三维图像重构是计算机可视化技术中的重要研究领域,三维图像重构技术已广泛应用于军事、航天、工业、医学等领域。可视化技术在各领域不可或缺的作用推动着三维图像重构技术的改进和完善。本文首先对三维图像重构算法进行了探讨和研究,阐述了面绘制算法中经典的等值面抽取算法(Marching Cubes算法),并对体素、等值面等基本概念进行了概述。同时对阶梯型边缘曲面的重构原理、方法和实现进行了深入的研究。在传统的三维图像重构算法中,当处理大数据量的三维图像时,常受限制于运行速度的瓶颈,具体表现为三维重构速度过慢或无法重构较大数据规模的三维目标。传统的面绘制算法,包括MC算法、边缘曲面重构算法、追踪算法等,均未考虑通过聚类预处理来降低数据场规模。针对以上情况,本文提出了对三维图像进行聚类预处理,以提高三维图像重构的速度。本文引入三维图像预处理的聚类算法是K均值聚类算法和模糊C均值聚类算法。聚类就是依据一定的规则和要求对研究对象进行划分,并且进行分类,在这个分类过程中并没有任何类别或者其他的先验知识,聚类划分的根据是研究对象的某种相似性度量方法,所以可以称作是无监督分类。聚类算法经迭代求出新的聚类中心点,根据聚类中心点计算目标图像的尺寸,分离出目标图像所占的三维数据场,在数据规模较小的三维数据场中重构三维图像,提高了三维图像重构的速度。实验结果表明,对三维图像做聚类预处理后,重构的平均时间明显减少,表明了算法的正确性和有效性,能够推广应用至三维生物医学图像的其它领域。