CN104123540B - 手术机器人定位标志点自动识别方法 - Google Patents

Abstract

本发明涉及一种基于医疗X线透视图像的手术机器人定位标志点自动识别方法，是在获取X线透视图像中的标志点后提取两两标志点的距离在第一阈值允许的范围内的标志点；再计算标志点的夹角，检测出构成两个向量的预设夹角的三个标志点；根据检测的所述三个标志点的位置采用预估算法得到第四个标志点的位置，然后对识别的各标志点进行排序和编号。该方法通过自动识别图像标志点索引进行手术导航定位，实现对X线透视图像中多个标志点准确、高效地自动识别，为提高手术路径的准确度、显著缩短手术时间以及提高手术效率提供了前提。

Description

手术机器人定位标志点自动识别方法

技术领域

本发明涉及图像处理技术领域，特别是一种对手术机器人拍摄的X线透视图像中用来定位的标志点进行自动识别的方法。

背景技术

标志点图像定位是数字图像处理中的一种关键处理技术。标志点作为重要的图像特征，广泛应用于医疗图像定位、目标图像检索、相机标定、三维重建、深度图像匹配等二维或三维应用的重要领域。例如，地图扫描图像处理涉及到的各种独立符号的定位问题；航空数字影像处理涉及到的航片框标点、地面标志点精确定位问题；医疗X射线图像处理涉及到的手术机器人定位标志点问题。其中，圆形标志点以其定位精度高、易于识别的优点得到了广泛的应用。并且，标志点定位精度在很大程度上决定着应用系统的精度。标志点的定位一般采用人工导引的方法，或利用已知的粗略位置数据，先在图像上确定其大致位置，再利用算法进行精确定位。这里主要对精确定位的算法进行探讨，数字图像上标志点精确定位的方法有很多种，如基于图像灰度值方差加权和最小算法、基于最小二乘匹配法、基于霍夫(Hough)变换法等，结合Canny边缘检测、目标识别、亚像素边缘检测等技术。

其中，医疗X射线图像处理涉及到的手术机器人定位标志点问题是医疗图像处理的核心技术之一。随着机器人技术与医学科学交叉应用的快速发展，各种医用机器人的研究也成为热点，并在医学领域中得到越来越广泛的应用。目前手术机器人已在神经外科、人工关节置换、泌尿科、胆囊摘除等方面取得了广泛的应用。在手术机器人的导航定位过程中，一般利用C型臂透过设定有标志点的标定标尺来拍摄病人的X线透视图像，通过图像处理手段进行标定标尺上的特定标志点的识别，然后根据标志点特征建立机器人坐标系与手术空间坐标系之间的映射关系，在此基础上进行手术路径规划和定位。利用机器人进行手术操作的定位更为准确、机械臂的抓取更为稳定且有力，可以避免外科医生长时间手术而带来的疲劳，提高了手术的精度、稳定性以及安全性；但是，由于这种手术决定了很多工作要暴露在X光下完成，在手术过程中辐射出的大量X射线容易对患者和手术医生的健康造成严重的威胁甚至伤害，尤其是对于手术医生，长时间的X射线辐射会造成免疫力低下等一系列健康问题，手术机器人技术和手术机器人定位图像标志点技术，可以大大缩短手术时间，减少病人和医生在手术过程中受到的X射线损伤，保护病人和医生的身体健康，但是在算法精度和处理时间等方面，仍然有很大的发展空间。现有的手术机器人无法完成单纯的定位标志点的识别，而是采用标志点和标记线联合定位及其识别的方式完成，标志点+标记线识别算法的缺陷是：标记线容易受到骨边缘或其它类似影响影像的干扰出现识别错误，造成标志点的顺序识别错误，这就使得手术路径存在偏差，降低了手术机器人的精度；并且在缺少任意标志点时均无法进行正确的识别。目前世界上很多国家都致力于开发各种新型的导航定位技术和定位图像标志点技术，以提高机器人手术的精度，并尽可能减少手术医生和患者在手术中所受到的X射线辐射。

