專利名稱：一種基于體素級(jí)輪廓粗定位的亞體素表面檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于CT圖像表面重建技術(shù)領(lǐng)域，涉及基于CT圖像體素級(jí)輪廓粗略定位進(jìn) 行高精度快速表面檢測(cè)的一整套解決方案。
背景技術(shù)：
點(diǎn)云是物體表面檢測(cè)的核心數(shù)據(jù)，獲取點(diǎn)云的方法有很多種，其中基于錐束 CT技術(shù)的獲取方式憑借其諸多優(yōu)點(diǎn)得到了廣泛應(yīng)用。計(jì)算機(jī)斷層成像技術(shù)(Computed Tomography, CT)是通過對(duì)物體不同角度的射線投影重建而獲取被測(cè)物體斷層圖像信息的 成像技術(shù)。錐束CT利用錐形束X射線源和面陣探測(cè)器采集被測(cè)物體的投影數(shù)據(jù)，與傳統(tǒng)二 維CT相比，錐束CT 一次掃描即可重建出數(shù)百甚至上千個(gè)連續(xù)的斷層圖像，具有射線利用率 高、切片連續(xù)、切片內(nèi)和切片間空間分辨率相同、精度高等特點(diǎn)。斷層圖像通常也稱為切片 圖像。表面檢測(cè)的兩個(gè)基本要求是完整性和精度，檢測(cè)速度也是實(shí)際應(yīng)用中的一個(gè)關(guān)鍵 性問題。根據(jù)其精度，目前實(shí)際應(yīng)用的表面檢測(cè)方法分為體素級(jí)和亞體素級(jí)兩類，體素級(jí)檢 測(cè)結(jié)果完整性高，一般可達(dá)95%以上，但精度較低，一般在0. 5個(gè)體素左右；亞體素級(jí)檢測(cè) 結(jié)果精度高，一般可達(dá)0. 2 0. 3個(gè)體素，但完整性不足，且時(shí)間復(fù)雜度較高。因此要想在 保證完整性的前提下取得較高的提取精度，必須結(jié)合體素級(jí)檢測(cè)方法的完整性優(yōu)勢(shì)和亞體 素檢測(cè)方法的高精度優(yōu)勢(shì)。從目前的文獻(xiàn)資料來(lái)看，體素級(jí)表面檢測(cè)方法主要借助于經(jīng)典邊緣檢測(cè)算子和圖 像分割算法?；谶吘墮z測(cè)算子的一類方法的檢測(cè)精度受圖像信噪比影響較大；在附加合 理去噪算法的條件下，基于圖像分割的一類方法一般可以取得完整性較好的體素級(jí)表面輪 廓。高精度的亞體素級(jí)表面檢測(cè)方法主要分為以下兩類一是基于Facet模型的表面檢測(cè) 方法，該類方法通過三次多項(xiàng)式擬合Facet模型，再根據(jù)梯度方向上的二階導(dǎo)數(shù)零交叉點(diǎn) 確定亞體素表面點(diǎn)位置。王凱、張定華、劉晶等人在《計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)》(2007， 19(9) :1100-1106)的文章“采用3D Gaussian Facet模型的亞體素表面檢測(cè)”中擴(kuò)展了原 始Haralick Facet模型并建立了三維Gaussian Facet模型及其計(jì)算公式，該方法能有效 降低鄰近邊緣干涉對(duì)檢測(cè)結(jié)果的影響，能提取尺寸更小的結(jié)構(gòu)邊緣；二是基于矩的表面檢 測(cè)方法，該類方法通過建立理想邊緣的參數(shù)化模型，并根據(jù)矩不變量架設(shè)理想邊緣灰度分 布和離散圖像灰度分布之間的關(guān)系，由不變關(guān)系建立方程即可確定理想邊緣的參數(shù)。劉亞 威在其碩士學(xué)位論文《空間矩亞體素圖像測(cè)量算法的研究》中給出了基于空間矩的2D亞體 素邊緣檢測(cè)修正算法，3D校正算法推導(dǎo)過于復(fù)雜，尚無(wú)較好的修正方法。