CN105005995B - 一种计算三维点云模型骨骼的方法 - Google Patents
一种计算三维点云模型骨骼的方法 Download PDFInfo
- Publication number
- CN105005995B CN105005995B CN201510456783.9A CN201510456783A CN105005995B CN 105005995 B CN105005995 B CN 105005995B CN 201510456783 A CN201510456783 A CN 201510456783A CN 105005995 B CN105005995 B CN 105005995B
- Authority
- CN
- China
- Prior art keywords
- bone
- voxel
- point cloud
- cloud model
- dimensional point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Generation (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种计算三维点云模型骨骼的方法;本发明首先通过使用逐步细分的策略将三维点云模型均匀体素化;此后,使用快速行军算法,计算出模型内部体素点的距离域;然后,使用距离域计算出模型的初始骨骼;最后,将初始骨骼与L1中值骨骼提取算法融合,生成基于距离域的L1中值骨骼提取算法,快速准确计算出模型骨骼;与现有的三维点云模型骨骼提取方法相比,本发明处理带有大量噪声点、奇异点和大面积点云缺失的点云模型,而且不会产生错误的骨骼连接,同时不需要太多参数。
Description
技术领域
本发明属图形处理技术领域,尤其涉及一种三维点云模型骨骼提取方法。
背景技术
随着三维扫描设备的普及,三维点云模型数量越来越多。但通过普通三维扫描设备获得的三维点云,由于硬件自身的精度、拍摄角度、光照、三维物体自身相互遮挡和用户使用设备不当,生成的点云模型包含大量的噪声点、奇异点和大面积的点云缺失。模型骨骼有众多应用,例如在医学上,骨骼可以用于进行内窥镜检查,此外,在计算机图形学方面,骨骼可用于控制人物网格模型运动,生成骨骼动画,也可用于驱动点云模型进行配准,完成点云模型修复的目的。
然而,三维模型骨骼获取仍有很大的问题,尤其对于直接扫描获得的,带有大量噪声和大面积点云缺失的模型。首先,因为点云模型没有拓扑连接信息,很难通过模型拓扑关系提取骨骼。其次,点云模型质量较差,往往有大面积点云缺失,大量噪声点和奇异点,增加了骨骼提取的难度。最后骨骼提取是病态的问题,现存的骨骼提取方法为了计算出较好的骨骼结果,需要调试大量参数,导致算法实用性降低。为了满足实际需求,当前迫切需要一种适用范围广,效果显著的视频背景修复方法。
发明内容
本发明为了解决上述的技术问题,提出了一种三维点云模型骨骼提取方法。本发明的技术方案是:一种三维点云模型骨骼提取方法,包括下述步骤:
步骤1,用户指定输入三维点云模型Q为三维空间R3中模型,qj为模型上的顶点,J是三维点云模型顶点的索引,所述的三维点云模型包含噪声点、奇异点和点云缺失;从三维点云模型顶点上随机选取采样点集X={xi}i∈I,I是采样点集X的索引,采样点xi最终向三维点云模型内部移动,构成三维点云模型骨骼;
步骤2,将三维点云模型均匀体素化;
步骤3,计算出三维点云模型距离域DT,三维点云模型体素化之后,使用快速行军算法,计算出模型内部体素点的距离域;
步骤4,计算三维点云模型初始骨骼sk为骨骼点,K为初始骨骼点集的索引,计算出三维点云模型距离域后,使用三维点云模型距离域,计算三维点云模型初始骨骼;
步骤5,将初始骨骼点和L1第一范式中值骨骼提取算法进行融合,生成基于距离域的L1第一范式中值骨骼提取算法,通过最小化以下能量方程,计算出三维点云模型的完整骨骼;
其中,I是采样点集X的索引,J是模型Q顶点的索引,权重函数是一个快速衰减的平滑函数,r为距离值,其支持半径为h,参数σi通过加权PCA主成分分析算法计算,用于检测骨骼段的生成,{γi}i∈I为X的平衡常数,K为初始骨骼点集的索引,权重函数xi'为非xi的点;对圆心为采样点xi,半径为h的球体,球体包含所有点个数为n,球体包含的初始骨骼点个数为N;
