证零水平集曲线是光滑的。水平集函数φ不光滑的地方,▽φ就会大于1,从而使得P很大,对减小能量造成不利的影响。所以P是一个惩罚项,要想能量最小,作为它的求和项中一项的P也应该小,对应的也就是曲线光滑,不知道这样理解是不是简单一些?

有了这一项后,就只需要考虑以一定的步长进行离散迭代,而不需要每迭代一次就对水平集函数Φ进行一次复杂的计算了。

这堪称是里程碑式的研究成果,后来的水平集方法相关的论文很多都要在此思想上进行研究。

之所以要讲数学味挺浓的东西,一方面是因为图像处理算法本来最核心的就是数学,另一方面也是为了借此引出惩罚这个概念。因为,几乎在所有数学优化问题中,它都隐约可见。不掌握这个思想,接下来就举步维艰!

尽管已经尽量避免数学公式,试图按自己的语言把一些图像算法讲的浅显易懂,但是自己也还需要努力。而数学,我深刻感觉到学得再好也不为过,自己还非常非常欠缺。

本想插入两个小视频让大家直观地感受一下水平集方法的过程,无奈微信做不到,公式编辑也不好。提供一个demo如下:

https://math.berkeley.edu/~sethian/2006/Applications/Medical_Imaging/artery.html

最后说一句,我回来了!

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

水平集(简单理解,有些其他地方看不到)(针对图像分割) 从Level-set的字面意思能够理解到,set为集合,代表了一系列点集,一个函数上满足一定条件的一系列点集。例如:{x│f(x)=x^2+1=2},set为{-1,1}。Level为水平,既函数的取值,代表了f(x)的值。 用二维(x,y)表示一维(x),二维线表示一维点,{x│f(x)=x^2+1=2},Level为2,set为{-1,1}。 用三维(x,y,z)表示二维(x,y),三维面... 阅读详情

相关推荐

[图像处理]水平集(Level set)算法实现思路(简化)

文章目录III.水平集算法的主要迭代公式IIIIII.水平集函数初始化IIIIIIIII.零水平集的计算-窄带构建IVIVIV.必要公式补充 写在前面: 1)做Level set学习的起因是为了完成医学图像处理的实验报告,如果老师或助教发现实验报告与本文有极高的重合度,不要认为我是抄袭啊!!就是本人啊!! 2)关于本篇文章所列的公式极其实现思路能否完成的问题,还要等把代码打出来才可以得到验证。在这之前,对于各位朋友的论文写作和算法学习,不建议收藏或学习。 3)实际上在这篇Markdown文章发布之前,已经对

qq_44207723的博客 6638

水平集算法原理介绍

本篇文章,解释的是水平集算法最基础的原理。 水平集方法的解释 有一个表面S,它与一个平面P相交,得到一个曲线C,这个C就是我们通过水平集得到的轮廓。 在图像分割中,表面S是随着由图像派生得到的势(force)来更新。 本文的思路是: 1提出问题 2提出解决方法 3方法的局限性跟踪界面 首先,我们来想象水从一个小山的山顶往下流的画面。我们的目标是,在水往下流的时候,跟踪水前(wa

github_35768306的博客 4万+

水平集 图像分割

水平集图像分割主要推荐以下几篇文章。看完就能基本认识水平集图像分割。 水平集的简单理解,没有什么公式,但是能说明基本思想 知乎:水平集_图像分割。涉及公式推导和原理讲述 水平集算法原理介绍 基于opencv c++实现的水平集图像分割代码 ...

thequitesunshine007的博客 3876

水平集

Level-set,set为集合,代表了一系列点集,一个函数上满足一定条件的一系列点集。 水平集(level set)的基本思想是将界面看成高一维空间中某一函数ψ(称为水平集函数)的零水平集,同时界面的演化也扩充到高一维的空间中。我们将水平集函数按照它所满足的发展方程进行演化或迭代,由于水平集函数不断进行演化,所以对应的零水平集也在不断变化,当水平集演化趋于平稳时,演化停止,得到界面形状。 在...

爱大象呦 4525

水平集(Level Set)的基本方法

水平集(Level Set)的基本方法 水平集(Level Set)的基本方法-曲线演化的直观解释 映射C(p),p∈[a,b]:R→R2定义了一个平面的曲线,p是参数,对属于区间[a,b]内的每一个p0,我们得到曲线上的一点:C(p0)=[x(p0),y(p0)) 正则曲线:如果 例:单位圆 曲线的切线 弧长参数 如果曲线

科研学习笔记! 6万+

深入理解水平集分割方法

水平集分割方法是图像处理领域中的一种强大技术,它利用数学模型来表达和处理图像边界。与其他图像分割技术不同,水平集方法通过隐式表征轮廓或界面,为处理复杂拓扑变化和动态边界提供了独特的优势。由于其演化过程的数学性质,它在处理噪声敏感性以及分割对象存在尖锐或模糊边缘时,都表现出高鲁棒性。本文将从水平集方法的核心原理、分割步骤细节、以及在不同领域的应用优势等方面,对这一技术进行深入探讨。在实际应用中,多水平集方法已经被成功地应用于医学图像分析、视频监控、工业检测等领域。

weixin_36289813的博客 1090

水平集(水平集——那些我膜拜过的牛人2)(带图版)