发明内容

本发明针对现有技术中在算法精度和处理时间等方面存在的缺陷或不足，提供一种手术机器人定位标志点自动识别方法，通过自动识别图像标志点索引进行手术导航定位，实现对X线透视图像中多个标志点准确、高效地自动识别，为提高手术路径的准确度、显著缩短手术时间以及提高手术效率提供了前提。

本发明的技术方案如下：

一种手术机器人定位标志点自动识别方法，用于对手术机器人拍摄的X线透视图像中用来定位的标志点的识别，其特征在于，所述方法是在获取X线透视图像中的标志点后提取两两标志点的距离在第一阈值允许的范围内的标志点；再计算标志点的夹角，检测出构成两个向量的预设夹角的三个标志点；根据检测的所述三个标志点的位置采用预估算法得到第四个标志点的位置，然后对识别的各标志点进行排序和编号。

当X线透视图像中用来定位的标志点数多于四个时，根据检测的所述三个标志点的位置采用预估算法得到其它标志点的位置，然后对识别的所有标志点统一进行排序和编号。

所述预设夹角为90°且标志点数为九个时，所述标志点包括构成正方形的八个标志点和作为辅助标记的一个辅助标志点，检测的所述三个标志点中的斜边的两个标志点分别对应正方形边长的中点位置，根据预估算法得到作为正方形顶点的四个标志点和作为正方形边长中点的四个标志点，根据所述八个标志点搜索辅助标志点，再根据辅助标志点与作为正方形顶点的四个标志点的距离关系，对识别的构成正方形的八个标志点进行排序和编号。

所述提取两两标志点的距离在第一阈值允许的范围内的标志点为标志点的初步提取，还包括在初步提取的各标志点中再次计算两两标志点的距离，二次提取两两标志点的距离在第二阈值允许的范围内的标志点。

所述方法先通过生成匹配模板并将其与X线透视图像匹配后，再通过自适应阈值算法获取X线透视图像中的标志点。

所述通过生成匹配模板并将其与X线透视图像匹配具体为：采用归一化相关匹配法比较并定位X线透视图像与匹配模板的图像匹配值最佳的位置区域，确定X线透视图像与匹配模板的最佳匹配值大于第三阈值。

所述方法将匹配模板与X线透视图像匹配后还进行边缘提取，再通过自适应阈值算法获取X线透视图像中的标志点，并采用椭圆拟合算法计算标志点的中心。

通过自适应阈值算法获取X线透视图像中的标志点具体为：通过计算边缘提取后的图像中像素点周围区域进行加权平均，然后减去一个常数得到自适应阈值，根据所述自适应阈值获取X线透视图像中的标志点。

所述标志点大小半径为6-10个像素；所述标志点灰度平均值大于周围灰度平均值30个灰度。

本发明的技术效果如下：

本发明提供的一种手术机器人定位标志点自动识别方法，在获取X线透视图像中的标志点后提取两两标志点的距离在第一阈值允许的范围内的标志点；再计算标志点的夹角，检测出构成两个向量的预设夹角的三个标志点；根据检测的所述三个标志点的位置采用预估算法得到第四个标志点的位置，然后对识别的各标志点进行排序和编号，进而实现对X线透视图像中多个用来定位的标志点准确、高效地自动识别。该方法充分考虑了手术场景下X线透视图像的成像特点，通过特定的算法和技术步骤，能够批量地读取图像数据并自动识别定位图像中的标志点以及对其进行排序和编号；可以实现只针对于图像中研究目标的真实成像范围内的部分；标志点的识别准确度高，不需要额外制定标记线，这就避免了标记线由于受到骨边缘或其它类似影响干扰导致识别错误的问题，本发明通过对特定排列位置的标志点的准确识别以及判别各标志点的位置关系，能够实现自动识别定位手术机器人标志点并对其进行排序和编号的功能。