步骤6,将骨骼按照规定结构,所述的规定结构为骨骼由骨骼点构成的结构,相邻骨骼点通过直线连接,计算出三维点云模型的一维曲线骨骼,完成骨骼提取。
优选的,所述的步骤2中还包括如下步骤:
步骤2.1,计算出三维点云模型的包围盒;
步骤2.2,用户指定初始分割精度和最终分割精度,将包围盒按照用户指定的初始分割精度进行均匀分割;
步骤2.3,标识边界体素;如果大体素包含三维点云模型顶点,则大体素为边界体素,然后使用泛洪算法,标识外部体素,选择一个外部体素作为种子点,判断该体素26邻域中的体素是否为边界体素,如果邻居体素不是边界体素,则将邻居体素标记为外部体素,从邻居体素开始继续扩展;如果是边界体素,则该邻居体素不再参加扩展;直至所有外部体素被标记,最终剩下的体素为内部体素;
步骤2.4,将体素进行细分,直到分割至用户指定精度。
优选的,所述的步骤2.4中按如下方法将体素进行细分:在每一次细分前,首先对所有体素进行3×3×3均匀分割,将每一个体素分割为27个小体素,重新判断边界体素的类别,如果分割后的小边界体素包含三维点云模型顶点,该体素仍标识为边界体素;如果小边界体素的26邻域中有外部体素,将该体素标识为外部体素;否则,该体素标识为内部体素,重复执行步骤2.4,不断生成新的外部体素、内部体素、边界体素,直到分割至用户指定精度。
优选的,所述的步骤4中还包括如下步骤:
步骤4.1,根据三维点云模型内部体素点p,判断是否成立,其中DTp是体素点p的距离域,是点p的26邻居的平均距离域,TP1是26邻居的厚度参数;
步骤4.2,根据三维点云模型内部体素点p,判断是否成立,是点p的63邻居的平均距离域,TP2是63邻居时的厚度参数;
步骤4.3,根据三维点云模型内部体素点p,判断是否成立,是点p的124邻居的平均距离域,TP3是124邻居时的骨骼厚度参数;
步骤4.4,如果三维点云模型内部体素点p满足步骤4.1,、4.2、4.3中的条件,则p为初始骨骼点;否则表明内部体素点p不为初始骨骼点。
优选的,所述的步骤5中还包括如下步骤:
步骤5.1,使用高斯-牛顿算法最小化以下能量方程,计算出三维点云模型的一维曲线骨骼;
步骤5.2,当采样点xi移动时,使用计算出的三维点云模型距离域信息;
步骤5.3,利用初始骨骼点和三维点云模型距离域的信息,对每一个采样点,计算出其最合适的支持半径,即如果采样点位于模型中心,则支持半径长度为模型中心到模型边界的距离域值。由圆心为采样点半径为所构成的球体包含N个初始骨骼点sj,j∈N,使用如下公式计算出初始骨骼点的中心:
其中,权重函数是一个快速衰减的平滑函数,如果中心center与间的距离小于体素边长,表明已经位于三维点云模型中心,则下一次迭代时,设置其支持半径值为包含中心center的体素的距离域值,如果两点间距离大于体素边长,表明采样点还需继续收敛,向三维点云模型内部移动,此时支持半径按规定比例增大,其中radio为半径增长率;
步骤5.4,对采样点向模型内部收敛,逐渐生成的不同骨骼段进行连接,形成完整骨骼,
优选的,所述的步骤5.4中,使用桥点将骨骼段进行连接,通过三维点云模型体素类别,标记出三维点云模型内部体素和外部体素,如果骨骼段端点与桥点的连线穿过三维点云模型外部,则重新选择。
优选的,所述的使用桥点将骨骼段进行连接时,判断连线与外部体素是否相交,如果没有相交,将两个骨骼段进行连接;如果相交,桥点选择错误,重新选择桥点。
本发明的有益效果是:一种三维点云模型骨骼提取方法首先通过使用逐步细分的策略将三维点云模型均匀体素化;此后,使用快速行军算法,计算出模型内部体素点的距离域;然后,使用距离域计算出模型的初始骨骼;最后,将初始骨骼与L1中值骨骼提取算法融合,生成基于距离域的L1中值骨骼提取算法,快速准确计算出模型骨骼;与现有的三维点云模型骨骼提取方法相比,本发明处理带有大量噪声点、奇异点和大面积点云缺失的点云模型,而且不会产生错误的骨骼连接,同时不需要太多参数。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
参照图1,本发明的流程图,一种计算三维点云模型骨骼的方法,包括下述步骤:
步骤1,用户指定输入三维点云模型Q为三维空间R3中模型,qj为模型上的顶点,J是三维点云模型顶点的索引,所述的三维点云模型包含噪声点、奇异点和点云缺失;从三维点云模型顶点上随机选取采样点集X={xi}i∈I,I是采样点集X的索引,采样点xi最终向三维点云模型内部移动,构成三维点云模型骨骼;
步骤2,将三维点云模型均匀体素化;所述的步骤2中还包括如下步骤:
步骤2.1,计算出三维点云模型的包围盒。
步骤2.2,点云模型包含大量点云缺失,所以采用逐渐细分的策略对模型进行体素化,用户指定初始分割精度和最终分割精度,将包围盒按照用户指定的初始分割精度进行均匀分割;
步骤2.3,标识边界体素;如果大体素包含三维点云模型顶点,则大体素为边界体素,然后使用泛洪算法,标识外部体素,选择一个外部体素作为种子点,判断该体素26邻域中的体素是否为边界体素,如果邻居体素不是边界体素,则将邻居体素标记为外部体素,从邻居体素开始继续扩展;如果是边界体素,则该邻居体素不再参加扩展;直至所有外部体素被标记,最终剩下的体素为内部体素;
步骤2.4,此时体素边长较大,直接使用这种尺度的体素,计算出的距离域不会很精确。将体素进行细分,直到分割至用户指定精度;
步骤2.4中按如下方法将体素进行细分:在每一次细分前,首先对所有体素进行3×3×3均匀分割,将每一个体素分割为27个小体素,对外部体素和内部体素进行分割后,其对应小体素类别与大体素一致,不发生改变。对于分割后的边界体素,重新判断边界体素的类别,如果分割后的小边界体素包含三维点云模型顶点,该体素仍标识为边界体素;如果小边界体素的26邻域中有外部体素,将该体素标识为外部体素;否则,该体素标识为内部体素,重复执行步骤2.4,不断生成新的外部体素、内部体素、边界体素,直到分割至用户指定精度。
步骤3,计算出三维点云模型距离域DT,三维点云模型体素化之后,使用快速行军算法,计算出模型内部体素点的距离域;
步骤4,计算三维点云模型初始骨骼sk为骨骼点,K为初始骨骼点集的索引,计算出三维点云模型距离域后,使用三维点云模型距离域,计算三维点云模型初始骨骼;
所述的步骤4中还包括如下步骤:
步骤4.1,根据三维点云模型内部体素点p,判断是否成立,其中DTp是体素点p的距离域,是点p的26邻居的平均距离域,TP1是26邻居的厚度参数;
步骤4.2,根据三维点云模型内部体素点p,判断是否成立,是点p的63邻居的平均距离域,TP2是63邻居时的厚度参数;
步骤4.3,根据三维点云模型内部体素点p,判断是否成立,是点p的124邻居的平均距离域,TP3是124邻居时的骨骼厚度参数;
步骤4.4,如果三维点云模型内部体素点p满足步骤4.1,、4.2、4.3中的条件,则p为初始骨骼点;否则表明内部体素点p不为初始骨骼点。
步骤5,将初始骨骼点和L1(第一范式)中值骨骼提取算法进行融合,生成基于距离域的L1中值骨骼提取算法,通过最小化以下能量方程,计算出三维点云模型的完整骨骼。
其中,I是采样点集X的索引,J是模型Q顶点的索引,权重函数是一个快速衰减的平滑函数,其支持半径为h,参数σi通过加权PCA主成分分析算法算法计算,用于检测骨骼段的生成,{γi}i∈I为X的平衡常数。K为初始骨骼点集的索引,权重函数xi'为非xi的点;对圆心为采样点xi,半径为h的球体,球体包含所有点个数为n,球体包含的初始骨骼点个数为N。
所述的步骤5中还包括如下步骤:
步骤5.1,使用高斯-牛顿算法最小化以下能量方程,计算出三维点云模型的一维曲线骨骼;
方程第一部分为局部L1中值骨骼算法,是采样点xi向模型内部移动,方程第二部分使初始骨骼点对采样点有巨大的吸引力,使采样点快速向模型内部移动,方程第三部分,可以防止采样点聚集。
步骤5.2,当采样点xi移动时,使用计算出的三维点云模型距离域信息,保证采样点xi只沿距离域增大方向移动;
步骤5.3,合适的支持半径h对计算出的骨骼有重要影响,利用初始骨骼点和三维点云模型距离域的信息,对每一个采样点,计算出其最合适的支持半径,即如果采样点位于模型中心,则支持半径长度为模型中心到模型边界的距离域值。由圆心为采样点半径为所构成的球体包含N个初始骨骼点sj,j∈N,使用如下公式计算出初始骨骼点的中心:
如果中心center与间的距离小于体素边长,表明已经位于三维点云模型中心,则下一次迭代时,设置其支持半径值为包含中心center的体素的距离域值,如果两点间距离大于体素边长,表明采样点还需继续收敛,向三维点云模型内部移动,此时支持半径按规定比例增大,其中radio为半径增长率;
步骤5.4,对采样点向模型内部收敛,逐渐生成的不同骨骼段。进行连接,形成完整骨骼,生成的骨骼段连接一个采样点,即桥点,桥点会参与另一个骨骼段的生成。
所述的步骤5.4中,使用桥点将骨骼段进行连接,通过三维点云模型体素类别,标记出三维点云模型内部体素和外部体素,使用该信息可以保证模型骨骼段连接时不会穿过模型外部,产生错误连接。如果骨骼段端点e与桥点b的连线穿过三维点云模型外部,表明这不是一个正确的桥点,则重新选择。
所述的使用桥点将骨骼段进行连接时,为了加快计算速度,判断连线与外部体素是否相交,减小计算量。如果没有相交,说明桥点选择正确,将两个骨骼段进行连接,如果相交,说明骨骼连线在模型外部,桥点选择错误,重新选择桥点。
步骤6,将骨骼按照规定结构输出,即骨骼由骨骼点构成,相邻骨骼点通过直线连接。计算出三维点云模型的一维曲线骨骼,完成骨骼提取。
Claims (7)
1.一种三维点云模型骨骼提取方法,其特征在于,包括下述步骤:
步骤1,用户指定输入三维点云模型,Q为三维空间R3中模型,qj为模型上的顶点,J是三维点云模型顶点的索引,所述的三维点云模型包含噪声点、奇异点和点云缺失;从三维点云模型顶点上随机选取采样点集X={xi}i∈I,I是采样点集X的索引,采样点xi最终向三维点云模型内部移动,构成三维点云模型骨骼;
步骤2,将三维点云模型均匀体素化;
步骤3,计算出三维点云模型距离域DT,三维点云模型体素化之后,使用快速行军算法,计算出模型内部体素点的距离域;
步骤4,计算三维点云模型初始骨骼,sk为骨骼点,K为初始骨骼点集的索引,计算出三维点云模型距离域后,使用三维点云模型距离域,计算三维点云模型初始骨骼;
步骤5,将初始骨骼点和L1第一范式中值骨骼提取算法进行融合,生成基于距离域的L1第一范式中值骨骼提取算法,通过最小化以下能量方程,计算出三维点云模型的完整骨骼;
其中,I是采样点集X的索引,J是模型Q顶点的索引,权重函数是一个快速衰减的平滑函数,r为距离值,其支持半径为h,参数σi通过加权PCA主成分分析算法计算,用于检测骨骼段的生成,{γi}i∈I为X的平衡常数,K为初始骨骼点集的索引,权重函数xi'为非xi的点;对圆心为采样点xi,半径为h的球体,球体包含所有点个数为n,球体包含的初始骨骼点个数为N;
步骤6,将骨骼按照规定结构提取,所述的规定结构为骨骼由骨骼点构成的结构,相邻骨骼点通过直线连接,计算出三维点云模型的一维曲线骨骼,完成骨骼提取。
2.根据权利要求1所述的一种三维点云模型骨骼提取方法,其特征在于,所述的步骤2中还包括如下步骤:
步骤2.1,计算出三维点云模型的包围盒;
步骤2.2,用户指定初始分割精度和最终分割精度,将包围盒按照用户指定的初始分割精度进行均匀分割;
步骤2.3,标识边界体素;如果大体素包含三维点云模型顶点,则大体素为边界体素,然后使用泛洪算法,标识外部体素,选择一个外部体素作为种子点,判断该体素26邻域中的体素是否为边界体素,如果邻居体素不是边界体素,则将邻居体素标记为外部体素,从邻居体素开始继续扩展;如果是边界体素,则该邻居体素不再参加扩展;直至所有外部体素被标记,最终剩下的体素为内部体素;
步骤2.4,将体素进行细分,直到分割至用户指定精度。
3.根据权利要求2所述的一种三维点云模型骨骼提取方法,其特征在于,所述的步骤2.4中按如下方法将体素进行细分:在每一次细分前,首先对所有体素进行3×3×3均匀分割,将每一个体素分割为27个小体素,重新判断边界体素的类别,如果分割后的小边界体素包含三维点云模型顶点,该体素仍标识为边界体素;如果小边界体素的26邻域中有外部体素,将该体素标识为外部体素;否则,该体素标识为内部体素,重复执行步骤2.4,不断生成新的外部体素、内部体素、边界体素,直到分割至用户指定精度。
4.根据权利要求1所述的一种三维点云模型骨骼提取方法,其特征在于,所述的步骤4中还包括如下步骤:
步骤4.1,根据三维点云模型内部体素点p,判断是否成立,其中DTp是体素点p的距离域,是点p的26邻居的平均距离域,TP1是26邻居的厚度参数;