这篇文章出自公众号:有三AI 链接

weixin_44762055的博客 3423

水平集源教材

该文档是提出水平集方法的学者编写,书中关于水平集方法的描述非常详细,相信会对学习水平集方法的研究者有帮助

一个程序员的进化史-第十九章

整个6月没写什么东西,忙着毕业。现在在租的房子里面,樊胜美和邱莹莹还在睡觉,我来写点东西,一为总结走过的路,二为走好接下来的路。        三年的研究生涯转瞬即逝,我有过决策很正确的事情,那时候的我轻松愉快。虽然在做事情的时候肯定不那么轻松,但事情成功后的成就感却是满满的。而我后一阶段的错误在于,我一开始轻佻没认真严肃对待事情,那么后面遇到的障碍也理所当然了。我现在心平气和地写这些,只是希望

yutianxin123的专栏 836

墨水屏高效开发:架构、开源库与实战优化指南

嵌入式显示技术中,电子墨水屏以其类纸观感和超低功耗特性,在电子书阅读器、智能办公本及工业仪表等场景中占据独特地位。其工作原理基于微胶囊电泳技术,仅在画面刷新时消耗电能,静态显示时功耗近乎为零,这带来了极致的续航优势。为实现流畅的交互体验,开发者需构建分层渲染架构,通过硬件抽象层统一驱动接口,并引入帧缓冲与差异比较算法智能决策局部刷新区域,从而大幅降低刷新延迟与功耗。开源库如GxEPD2和LVGL为墨水屏适配提供了关键支持,结合波形文件管理与电源优化策略,能有效解决残影与卡顿问题。本文聚焦于eink墨水屏高效

weixin_42545636的博客 412

HybridCLR热更新打包报错全解析:从原理到实战解决方案

热更新技术是现代游戏和应用开发中实现动态内容交付与Bug修复的核心机制,它允许开发者在无需重新发布完整应用的情况下更新代码逻辑。其原理通常涉及在运行时加载并执行新的代码模块,这要求框架在底层实现安全的代码隔离、内存管理与元数据桥接。在Unity生态中,HybridCLR作为基于IL2CPP的高性能热更新解决方案,通过补充元数据和AOT泛型引用技术,实现了对C#代码的原生级热更支持,显著提升了开发迭代效率与线上问题修复能力。然而,在实际的工程实践中,尤其是在面向Android、iOS等多平台打包构建时,开发者

weixin_29017445的博客 309

风凉话之我的语言水平

最近发现我的语文水平很不好,也或许是别人的听力不够好。前些天去肯德基买吃的,跟人家说要一盒蛋挞,但人家只给了我一个,很是郁闷;今天又去了,跟人家说要一盒土豆泥,但人家却给了我两盒,更加无奈......说些风凉话,让自己更虚假一些......(无奈与无辜)

FrontGoggle 685

别再羡慕专业版!用这个批处理脚本,一键给Win11家庭版装上官方沙盒

本文详细介绍了如何通过批处理脚本在Windows 11家庭版上安装官方Windows沙盒(Windows Sandbox),无需复杂操作即可享受专业版功能。脚本自动激活系统内置组件,提供安全隔离的虚拟化环境,适用于软件测试、安全浏览等场景。

weixin_26757925的博客 500

开眼界

1.MySQL Oracle Oracle一体机 2.Nginx是一款轻量级的Web 服务器/反向代理服务器及电子邮件(IMAP/POP3)代理服务器,并在一个BSD-like 协议下发行。由俄罗斯的程序设计师Igor Sysoev所开发,供俄国大型的入口网站及搜索引擎Rambler使用。其特点是占有内存少,并发能力强,事实上nginx的并发能力确实在同类型的网页服务器中表现较好,中国

yutianxin123的专栏 663

vite打包文件如何支持files协议,支持双击即可打开网页,支持electron打包文件。

原本的所需框架为vite + element-plus项目,需要打包之后用eletron打包为桌面应用。但遇到一个问题,耗费了整整一下午时间。vite的配置也没有考虑过纯静态页面的情况。打包之后的页面只支持https协议。不断是百度以及问AI然后看vite官网文档,最后终于配置好了。这里有一个问题就是上面箭头所指位置,不支持跨域,也是es6的语法也不支持。配置完之后打包文件如下。

guiplan 1562

FM收音机调试-RDA5807M

收音机调试 IC型号:RDA5807M

mangofu的博客 6182

【ITK】水平集

水平集的核心思想是:通过高维函数曲面来表达低维的演化曲线或曲面,即将演化(变化)的曲线或曲面(界面)用高维水平集函数的零水平集来间接表达,将演化曲线或曲面的演化方程转化为高维水平集函数的演化偏微分方程,通过求解关于水平集函数的方程来捕捉运动边界面。该方法可方便地扩展到任意维空间。目前关于水平集的一种应用是将水平集方法与活动轮廓模型(又称“主动轮廓模型”)结合,用水平集方法来求解活动轮廓模型得到的偏...