對(duì)于仿真CT圖像 數(shù)據(jù)，現(xiàn)有算法可以獲得平均誤差小于0.2個(gè)體素的完整表面輪廓點(diǎn)，但對(duì)于包含噪聲和 模糊效應(yīng)的實(shí)際CT圖像，亞體素表面檢測(cè)方法會(huì)出現(xiàn)參數(shù)選擇困難、輪廓提取不完整、偽 邊嚴(yán)重等問題。采用傳統(tǒng)亞體素表面檢測(cè)方法對(duì)錐束CT重建的三維圖像(即連續(xù)切片圖像的層 疊)進(jìn)行輪廓提取時(shí)，需要對(duì)空間內(nèi)每個(gè)體素進(jìn)行擬合計(jì)算，時(shí)間復(fù)雜度非常高。大量的含噪背景區(qū)域?qū)Ρ砻孑喞崛〔]有貢獻(xiàn)，并且導(dǎo)致不必要的計(jì)算，因此實(shí)際應(yīng)用中需要進(jìn) 行方法加速。亞體素表面檢測(cè)的加速方法一般有基于可分濾波器的加速方案和基于感興趣 區(qū)域(Region of Interest, R0I)的加速方案。ROI法是高精度表面檢測(cè)中一種非常實(shí)用的 降低計(jì)算量的方法，它通過縮小圖像中待處理區(qū)域的范圍，僅處理感興趣區(qū)域內(nèi)的體素，以 達(dá)到縮減圖像總處理時(shí)間的目的。王凱、張定華、張順利等人在《中國(guó)圖形圖像學(xué)報(bào)》(2009， 14(2) =329-333)的文章“對(duì)基于facet模型的表面檢測(cè)的加速技術(shù)研究”利用遞歸的可分 濾波器結(jié)合分段包圍盒的加速方案將原算法的時(shí)間復(fù)雜度從0 (N2 · (2M+1)3)降低到0(N2)， 其中N為切片圖像尺寸，M為擬合模板尺寸。

發(fā)明內(nèi)容
為了克服現(xiàn)有技術(shù)將亞體素表面檢測(cè)方法應(yīng)用于實(shí)際錐束CT三維圖像時(shí)出現(xiàn)的 參數(shù)選擇困難、輪廓提取不完整、偽邊嚴(yán)重和時(shí)間復(fù)雜度高等不足，本發(fā)明提供一種基于體 素級(jí)輪廓粗定位的亞體素表面檢測(cè)方法，在確保提取的表面輪廓完整性的前提下，利用3D Gaussian Facet模型進(jìn)一步精確定位表面點(diǎn)，達(dá)到快速高精度的提取被檢測(cè)物體完整表面 輪廓點(diǎn)的目的。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案包括以下步驟(1)對(duì)待處理的連續(xù)切片圖像進(jìn)行濾波去噪；(2)設(shè)待處理的連續(xù)切片圖像大小均為MXN像素，生成一個(gè)MXN大小的數(shù)組，數(shù) 組元素為結(jié)構(gòu)體，結(jié)構(gòu)體成員包括計(jì)算標(biāo)識(shí)、表面體素標(biāo)識(shí)、基于3D Gaussian Facet模型 的表面檢測(cè)方法中的擬合系數(shù)、梯度方向、梯度模值G和二階導(dǎo)數(shù)過零點(diǎn)距離P，該數(shù)組稱 為標(biāo)記模板，與切片圖像像素相對(duì)應(yīng)；(3)設(shè)基于3D Gaussian Facet模型的表面檢測(cè)方法的擬合鄰域大小為HXHXH， 分配一個(gè)可存儲(chǔ)H幅切片圖像的內(nèi)存空間，該空間稱為檢測(cè)空間，并設(shè)W= int(H/2)；(4)設(shè)當(dāng)前待處理的切片圖像為第K幅，若K = 1，將第1幅切片圖像讀入檢測(cè)空 間，并將該切片圖像復(fù)制W份作為與其相鄰的下面W層切片圖像，然后將與該切片圖像相鄰 的上面W層切片圖像讀入檢測(cè)空間；否則，讀入第(κ+w)幅切片圖像替換檢測(cè)空間中的第 (K-W-I)幅切片圖像，若(κ+w)大于頂層切片圖像序號(hào)，則復(fù)制頂層切片圖像作為需讀入的 切片圖像；(5)對(duì)第K幅切片圖像進(jìn)行OTSU閾值分割，得到其二值圖像，并按八方向搜索策略 對(duì)該二值圖像進(jìn)行輪廓提取，得到體素級(jí)輪廓點(diǎn)；(6)以上步所得體素級(jí)輪廓點(diǎn)為粗定位基準(zhǔn)，逐點(diǎn)處理體素級(jí)輪廓點(diǎn)，輸出亞體素 表面輪廓點(diǎn)；(7)判斷若切片圖像未全部處理完，則K = K+1，轉(zhuǎn)第(4)步；否則，繼續(xù)下一步；(8)將所有切片圖像處理所得的亞體素表面輪廓點(diǎn)合并，得到亞體素精度的物體 表面點(diǎn)云。