本发明的方法适用于四个以上的标志点的自动识别，当X线透视图像中用来定位的标志点数多于四个时，根据检测的所述三个标志点的位置采用预估算法得到其它标志点的位置，然后对识别的所有标志点统一进行排序和编号。多个标志点的识别算法存在冗余标志点信息，当图像中缺失个别标志点时，仍可以根据已有的标志点进行准确的标志点位置和排列序号的识别，故克服了个别标志点识别错误对标志点顺序识别的影响。

按照本发明所述的手术机器人定位标志点自动识别方法，能够实现精确检测出全部符合条件的标志点；可以实现检测并输出图像中的标志点，优选为等间距、呈正方形分布的八个标志点和一个用于标记位置关系的不规则分布的标志点，即预设夹角为90°且标志点数为九个，根据预估算法得到作为正方形顶点的四个标志点和作为正方形边长中点的四个标志点，根据所述八个标志点搜索辅助标志点，再根据辅助标志点与作为正方形顶点的四个标志点的距离关系，对识别的构成正方形的八个标志点进行排序和编号。该结构的标志点的设置配合该标志点自动识别方法，能够实现手术路径准确全面的定位和高效地自动识别，为提高手术效率提供了保障。

本发明的方法中最初获取X线透视图像中的标志点是预估标志点，并非一定是真正的标志点，优选在计算两两标志点的距离提取标志点时采用二次提取的方式，计算各个标志点两两之间的距离，判断该距离是否在设置的第一阈值允许的范围内，记录检测出的正确的点并删除其它点，对检测出的标志点再次计算两两标志点的距离，二次提取两两标志点的距离在第二阈值允许的范围内的标志点，两次计算都符合设定条件的点为正是要提取的真正的标志点，提高了标志点提取的准确性。

进一步，本发明提供的方法可以通过设置不同的匹配阈值(即第三阈值)，以实现精确检测出不同的标志点；可以通过设置自适应阈值，以实现动态提取出不同大小的标志点；可以通过设置不同的距离阈值(即第一阈值和第二阈值)，以实现精确检测出不同的标志点。

附图说明

图1为本发明手术机器人定位标志点自动识别方法的优选流程图。

图2为本发明所述方法中模板匹配的优选流程图。

图3a为本发明所述方法中提取边缘的优选流程图，图3b为提取边缘结果图。

图4为本发明所述方法中椭圆拟合的优选流程图。

图5a、图5b和图5c均为本发明所述方法中预设夹角为α°时四个标志点的自动识别的位置排布示意图。

图6a～6g均为本发明一优选的实施例中预设夹角为90°时九个标志点的自动识别的位置排布示意图。

图7为X线透视图像中两组标志点排布示意图。

具体实施方式

下面结合附图对本发明进行说明。

本发明涉及一种手术机器人定位标志点自动识别方法，用于对手术机器人拍摄的X线透视图像中用来定位的标志点的识别，该方法是在获取X线透视图像中的标志点后提取两两标志点的距离在第一阈值允许的范围内的标志点；再计算标志点的夹角，检测出构成两个向量的预设夹角的三个标志点；根据检测的所述三个标志点的位置采用预估算法得到第四个标志点的位置，然后对识别的各标志点进行排序和编号。

本发明所述方法的优选流程图如图1所示，具体包括以下步骤：

1)载入输入图像数据，定义并创建模板图像，其中，该输入图像是手术中C型臂拍摄的X线透视图像，该模板图像是自定义的理想模板图像；

2)将输入图像与模板图像进行模板匹配；如图2所示的模板匹配的优选流程图。首先转换颜色空间为灰度空间，然后采用归一化相关匹配法计算匹配结果矩阵，比较并定位输入图像与模板图像匹配值最佳的位置区域，确定X线透视图像与匹配模板的匹配结果(即最佳匹配值)大于第三阈值，即匹配值大于设置的匹配阈值(第三阈值)，且匹配值越大的区域，匹配效果越好。归一化相关匹配法的匹配图像R(x,y)计算公式，其中输入图像I(x,y)，模板图像T(x’,y’)，匹配结果图像R(x,y)：