步骤4.2,根据三维点云模型内部体素点p,判断是否成立,是点p的63邻居的平均距离域,TP2是63邻居时的厚度参数;
步骤4.3,根据三维点云模型内部体素点p,判断是否成立,是点p的124邻居的平均距离域,TP3是124邻居时的骨骼厚度参数;
步骤4.4,如果三维点云模型内部体素点p满足步骤4.1、4.2、4.3中的条件,则p为初始骨骼点;否则表明内部体素点p不为初始骨骼点。
5.根据权利要求1所述的一种三维点云模型骨骼提取方法,其特征在于,所述的步骤5中还包括如下步骤:
步骤5.1,使用高斯-牛顿算法最小化以下能量方程,计算出三维点云模型的一维曲线骨骼;
步骤5.2,当采样点xi移动时,使用计算出的三维点云模型距离域信息;
步骤5.3,利用初始骨骼点和三维点云模型距离域的信息,对每一个采样点,计算出其最合适的支持半径,即如果采样点位于模型中心,则支持半径长度为模型中心到模型边界的距离域值;由圆心为采样点半径为所构成的球体包含N个初始骨骼点sj,j∈N,使用如下公式计算出初始骨骼点的中心:
其中,权重函数是一个快速衰减的平滑函数,如果中心center与间的距离小于体素边长,表明已经位于三维点云模型中心,则下一次迭代时,设置其支持半径值为包含中心center的体素的距离域值,如果两点间距离大于体素边长,表明采样点还需继续收敛,向三维点云模型内部移动,此时支持半径按规定比例增大,其中radio为半径增长率;
步骤5.4,对采样点向模型内部收敛,逐渐生成的不同骨骼段进行连接,形成完整骨骼。
6.根据权利要求5所述的一种三维点云模型骨骼提取方法,其特征在于,所述的步骤5.4中,使用桥点将骨骼段进行连接,通过三维点云模型体素类别,标记出三维点云模型内部体素和外部体素,如果骨骼段端点与桥点的连线穿过三维点云模型外部,则重新选择。
7.根据权利要求6所述的一种三维点云模型骨骼提取方法,其特征在于:所述在使用桥点将骨骼段进行连接时,判断连线与外部体素是否相交,如果没有相交,将两个骨骼段进行连接;如果相交,桥点选择错误,重新选择桥点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510456783.9A CN105005995B (zh) | 2015-07-29 | 2015-07-29 | 一种计算三维点云模型骨骼的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510456783.9A CN105005995B (zh) | 2015-07-29 | 2015-07-29 | 一种计算三维点云模型骨骼的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105005995A CN105005995A (zh) | 2015-10-28 |
CN105005995B true CN105005995B (zh) | 2017-07-25 |
Family
ID=54378652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510456783.9A Expired - Fee Related CN105005995B (zh) | 2015-07-29 | 2015-07-29 | 一种计算三维点云模型骨骼的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105005995B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204635B (zh) * | 2016-06-27 | 2018-11-30 | 北京工业大学 | 基于l0最小化的人体连续帧骨骼优化方法 |
CN106600683B (zh) * | 2016-11-28 | 2019-05-31 | 淮阴工学院 | 一种面向骨骼ct序列图像的网格模型自适应重建方法 |
CN109118564B (zh) * | 2018-08-01 | 2023-09-19 | 山东佳音信息科技有限公司 | 一种基于融合体素的三维点云标记方法和装置 |