在上述方法的第(6)步中，逐點(diǎn)處理體素級(jí)輪廓點(diǎn)的具體步驟如下1)對(duì)標(biāo)記模板數(shù)組元素結(jié)構(gòu)體成員全部置“否”或0 ；2)設(shè)當(dāng)前待處理的體素級(jí)輪廓點(diǎn)為J，其在切片圖像中的位置為(X，y)，判斷若 標(biāo)記模板(x，y)位置的計(jì)算標(biāo)識(shí)為“否”，則在檢測(cè)空間中按基于3D Gaussian Facet模型的表面檢測(cè)方法，計(jì)算J的擬合系數(shù)、梯度方向、梯度模值G、二階導(dǎo)數(shù)過零點(diǎn)距離P，并將 結(jié)果存入標(biāo)記模板(x，y)位置的數(shù)組元素，相應(yīng)的計(jì)算標(biāo)識(shí)置為“是”；3)判斷若標(biāo)記模板(x,y)位置的表面體素標(biāo)識(shí)為“否”，則在J的I P I <0.5時(shí)， 將其表面體素標(biāo)識(shí)置為“是”，轉(zhuǎn)第7)步；否則，設(shè)置鄰域邊長(zhǎng)L = 3 ；4)在檢測(cè)空間中按基于3D Gaussian Facet模型的表面檢測(cè)方法，分別計(jì)算J的 LXL鄰域內(nèi)，在標(biāo)記模板中計(jì)算標(biāo)識(shí)為“否”的體素的擬合系數(shù)、梯度方向、梯度模值G、二 階導(dǎo)數(shù)過零點(diǎn)距離P，并將結(jié)果分別存入標(biāo)記模板中各體素所對(duì)應(yīng)的數(shù)組元素，相應(yīng)的計(jì) 算標(biāo)識(shí)置為“是”；5)將J的LXL鄰域內(nèi)所有體素按其梯度模值G從大到小排序，并查找第1個(gè)I P < 0. 5且表面體素標(biāo)識(shí)為“否”的體素，若有，則將其相應(yīng)表面體素標(biāo)識(shí)置為“是”，轉(zhuǎn)第7) 步；若無(wú)，則判斷當(dāng)前鄰域邊長(zhǎng)，若L = 3，則設(shè)置L = 5并轉(zhuǎn)第4)步，否則繼續(xù)下一步；6)將標(biāo)記模板(X，y)位置的表面體素標(biāo)識(shí)置為“是”，并置P = 0 ；7)按基于3D Gaussian Facet模型的亞體素表面輪廓點(diǎn)計(jì)算方法，計(jì)算當(dāng)前表面 體素標(biāo)識(shí)為“是”的體素的亞體素表面輪廓點(diǎn)；8)判斷若體素級(jí)輪廓點(diǎn)未全部處理完，轉(zhuǎn)第2、步處理下一個(gè)體素級(jí)輪廓點(diǎn)；否 則，結(jié)束。本發(fā)明的有益效果是本發(fā)明方法結(jié)合了體素級(jí)表面檢測(cè)方法和亞體素表面檢測(cè) 方法的優(yōu)勢(shì)，可從含有較多噪聲和偽影的實(shí)際CT連續(xù)切片圖像中提取完整的、高精度的物 體表面點(diǎn)云，并通過標(biāo)記模板大大減少了計(jì)算量，整體可獲得3倍以上的加速比。下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)一步說明。


圖1為本發(fā)明方法進(jìn)行亞體素表面檢測(cè)的實(shí)現(xiàn)流程圖。