$R(x,y)=\frac{\underset{x^{,},y^{,}}{\mathrm{\Σ}}(T(x^{,},y^{,})\·I(x+x^{,},y+y^{,}))}{\sqrt{\underset{x^{,},y^{,}}{\mathrm{\Σ}}T{(x^{,},y^{,})}^2\·\underset{x^{,},y^{,}}{\mathrm{\Σ}}I(x+x^{,},y+y^{,})}}$

3)对步骤2)模板匹配后的图像提取边缘，如图3a所示的优选流程图，即将图像边界填充为黑色，去除边缘的非有效区域，只取中间的圆形区域；具体流程为：首先，定义模板图像矩阵R(M*N)，定义圆半径Cir，并计算图像矩阵中各点与圆心的距离Dis。第(i,j)点与圆心(M/2，N/2)的距离定义为：

$\mathrm{dis}=\sqrt{{(i-\frac{M}{2})}^2+{(j-\frac{N}{2})}^2},(i=\mathrm{0,1},...,M-1,j=\mathrm{0,1},...,N-1)$

然后进行判断：若Dis＝Cir，提取边缘并填充为黑色；若Dis<Cir，保留匹配结果内部像素点；若Dis>Cir，定义外部像素点为白色。最终提取边缘结果如图3b所示，圆圈内所示区域为有效成像区域。

4)根据自适应阈值算法获取X线透视图像中的标志点；自适应阈值是一个变量，通过计算步骤3)处理后的图像中像素点周围区域进行加权平均，然后减去一个常数得到自适应阈值，根据自适应阈值提取X线透视图像中标志点；标志点大小半径优选为6-10个像素；标志点灰度平均值大于周围灰度平均值至少30个灰度；且标志点按照一定的规则顺序排布。

5)计算标志点最大最小半径，并进行椭圆拟合，根据拟合结果计算标志点的中心；图4为采用椭圆拟合算法计算标志点的中心的优选流程图。具体流程如下：首先，将检测边缘的点序列运用拟合函数进行初步椭圆拟合E0；然后，记录拟合椭圆E0的中心点(c1,c2)，最大半径w1，最小半径h1，并且计算拟合标志点的半径：r＝(w1+h1)/2；最后，根据拟合半径重新拟合标志点圆，并且输出标志点圆心。

6)根据空间关系，即标志点与标志点之间的距离关系，判断标志点编号，此步骤又包括如下几个子步骤：

6.1)提取两两标志点的距离在第一阈值允许的范围内的标志点，即计算各个标志点两两之间的距离，根据设定的阈值(即第一阈值，根据两两点之间的距离设置，同时还根据检测到的标志点的大小区别设置，即检测大、小标志点时候，第一阈值的值设置是不同的)判断各两两标志点之间的距离是否在第一阈值允许的范围内，若是则转步骤6.2)，否则结束。

具体地，计算N个标志点两两之间的距离：设置第i个标志点坐标[x_i,y_i]、第j个标志点坐标[x_j,y_j]，那么第i和第j两个标志点之间距离为：

$\mathrm{dis}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}$

并将上述计算后的各个标志点两两之间的距离进行排序形成N*N矩阵，根据需求设置合理的第一阈值disstep₁，计算两两标志点之间的距离dis与第一阈值disstep₁的差值，设置阈值tol，比如tol为0.2，若符合条件：

|dis-disstep₁|<tol

就认为各个标志点两两之间的距离在设置的第一阈值允许的范围内，暂定该点为正确点。可认为完成标志点的初步提取。在初步提取后检测出的点(即暂定的正确点)中，可以进一步执行标志点的二次提取，即再次计算各个点两两之间的距离，若第二次计算出的距离在第二阈值disstep₂允许的范围内，即满足|dis-disstep₂|<tol，得出第二次计算的距离仍然在设置的阈值范围内，两次计算都符合设定条件的点即是检测出的正确的点，删除其它点。检测出的正确的点可近似正方形某一条边的中心点或者边界点。

