{
  "id": "voxel",
  "title": "体素",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "体素是三维网格中的离散单元，用于表示空间占用情况、测量量或其他体数据。",
  "category": "computer-science",
  "subcategory": "software",
  "type": "concept",
  "aliases": [
    "体积元素",
    "体积像素"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/voxel/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/voxel/",
      "json": "https://aiwiki.page/en/voxel.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "体素是三维网格中的离散单元，类似于二维图像中的像素。其英文名称 voxel 由 volume（体积）和 pixel（像素）组合而成。体素用于表示分布在空间中的信息，例如物质占用情况、密度、温度、颜色或测得的成像信号。体素广泛应用于计算机图形学、医学成像、科学可视化、仿真以及三维场景分析。虽然体素常被画成小立方体，但它们并不一定是立方体，而且体素中存储的值也不一定描述一个可见的实体块。"
    },
    {
      "heading": "空间表示",
      "text": "规则体素网格将三维区域划分为多个单元，以整数坐标作为索引，通常记为 \\((i,j,k)\\)。多边形顶点的坐标通常需要显式存储，而体素的位置则可以根据其索引和网格的空间元数据推算出来。\n\n对于轴对齐网格，体素中心可写为\n\n\\[\\mathbf{x}_{ijk} = \\mathbf{o} + \\left( \\left(i+\\tfrac12\\right)\\Delta x,\\, \\left(j+\\tfrac12\\right)\\Delta y,\\, \\left(k+\\tfrac12\\right)\\Delta z \\right),\\]\n\n其中，\\(\\mathbf{o}\\) 是网格的外侧角点，\\(\\Delta x,\\Delta y,\\Delta z\\) 是单元在各方向上的尺寸。也有其他约定将原点设在第一个体素的中心。更一般地，可以通过仿射变换将体素索引映射到物理坐标，从而使网格具有任意朝向。\n\n当单元在三个方向上的尺寸相等时，体素是各向同性的，其单元为立方体。当这些尺寸不同时，体素是各向异性的，通常呈长方体。物理尺寸很重要：沿不同轴移动一个体素，并不一定意味着移动了相同的物理距离。\n\n“体素”一词有两种密切相关的含义：\n\n- **体积单元：**与某个存储值相关联的有限空间区域，例如该区域被占用或为空。\n- **体采样点：**在三维场中某个位置采得的值，可据此重建采样点之间的值。\n\n这一区别会影响对数据的理解。成像值可能反映的是经过空间加权的测量结果，而不是某个边界分明的方盒内均匀一致的属性。将此类数据渲染成立方体只是一种显示方式，并非数据的固有属性。"
    },
    {
      "heading": "数值与数据组织",
      "text": "一个体素可以包含单个标量、多个通道或更复杂的记录。常见示例包括：\n\n- 二值占用标志。\n- 材料或对象标识符。\n- 密度或温度等标量。\n- 颜色和不透明度。\n- 速度向量。\n- 到最近表面的距离。\n- 类别概率或学习得到的特征向量。\n\n一系列体素体数据可以表示随时间发生的变化。时间和额外的测量通道会增加数据集的维度，但体素仍由三个空间维度定义。\n\n稠密网格\n\n稠密体数据会存储网格中每个位置的数据，通常使用多维数组。这种方式可以直接索引，并支持规则的邻域运算，但存储量随网格各维尺寸的乘积增长：\n\n\\[M=N_xN_yN_zb,\\]\n\n其中，\\(b\\) 是每个体素存储的字节数，不包括元数据及其他开销。\n\n例如，一个大小为 \\(512\\times512\\times512\\)、每个体素存储一个 16 位数值的体数据需要 256 MiB 的存储空间。将三个轴上的分辨率都提高一倍，体素总数就会变为原来的八倍。这种立方级增长是稠密体素表示的主要局限。\n\n稀疏网格与层次网格\n\n当体数据中的大部分区域为空或数值均匀一致时，稀疏数据结构可以避免为每个单元都分配存储空间。常见方法包括：\n\n- 稀疏块或砖块：仅在需要的位置分配小块稠密区域。\n- 哈希表：将空间索引与已分配的单元或块关联起来。\n- 八叉树：将区域递归划分为八个子区域。\n- 对重复值或重复空间模式进行编码的压缩表示。\n\n稀疏存储可以大幅降低内存消耗，但会带来索引开销，并使内存访问变得不那么规则。其收益取决于数据的空间分布以及所执行的操作。"
    },
    {
      "heading": "体素数据的创建与处理",