具體實(shí)施例方式對(duì)一組錐束CT重建的100層連續(xù)切片圖像，在htel Core II 2. 33GHz處理器、 2G內(nèi)存的計(jì)算機(jī)上，應(yīng)用本發(fā)明方法進(jìn)行亞體素表面檢測(cè)，執(zhí)行以下步驟如下(1)采用非局部平均算法對(duì)待處理的連續(xù)切片圖像進(jìn)行濾波去噪；(2)待處理的連續(xù)切片圖像大小均為IOMX IOM像素，生成一個(gè)IOMX IOM大 小的數(shù)組，數(shù)組元素為結(jié)構(gòu)體，結(jié)構(gòu)體成員包括計(jì)算標(biāo)識(shí)、表面體素標(biāo)識(shí)、基于3D Gaussian Facet模型的表面檢測(cè)方法中的擬合系數(shù)、梯度方向、梯度模值G、二階導(dǎo)數(shù)過零點(diǎn)距離P， 該數(shù)組稱為標(biāo)記模板，與切片圖像像素相對(duì)應(yīng)；(3)設(shè)基于3D Gaussian Facet模型的表面檢測(cè)方法的擬合鄰域大小為5 X 5 X 5， 分配一個(gè)可存儲(chǔ)5幅切片圖像的內(nèi)存空間，該空間稱為檢測(cè)空間，并設(shè)W = int(5/2) = 2 ；(4)設(shè)當(dāng)前待處理的切片圖像為第K幅，若K = 1，將第1幅切片圖像讀入檢測(cè)空 間，并將該切片圖像復(fù)制W份作為與其相鄰的下面W層切片圖像，然后將與該切片圖像相鄰 的上面W層切片圖像讀入檢測(cè)空間；否則，讀入第(κ+w)幅切片圖像替換檢測(cè)空間中的第 (K-W-I)幅切片圖像，若(κ+w)大于頂層切片圖像序號(hào)，則復(fù)制頂層切片圖像作為需讀入的 切片圖像；
6
(5)對(duì)第K幅切片圖像進(jìn)行OTSU閾值分割，得到其二值圖像，并按八方向搜索策略 對(duì)該二值圖像進(jìn)行輪廓提取，得到體素級(jí)輪廓點(diǎn)；(6)以上步所得體素級(jí)輪廓點(diǎn)為粗定位基準(zhǔn)，按一定規(guī)則逐點(diǎn)處理，輸出亞體素表 面輪廓點(diǎn)，具體步驟為1)對(duì)標(biāo)記模板數(shù)組元素結(jié)構(gòu)體成員全部置“否”或0 ；2)設(shè)當(dāng)前待處理的體素級(jí)輪廓點(diǎn)為J，其在切片圖像中的位置為(X，y)，判斷若 標(biāo)記模板(x，y)位置的計(jì)算標(biāo)識(shí)為“否”，則在檢測(cè)空間中按基于3D Gaussian Facet模型 的表面檢測(cè)方法，計(jì)算J的擬合系數(shù)、梯度方向、梯度模值G、二階導(dǎo)數(shù)過零點(diǎn)距離P，并將 結(jié)果存入標(biāo)記模板(x，y)位置的數(shù)組元素，相應(yīng)的計(jì)算標(biāo)識(shí)置為“是”；3)判斷若標(biāo)記模板(x, y)位置的表面體素標(biāo)識(shí)為“否”，則在J的| P | < 0. 5時(shí)， 將其表面體素標(biāo)識(shí)置為“是”，轉(zhuǎn)第7)步；否則，設(shè)置鄰域邊長(zhǎng)L = 3 ；4)在檢測(cè)空間中按基于3D Gaussian Facet模型的表面檢測(cè)方法，分別計(jì)算J的 LXL鄰域內(nèi)，在標(biāo)記模板中計(jì)算標(biāo)識(shí)為“否”的體素的擬合系數(shù)、梯度方向、梯度模值G、二 階導(dǎo)數(shù)過零點(diǎn)距離P，并將結(jié)果分別存入標(biāo)記模板中各體素所對(duì)應(yīng)的數(shù)組元素，相應(yīng)的計(jì) 算標(biāo)識(shí)置為“是”；5)將J的LXL鄰域內(nèi)所有體素按其梯度模值G從大到小排序，并查找第1個(gè)| P < 0. 