由于本发明的方法中步骤1)—5)所获取X线透视图像中的标志点是预估标志点，并非一定是正确的标志点，比如可能会有阴影、黑点等干扰，此时的预估标志点可能达到上百个，此时可以设置第一阈值disstep₁为本次计算过程所处理所有像素点两两距离排序后距离序列的中值，初步计算各标志点两两之间的距离，两两标志点的距离在第一阈值允许的范围内的标志点缩减为比如30个，再设置第二阈值disstep₂为缩减后所有像素点两两距离排序后距离序列的中值，二次计算各标志点两两之间的距离，两两标志点的距离在第二阈值允许的范围内的标志点进一步缩减为比如9个，则这9个点即为正确的标志点，该计算提高了标志点提取的准确性。

6.2)计算标志点的夹角，检测出构成两个向量的预设夹角的三个标志点；即通过计算标志点的夹角验证是否存在以特定角度排列的三个点，若有则转至步骤6.3)，否则结束。如图5a所示的预设夹角为α°时的标志点的自动识别的位置排布示意图，验证是否存在以特定角度α排列的三个点，这三个点记为SP(x_sp,y_sp)，MP(x_mp,y_mp)，EP(x_ep,y_ep)，且根据检测出的点确立的两个边即为配准点的边界。具体流程为：首先，定义由此三点确定的两个向量：

$\stackrel{\&RightArrow;}{a}=(x_a,y_a,z_a)=(x_{\mathrm{mp}}-x_{\mathrm{sp}},y_{\mathrm{mp}}-y_{\mathrm{sp}},z_{\mathrm{mp}}-z_{\mathrm{sp}})$

$\stackrel{\&RightArrow;}{b}=(x_b,y_b,z_b)=(x_{\mathrm{ep}}-x_{\mathrm{mp}},y_{\mathrm{ep}}-y_{\mathrm{mp}},z_{\mathrm{ep}}-z_{\mathrm{mp}})$

并且计算夹角：

6.3)根据检测的上述三个标志点的位置采用预估算法得到第四个标志点的位置，然后对识别的各标志点进行排序和编号。该预估算法是根据预估标志点位置搜索真实标志点的方法预估标志位上标志点的位置。即首先根据SP，MP和EP三个点的位置粗略计算估计四个真实标志点的位置，然后在估计位置附近搜索是否有符合条件的标志点，若有则为真实标志点，进行编号、输出结果，并继续搜索其它标志点；若无则结束。具体流程如下：

首先，根据标定标尺上设定的标记点位置与距离关系，用SP，MP和EP三个点的位置坐标(如图5a所示)采用预估算法粗略计算估计四个真实标志点的位置坐标，四个真实标志点即为四个真实顶点，记为V1(x,y)，V2(x,y)，V3(x,y)，V4(x,y))，如图5b所示，坐标计算公式为：

V1_x＝MP_x；

V1_y＝MP_y；

V2_x＝A1_x×SP_x+A2_x×V1_x

V2_y＝A1_y×SP_y+A2_y×V1_y

V3_x＝B1_x×EP_x+B2_x×V1_x

V3_y＝B1_y×EP_y+B2_y×V1_y

V4_x＝V1_x+C1_x×V2_x+C2_x×V3_x+C3_x

V4_y＝V1_y+C1_y×V2_y+C2_y×V3_y+C3_y

其中A1_x，B1_x，C1_x，A2_x，B2_x，C2_x，C3_x，A1_y，B1_y，C1_y，A2_y，B2_y，C2_y，C3_y是根据定位标尺上设定的点距离关系确定的系数常数。