Jane_yuhui的专栏 4744

基于Python的虚拟货币社区情绪分析与市场价格预测爬虫实现

本文探讨了如何利用Python爬虫技术获取虚拟货币社区数据,并通过情感分析预测市场价格走势。我们将使用最新的异步爬虫框架、自然语言处理技术和机器学习模型,构建一个完整的社区情绪分析系统。本文提供了详细的代码实现和理论解释,适合作为毕业设计参考。关键词:Python爬虫、虚拟货币、情感分析、价格预测、异步爬虫、机器学习爬虫框架aiohttp和httpx用于异步HTTP请求HTML解析和parsel数据存储MongoDB和Pandas用于数据处理自然语言处理库和VADER情感分析工具机器学习和。

2201_76125261的博客 524

图像分割之水平集(Level Set)分割

几何活动轮廓模型——水平集分割:Active Contours Without Edges 水平集方法         水平集是跟踪轮廓和表面运动的一种数字化方法,它不直接对轮廓进行操作,而是将轮廓设置成一个高维函数的零水平集。这个高维函数叫做水平集函数。然后对该水平集函数进行微分,通过从输出中提取零水平集来得到运...

阿兵-AI医疗的专栏 2万+

python-pandapower电力系统潮流计算(算例8:ieee33节点潮流计算))

python-pandapower电力系统潮流计算(算例8:ieee33节点潮流计算))

总裁余(余登武)博客 5035

(计算机组成原理)第二章数据的表示和运算-第二节:数字电路基础知识

本文介绍了计算机组成原理中的逻辑门电路、多路选择器和三态门。逻辑门电路包括基本逻辑运算(与、或、非)和复合逻辑运算(与非、或非、异或、同或),这些运算通过门电路实现,并满足分配律和结合律。多路选择器(MUX)用于从多个输入信号中选择一个输出,广泛应用于数据选择、资源共享和逻辑函数实现等场景。三态门则具有三种输出状态(高电平、低电平、高阻态),常用于总线控制和信号隔离。这些元件在数字电路设计和计算机系统中具有重要作用。

快乐江湖的博客 2479

水平集和符号距离函数

水平集和符号距离函数 零水平集 定义: 对于一个函数 ϕ(x⃗):Rn→R\phi(\vec x):{\mathbf{R}^n}\rightarrow \mathbf{R}ϕ(x):Rn→R(其中x⃗∈Rn\vec x \in {\mathbf{R}^n}x∈Rn ,下同),取其值域为零部分对应的定义域: Γ={x⃗∣ϕ(x⃗)=0}(1) \Gamma = \{ \vec x|\phi (\vec x) = 0\} \tag{1} Γ={x∣ϕ(x)=0}(1) 这里, Γ∈Rn−1\Gamma \in

LSEC小陆的博客 4725

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

comsol两相流之水平集法

两相流是流体力学中一类包含物质两相状态的流动问题,可分为固液、液气、气固、液液(两种不均混液体)。两相流问题非常复杂,通常情况下,多相流体系总是由若干种连续介质或一种连续介质和若干种不连续介质组成,在物质的两相界面处各项参数呈断崖式变化,相比于单相流,未知参数成倍增加。多相流的数值模拟难点还在于不同相之间的传热传质交换,不同相分布的确定等等。 在较小的尺度上,可以对相边界的形状进行详细建模;例如,气泡与液体之间的气液界面的形状。在软件中,这种模型称为分离多相流模型,通常使用表面追踪法来描述此类模型。 在较大

Holicool的博客 3万+

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

常见的使用水平集函数的零水平集表示的曲面汇总(3D)(MATLAB 画三维图)

常见的使用水平集函数的零水平集表示的曲面汇总(3D) 文章目录常见的使用水平集函数的零水平集表示的曲面汇总(3D)Donut甜甜圈Atom原子Popcorn爆米花Tooth牙齿Heart爱心Apple苹果Orthocircle正交圆Swiss cheese block瑞士奶酪块Heart心形Flower花代码 感谢周同学和张师兄的公式提供。 Donut甜甜圈 水平集函数: ϕ(x,y,z)=(x2+y2−0.6)2+z2−0.09 \phi(x, y, z)=\left(\sqrt{x^{2}+y^{2

LSEC小陆的博客 3524

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

『分享』水平集算法简介(Level Set)

水平集算法简介(Level Set) 一、水平集的定义     与实数c对应的可微函数f:R^n—>R的水平集是实点集{(x1, x2, ...,xn) | f(x1, x2,...,xn) = c} ,称可微函数f为水平集函数。  [举例]  函数f(x,y,z)=x^2+y^2+z^2对应于常数c的水平集是以(0,0,0)为球心,sqrt(c) 为半径的球面。  当 n=2,

张小牙的博客 1万+
下一篇: VR来了,3D人脸重建跟上《三维人脸重建-3DMM》
言有三
言有三 领域专家: 人工智能技术领域 领域专家: 人工智能技术领域
博客等级 码龄15年 3636粉丝 976原创
评论 5
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

言有三

三人行必有AI

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值