5且表面體素標(biāo)識(shí)為“否”的體素，若有，則將其相應(yīng)表面體素標(biāo)識(shí)置為“是”，轉(zhuǎn)第7) 步；若無(wú)，則判斷當(dāng)前鄰域邊長(zhǎng)，若L = 3，則設(shè)置L = 5并轉(zhuǎn)第4)步，否則繼續(xù)下一步；6)將標(biāo)記模板(X，y)位置的表面體素標(biāo)識(shí)置為“是”，并置P = 0 ；7)按基于3D Gaussian Facet模型的亞體素表面輪廓點(diǎn)計(jì)算方法，計(jì)算當(dāng)前表面 體素標(biāo)識(shí)為“是”的體素的亞體素表面輪廓點(diǎn)；8)判斷若體素級(jí)輪廓點(diǎn)未全部處理完，轉(zhuǎn)第2、步處理下一個(gè)體素級(jí)輪廓點(diǎn)；否 則，結(jié)束。(7)判斷若切片圖像未全部處理完，則K = K+1，轉(zhuǎn)第(4)步；否則，繼續(xù)下一步；(8)將所有切片圖像處理所得的亞體素表面輪廓點(diǎn)合并，得到亞體素精度的物體 表面點(diǎn)云。對(duì)于這組切片圖像，表1給出了隨機(jī)抽取的2幅切片圖像分別采用3D Gaussian Facet (3GF)表面檢測(cè)方法和本發(fā)明方法處理后在表面輪廓完整性方面的比較，可見本發(fā)明 方法獲得更好的完整性；表2給出了 3GF方法與本發(fā)明方法在提取精度方面的比較，可見本 發(fā)明的提取精度明顯較高；表3給出了 3GF方法(可分濾波器+ROI加速)和本發(fā)明方法在 計(jì)算速度上的比較，可見本發(fā)明方法獲得了可觀的加速比。實(shí)際處理結(jié)果驗(yàn)證了本發(fā)明方 法的可行性和有效性。表1亞體素表面檢測(cè)完整性比較
權(quán)利要求
1.一種基于體素級(jí)輪廓粗定位的亞體素表面檢測(cè)方法，其特征在于包括以下步驟(1)對(duì)待處理的連續(xù)切片圖像進(jìn)行濾波去噪；(2)設(shè)待處理的連續(xù)切片圖像大小均為MXN像素，生成一個(gè)MXN大小的數(shù)組，數(shù)組元 素為結(jié)構(gòu)體，結(jié)構(gòu)體成員包括計(jì)算標(biāo)識(shí)、表面體素標(biāo)識(shí)、基于3D Gaussian Facet模型的表 面檢測(cè)方法中的擬合系數(shù)、梯度方向、梯度模值G和二階導(dǎo)數(shù)過零點(diǎn)距離P，該數(shù)組稱為標(biāo) 記模板，與切片圖像像素相對(duì)應(yīng)；(3)設(shè)基于3DGaussian Facet模型的表面檢測(cè)方法的擬合鄰域大小為HXHXH，分配 一個(gè)可存儲(chǔ)H幅切片圖像的內(nèi)存空間，該空間稱為檢測(cè)空間，并設(shè)W= int(H/2)；(4)設(shè)當(dāng)前待處理的切片圖像為第K幅，若K=1，將第1幅切片圖像讀入檢測(cè)空間， 并將該切片圖像復(fù)制W份作為與其相鄰的下面W層切片圖像，然后將與該切片圖像相鄰 的上面W層切片圖像讀入檢測(cè)空間；否則，讀入第(K+W)幅切片圖像替換檢測(cè)空間中的第 (K-W-I)幅切片圖像，若(K+W)大于頂層切片圖像序號(hào)，則復(fù)制頂層切片圖像作為需讀入的 切片圖像；(5)對(duì)第K幅切片圖像進(jìn)行OTSU閾值分割，得到其二值圖像，并按八方向搜索策略對(duì)該 二值圖像進(jìn)行輪廓提取，得到體素級(jí)輪廓點(diǎn)；(6)以上步所得體素級(jí)輪廓點(diǎn)為粗定位基準(zhǔn)，逐點(diǎn)處理體素級(jí)輪廓點(diǎn)，輸出亞體素表面 輪廓點(diǎn)；(7)判斷若切片圖像未全部處理完，則K= K+1，轉(zhuǎn)第(4)步；否則，繼續(xù)下一步；(8)將所有切片圖像處理所得的亞體素表面輪廓點(diǎn)合并，得到亞體素精度的物體表面 點(diǎn)云。