最后，在正确识别出四个顶点之后，对其按顺时针方向进行重新排序，如图5c所示，并输出各标志点的位置及对应编号，即最终得到正确标志点V1’，V2’，V3’，V4’。

当X线透视图像中用来定位的标志点数多于四个时，则同样根据SP，MP和EP三个点的位置坐标(如图5a所示的位置排布示意图)采用预估算法来计算估计其它标志点(或者说是其它顶点)的位置，并进行标号，如找到V5、V6等标志点，最后对识别的所有标志点按照顺时针或其它特定顺序统一进行排序和编号，最终得到正确标志点V1’，V2’，V3’，V4’，V5’，V6’等。

以下以预设夹角α＝90°且标志点SP和EP分别为对应顶点连线的中点位置为例，说明采用本发明所述方法自动识别九个标志点的步骤。其中，这九个标志点包括构成正方形的八个标志点和作为辅助标记的一个辅助标志点。此时，是根据预估算法得到作为正方形顶点的四个标志点和作为正方形边长中点的四个标志点，根据所述八个标志点搜索辅助标志点，再根据辅助标志点与作为正方形顶点的四个标志点的距离关系，重新对识别的构成正方形的八个标志点进行排序和编号。下面进行详细说明：

最先检测出的构成α＝90°的三个标志点SP，MP和EP的位置如图6a或图6b所示的排布方式。首先，根据SP，MP和EP三个点的位置(如图6a所示)通过预估算法粗略计算估计四个真实顶点(记为V1(x,y)，V2(x,y)，V3(x,y)，V4(x,y))的位置坐标为：

V1_x＝MP_x；

V1_y＝MP_y；

V2_x＝V1_x+(SP_x-V1_x)×2

V2_y＝V1_y+(SP_y-V1_y)×2

V3_x＝V1_x+(EP_x-V1_x)×2

V3_y＝V1_y+(EP_y-V1_y)×2

V4_x＝V1_x+(0.5×(V2_x+V3_x)-V1_x)×2

V4_y＝V1_y+(0.5×(V2_y+V3_y)-V1_y)×2

若SP，MP和EP三个点的位置按照图6a方式排布，则四个预估顶点V1，V2，V3，V4的位置排布如图6c所示；若SP，MP和EP三个点的位置按照图6b方式排布，则对应的四个预估顶点V1，V2，V3，V4的位置排布则如图6d所示。

接着，在正确识别出四个顶点之后，对其按顺时针方向进行重新排序，如图6e所示，形成作为顶点的标志点V1’，V2’，V3’，V4’。确定好顶点后，开始搜索四个中间点M1，M2，M3，M4，首先根据预估算法预估计算四个中间点(记为M1(x,y)，M2(x,y)，M3(x,y)，M4(x,y))的位置(如图6f所示)坐标：

M1_x＝(V4'_x+V1'_x)×0.5；

M1_y＝(V4'_y+V1'_y)×0.5；

M2_x＝(V1'_x+V2'_x)×0.5；

M2_y＝(V1'_y+V2'_y)×0.5；

M3_x＝(V2'_x+V3'_x)×0.5；

M3_y＝(V2'_y+V3'_y)×0.5；

M4_x＝(V3'_x+V4'_x)×0.5；

M4_y＝(V3'_y+V4'_y)×0.5；

然后根据四个预估计算的中间点M1，M2，M3，M4及四个确定顶点V1’，V2’，V3’，V4’搜索位置标志点PMP，该标志点PMP是用来作为辅助标记的辅助标志点，初步可以根据以上八个点计算出四个可能的位置标志点位置(PMP1，PMP2，PMP3，PMP4)坐标：

PMP_ix＝(Vi'_x-Mi'_x)×0.25；

                                 i＝1,2,3,4

PMP_iy＝(Vi'_y-Mi'_y)×0.25；

然后分别计算检测出的各个点与位置标志点PMPi的中心距离，距离在5个像素之内的则为实际位置标志点PMP。然后根据实际位置标志点PMP与四个顶点的距离关系，重新定义顶点编号顺序，距离PMP最近的为顶点V1”，顶点V1”～V4”按顺时针排列，重新计算中间点，并按顺序排列(实际位置标志点以及重新编号后的四个检测标志顶点和四个中间点的位置排布示意图如图6g所示)：