CN109559338B (zh) * | 2018-11-20 | 2020-10-27 | 西安交通大学 | 一种基于加权主成分分析法及m估计的三维点云配准方法 |
CN109829972B (zh) * | 2019-01-19 | 2023-06-02 | 北京工业大学 | 一种面向连续帧点云的三维人体标准骨架提取方法 |
CN110047099A (zh) * | 2019-02-27 | 2019-07-23 | 视缘(上海)智能科技有限公司 | 一种基于3d点云表示模型的方法 |
CN110570464B (zh) * | 2019-09-16 | 2022-03-18 | 常州工程职业技术学院 | 一种面向骨骼外形平均化的股骨模型配准方法 |
CN112989470B (zh) * | 2021-03-26 | 2022-06-07 | 武汉大学 | 一种基于点云数据的室内空间布局提取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2003598A1 (en) * | 2007-06-14 | 2008-12-17 | Siemens Corporate Research, Inc. | Method and system for side detection of 3d undetailed ear impressions |
US8004517B1 (en) * | 2005-06-24 | 2011-08-23 | Geomagic, Inc. | Methods, apparatus and computer program products that model three-dimensional surface structures |
CN103186787A (zh) * | 2011-12-31 | 2013-07-03 | 廖志武 | 基于点云模型的低质汉字初始骨架提取算法 |
CN103268631A (zh) * | 2013-05-23 | 2013-08-28 | 中国科学院深圳先进技术研究院 | 点云骨架提取方法及装置 |
CN104318563A (zh) * | 2014-10-22 | 2015-01-28 | 北京航空航天大学 | 一种基于医学图像的器官骨架提取方法 |
-
2015
- 2015-07-29 CN CN201510456783.9A patent/CN105005995B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8004517B1 (en) * | 2005-06-24 | 2011-08-23 | Geomagic, Inc. | Methods, apparatus and computer program products that model three-dimensional surface structures |
EP2003598A1 (en) * | 2007-06-14 | 2008-12-17 | Siemens Corporate Research, Inc. | Method and system for side detection of 3d undetailed ear impressions |
CN103186787A (zh) * | 2011-12-31 | 2013-07-03 | 廖志武 | 基于点云模型的低质汉字初始骨架提取算法 |
CN103268631A (zh) * | 2013-05-23 | 2013-08-28 | 中国科学院深圳先进技术研究院 | 点云骨架提取方法及装置 |
CN104318563A (zh) * | 2014-10-22 | 2015-01-28 | 北京航空航天大学 | 一种基于医学图像的器官骨架提取方法 |
Non-Patent Citations (4)
Title |
---|
Defining and Computing Curve-Skeletons with Medial Geodesic Function;Tamal K.Dey 等;《Eurographics Symposium on Geometry Processing》;20060628;第143-152页 * |