      "text": "体素数据可以来自测量、数值仿真、程序化生成，或由其他几何表示转换而来。\n\n体素化是将几何形状转换为体素网格的过程。表面体素化会标记与表面相交的单元；实体体素化还会识别内部单元。后者需要适当的规则来区分内部与外部，尤其是在原始几何形状存在缺口或表面相交的情况下。体素化通常会丢失小于网格分辨率的细节。\n\n体素处理通常将图像处理技术扩展到三维，例如滤波、阈值处理、连通分量分析和图像分割。邻域通常根据共面、共边和共顶点的相邻关系来定义：在立方网格中，一个内部单元有 6 个共面邻居；若同时计入共边邻居，则有 18 个；再计入共顶点邻居，则共有 26 个。采用何种连通性约定，会影响结构是否被视为相连。\n\n重采样会改变体数据的网格间距、朝向或尺寸。最近邻插值选取已有的采样值，常用于类别标签。三线性插值综合周围八个采样点的值，估算网格点之间的数值。高阶方法可以得到更平滑的重建结果，但也可能引入过冲或其他伪影。\n\n插值无法恢复原始测量中不存在的信息。尤其是，将各向异性数据转换为各向同性网格，并不会使其实际空间分辨率在各个方向上都变得相同。"
    },
    {
      "heading": "渲染与表面提取",
      "text": "显示体素数据并不需要逐个绘制立方体。\n\n直接体绘制\n\n体绘制直接根据三维场生成图像。一种常见方法是向体数据中投射视线光线，沿每条光线采样，将采样值映射为颜色和不透明度，再合成各采样点的贡献。\n\n从数据值到视觉属性的映射称为传递函数。它可以突出选定的材料或数值范围，同时使其他部分透明。因此，体数据的显示效果不仅取决于存储的数据，还取决于传递函数、采样间隔和光照模型。\n\n体绘制与光线追踪有关，但通常会沿光线累积各处的贡献，而不是只寻找最近的不透明表面。\n\n表面提取\n\n另一种方法是提取显式表面，并将其作为多边形网格进行渲染。等值面由标量场中数值等于某个选定阈值的所有位置构成。1987 年发表的移动立方体算法通过检查网格采样点的局部配置，构建近似等值面。\n\n表面提取可以利用常规的网格渲染管线，但所选阈值会影响最终形状。除非另行保留体数据中的信息，否则这些信息也会在提取过程中丢失。\n\n方块渲染\n\n在体素艺术和某些游戏中，被占用的单元会被有意显示为方块。渲染器可以只为外露的面生成多边形，并合并相邻面，以降低几何复杂度。因此，方块状外观只是体素数据的一种用途，并不是体素表示的必要特征。"
    },
    {
      "heading": "应用",
      "text": "成像与科学可视化\n\n在X射线计算机断层成像和磁共振成像中，重建图像通常组织为体素体数据。体素存储的是成像量，并不一定直接标识某种特定组织。\n\n一个体素可能包含多种材料或组织的贡献，从而产生部分容积效应。体素间距也不同于有效成像分辨率，后者取决于成像系统的数据采集、重建及其他特性。\n\n科学应用利用体素场，将分布在三维空间中的量可视化，包括流体属性、地质结构和显微测量结果。\n\n图形、建模与制造\n\n体素模型支持对实体内部进行操作，包括挖除、填充和合并体积。在占用网格或距离场上执行这些操作，可能比在显式表面网格上更简单。\n\n体素模型用于地形系统、可破坏环境、程序化建模和增材制造工作流程。对于许多光滑物体，表面网格仍然更加紧凑；而当内部材料结构或反复改变拓扑结构十分重要时，体素表示可能更方便。\n\n机器人与机器学习\n\n在计算机视觉和机器人领域，体素网格提供了一种空间表示，可将深度测量结果或点云累积到其中。占用网格表示空间是被占用、空闲还是未知。未知空间与已观测到的空闲空间并不相同。\n\n有符号距离函数则存储到表面的距离，并通过正负号区分表面的两侧。截断有符号距离场仅保留有限带状区域内的距离，广泛用于基于深度的重建。\n\n三维卷积神经网络可以处理体素网格，以完成识别、分割和重建任务。稠密三维计算的成本很高，因此也会采用稀疏运算、层次网格，以及基于点或表面的替代表示。"
    },
    {
      "heading": "分辨率、精度与局限",
      "text": "体素表示明确给出了空间邻域关系，并且能够自然地描述物体内部，但其精度和效率在很大程度上取决于分辨率。\n\n将连续几何形状表示在有限网格上时，会产生离散化误差。细薄结构可能消失，分离的物体可能合并，倾斜边界可能呈现阶梯状。当空间变化过于精细、超出网格的分辨能力时，采样还可能产生混叠。\n\n提高分辨率可以减少某些误差，但会增加存储和处理成本。稀疏网格可降低空区域的开销，自适应网格则将细节集中在需要的位置；但两者都不能免除选择适当空间尺度的必要性。\n\n体素数量本身并不能衡量信息质量。经过大量插值的体数据可以包含许多单元，却没有增加任何实测细节。同样，除非存储了更多信息，否则将体素标记为“被占用”，并不能准确说明材料位于该单元内的什么位置。\n\n在体素、点云、网格和连续场表示之间如何选择，取决于具体任务。体素便于索引和体积运算；网格能够高效地描述表面；点云保留采样位置，而无须建立完整网格；连续表示则可在给定的查询坐标处计算空间属性。当单一表示无法满足全部要求时，混合系统会将这些方法结合使用。"
    }
  ],
  "links": [
    "pixel",
    "computer-graphics",
    "temperature",
    "array-data-structure",
    "data-structure",
    "hash-table",
    "image-processing",
    "image-segmentation",
    "ray-tracing",
    "polygon-mesh",
    "marching-cubes",
    "x-ray-computed-tomography",
    "magnetic-resonance-imaging",
    "computer-vision",
    "signed-distance-function",
    "convolutional-neural-network",
    "aliasing"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}