M1'_x＝(V4”_x+V1”_x)×0.5；

M1'_y＝(V4”_y+V1”_y)×0.5；

M2'_x＝(V1”_x+V2”_x)×0.5；

M2'_y＝(V1”_y+V2”_y)×0.5；

M3'_x＝(V2”_x+V3”_x)×0.5；

M3'_y＝(V2”_y+V3”_y)×0.5；

M4'_x＝(V3”_x+V4”_x)×0.5；

M4'_y＝(V3”_y+V4”_y)×0.5；

最后，删除计算过程中设置的其他参考标志点，最终输出实际标志点的位置及对应编号。

上述实施例进行定位标志点的自动识别，可理解为是对C型臂拍摄的X线透视图像中的定位标志点的识别，通常标定标尺中会带有两组标记点，C型臂透过设定有两组标志点的标定标尺来拍摄病人的X线透视图像，处理图像中的标志点包括两组标志点，通常第一组标志点的大小不等于第二组标志点的大小，如图7所示，需要对X线透视图像1中的有效成像区域2内的两组标志点进行识别，每组标志点中均包括等间距、呈正方形分布的八个标志点和一个用于标记位置关系的不规则分布的辅助标志点，由大标志点3形成一组标志点，由小标志点4形成另一组标志点，两组标志点是分别按照上述步骤进行识别，即识别完第一组标志点再识别第二组标志点，最终实现手术机器人所有的定位标志点自动识别。

应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。

Claims (7)

1.一种手术机器人定位标志点自动识别方法，用于对手术机器人拍摄的X线透视图像中用来定位的标志点的识别，其特征在于，所述方法是在获取X线透视图像中的标志点后提取两两标志点的距离在第一阈值允许的范围内的标志点；再计算标志点的夹角，检测出构成两个向量的预设夹角的三个标志点；根据检测的所述三个标志点的位置采用预估算法得到第四个标志点的位置，然后对识别的各标志点进行排序和编号；

所述预设夹角为90°且标志点数为九个时，所述标志点包括构成正方形的八个标志点和作为辅助标记的一个辅助标志点，检测的所述三个标志点中的斜边的两个标志点分别对应正方形边长的中点位置，根据预估算法得到作为正方形顶点的四个标志点和作为正方形边长中点的四个标志点，根据所述八个标志点搜索辅助标志点，再根据辅助标志点与作为正方形顶点的四个标志点的距离关系，对识别的构成正方形的八个标志点进行排序和编号。

2.根据权利要求1所述的方法，其特征在于，当X线透视图像中用来定位的标志点数多于四个时，根据检测的所述三个标志点的位置采用预估算法得到其它标志点的位置，然后对识别的所有标志点统一进行排序和编号。

3.根据权利要求1或2所述的方法，其特征在于，所述提取两两标志点的距离在第一阈值允许的范围内的标志点为标志点的初步提取，还包括在初步提取的各标志点中再次计算两两标志点的距离，二次提取两两标志点的距离在第二阈值允许的范围内的标志点。

4.根据权利要求1或2所述的方法，其特征在于，所述方法先通过生成匹配模板并将其与X线透视图像匹配后，再通过自适应阈值算法获取X线透视图像中的标志点。

5.根据权利要求4所述的方法，其特征在于，所述通过生成匹配模板并将其与X线透视图像匹配具体为：采用归一化相关匹配法比较并定位X线透视图像与匹配模板的图像匹配值最佳的位置区域，确定X线透视图像与匹配模板的最佳匹配值大于第三阈值。

6.根据权利要求4所述的方法，其特征在于，所述方法将匹配模板与X线透视图像匹配后还进行边缘提取，再通过自适应阈值算法获取X线透视图像中的标志点，并采用椭圆拟合算法计算标志点的中心。

7.根据权利要求6所述的方法，其特征在于，所述标志点大小半径为6-10个像素；所述标志点灰度平均值大于周围灰度平均值30个灰度。