Human skeleton tracking from depth data using geodesic distances and optical flow;Loren Arthur Schwarz 等;《Image and Vision Computing》;20111213;第30卷(第3期);第217-226页 * |
L1-medial Skeleton of Point Cloud;Hui Huang 等;《ACM Transactions on Graphics》;20130731;第32卷(第4期);第1-8页 * |
时变曲面一致性骨骼提取;逄志强 等;《计算机应用》;20141010;第34卷(第10期);第3004-3008页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105005995A (zh) | 2015-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105005995B (zh) | 一种计算三维点云模型骨骼的方法 | |
Kim et al. | Machine-learning-based automatic identification of fetal abdominal circumference from ultrasound images | |
CN109621332A (zh) | 一种健身动作的属性确定方法、装置、设备和存储介质 | |
CN107145910A (zh) | 医学影像的表现生成系统、其训练方法及表现生成方法 | |
CN106875406A (zh) | 图像引导的视频语义对象分割方法及装置 | |
CN101271589B (zh) | 一种三维人体模型关节中心提取方法 | |
CN108053417A (zh) | 一种基于混合粗分割特征的3DU-Net网络的肺分割装置 | |
CN104809730A (zh) | 从胸部ct图像提取气管的方法和装置 | |
CN102663416B (zh) | 手术规划系统中内脏及其内部血管的分割方法 | |
CN106204587A (zh) | 基于深度卷积神经网络和区域竞争模型的多器官分割方法 | |
CN104318622B (zh) | 一种室内场景非均匀三维点云数据的三角网格建模方法 | |
CN105740780A (zh) | 人脸活体检测的方法和装置 | |
CN102068281A (zh) | 一种占位性病变超声图像的处理方法 | |
CN102184567A (zh) | 基于球b样条曲线的三维血管模型构造方法 | |
CN107993228A (zh) | 一种基于心血管oct影像的易损斑块自动检测方法和装置 | |
CN107133913A (zh) | 一种自动矫直的图像拼接方法 | |
CN103227888B (zh) | 一种基于经验模式分解和多种评价准则的视频去抖动方法 | |
CN102289811A (zh) | 一种半自动序列图像分割方法及系统 | |
CN105976364B (zh) | 基于简化带权无向图的统计平均模型构建方法 | |
CN108154104A (zh) | 一种基于深度图像超像素联合特征的人体姿态估计方法 | |
CN104036481B (zh) | 一种基于深度信息提取的多聚焦图像融合方法 | |
CN109544554A (zh) | 一种植物图像分割及叶片骨架提取方法及系统 | |
CN108280852A (zh) | 一种基于激光点云数据的门窗点云形状检测方法及系统 | |
CN110532914A (zh) | 基于精细特征学习的建筑物检测方法 | |
CN105243375A (zh) | 一种动作特征提取方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170725 Termination date: 20180729 |