2.根據(jù)權(quán)利要求1所述的一種基于體素級(jí)輪廓粗定位的亞體素表面檢測(cè)方法，其特征 在于所述的第(6)步具體步驟如下1)對(duì)標(biāo)記模板數(shù)組元素結(jié)構(gòu)體成員全部置“否”或0；2)設(shè)當(dāng)前待處理的體素級(jí)輪廓點(diǎn)為J，其在切片圖像中的位置為(X，y)，判斷若標(biāo)記 模板(x，y)位置的計(jì)算標(biāo)識(shí)為“否”，則在檢測(cè)空間中按基于3D Gaussian Facet模型的表 面檢測(cè)方法，計(jì)算J的擬合系數(shù)、梯度方向、梯度模值G、二階導(dǎo)數(shù)過零點(diǎn)距離P，并將結(jié)果 存入標(biāo)記模板(x，y)位置的數(shù)組元素，相應(yīng)的計(jì)算標(biāo)識(shí)置為“是”；3)判斷若標(biāo)記模板(χ，y)位置的表面體素標(biāo)識(shí)為“否”，則在J的IP I < 0. 5時(shí)，將 其表面體素標(biāo)識(shí)置為“是”，轉(zhuǎn)第7)步；否則，設(shè)置鄰域邊長(zhǎng)L = 3 ；4)在檢測(cè)空間中按基于3DGaussian Facet模型的表面檢測(cè)方法，分別計(jì)算J的LXL 鄰域內(nèi)，在標(biāo)記模板中計(jì)算標(biāo)識(shí)為“否”的體素的擬合系數(shù)、梯度方向、梯度模值G、二階導(dǎo)數(shù) 過零點(diǎn)距離P，并將結(jié)果分別存入標(biāo)記模板中各體素所對(duì)應(yīng)的數(shù)組元素，相應(yīng)的計(jì)算標(biāo)識(shí) 置為“是”；5)將J的LXL鄰域內(nèi)所有體素按其梯度模值G從大到小排序，并查找第1個(gè)IP < 0. 5且表面體素標(biāo)識(shí)為“否”的體素，若有，則將其相應(yīng)表面體素標(biāo)識(shí)置為“是”，轉(zhuǎn)第7) 步；若無(wú)，則判斷當(dāng)前鄰域邊長(zhǎng)，若L = 3，則設(shè)置L = 5并轉(zhuǎn)第4)步，否則繼續(xù)下一步；6)將標(biāo)記模板(X，y)位置的表面體素標(biāo)識(shí)置為“是”，并置P=O;7)按基于3DGaussian Facet模型的亞體素表面輪廓點(diǎn)計(jì)算方法，計(jì)算當(dāng)前表面體素 標(biāo)識(shí)為“是”的體素的亞體素表面輪廓點(diǎn)；8)判斷若體素級(jí)輪廓點(diǎn)未全部處理完，轉(zhuǎn)第2)步處理下一個(gè)體素級(jí)輪廓點(diǎn)；否則，結(jié)束ο
全文摘要
本發(fā)明公開了一種基于體素級(jí)輪廓粗定位的亞體素表面檢測(cè)方法，對(duì)待處理的連續(xù)切片圖像進(jìn)行濾波去噪；生成標(biāo)記模板與切片圖像像素相對(duì)應(yīng)；分配一個(gè)檢測(cè)空間；按一定順序?qū)⑶衅瑘D像讀入檢測(cè)空間；對(duì)切片圖像進(jìn)行閾值分割并按八方向搜索策略進(jìn)行輪廓提取，得到體素級(jí)輪廓點(diǎn)；逐點(diǎn)處理體素級(jí)輪廓點(diǎn)，輸出亞體素表面輪廓點(diǎn)；判斷切片圖像是否全部處理完；將所有切片圖像處理所得的亞體素表面輪廓點(diǎn)合并，得到亞體素精度的物體表面點(diǎn)云。本發(fā)明可從含有較多噪聲和偽影的實(shí)際CT連續(xù)切片圖像中提取完整的、高精度的物體表面點(diǎn)云，并通過標(biāo)記模板大大減少了計(jì)算量。
文檔編號(hào)G06T7/00GK102129686SQ20111007287
公開日2011年7月20日 申請(qǐng)日期2011年3月24日 優(yōu)先權(quán)日2011年3月24日
發(fā)明者卜昆, 張定華, 查方龍, 程云勇, 黃魁東 申請(qǐng)人:西北工業(yè)大學(xué)