CN107679536A - 一种基于dbscan聚类的义齿颈缘线自动提取方法 - Google Patents
一种基于dbscan聚类的义齿颈缘线自动提取方法 Download PDFInfo
- Publication number
- CN107679536A CN107679536A CN201610629338.2A CN201610629338A CN107679536A CN 107679536 A CN107679536 A CN 107679536A CN 201610629338 A CN201610629338 A CN 201610629338A CN 107679536 A CN107679536 A CN 107679536A
- Authority
- CN
- China
- Prior art keywords
- bead
- characteristic area
- cluster
- characteristic
- line
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于DBSCAN聚类的义齿颈缘线自动提取方法,包括:对待提取对象进行特征提取,得到待提取对象的特征区域;对待提取对象的特征区域采用DBSCAN聚类法自动识别出颈缘特征区域;采用改进的形态学方法对颈缘特征区域进行处理,得到颈缘线,所述改进的形态学方法使断开的颈缘特征区域连通,并使颈缘特征区域中的开环特征线闭合。本发明通过DBSCAN聚类自动识别出颈缘特征区域,能排除顶部特征区域和其他噪声的干扰;采用改进的形态学方法处理颈缘特征区域,得出颈缘线能保证本方法可靠地提取出合理的颈缘线;整个提取过程不需交互操作,智能化程度高,鲁棒性好。本发明可广泛应用于口腔修复领域。
Description
技术领域
本发明涉及口腔修复领域,尤其是一种基于DBSCAN聚类的义齿颈缘线自动提取方法。
背景技术
CAD/CAM技术在口腔修复领域的广泛应用,使得口腔修复技术实现了由手工操作向自动化和智能化方向的跨越。预备体颈缘线的提取是口腔CAD/CAM修复工艺边缘密合的关键环节,而修复冠的边缘密合性将对患者的牙龈健康有重要影响(在义齿修复CAD/CAM系统中,颈缘特征线的提取是冠修复体设计的首要处理任务,其提取质量直接影响修复体的建模精度和最终修复效果)。
戴宁等人在名为“牙齿预备体颈缘线自适应提取算法的研究与实现”的论文中提出了利用点的曲率作为颈缘线的特征,通过构造局部特征引导线采用自适应搜索的方法完成对颈缘线的提取。该算法虽然能在一定程度上应对特征线分支的情况,但其依赖于所选择的初始点,且其构造的局部引导线会受附近的非颈缘线上的但符合要求的特征点影响,导致个别牙齿无法正确地完成颈缘线的提取,不够可靠。
张长东等人在名为“基于启发式搜索策略的牙齿生物特征线提取技术”的论文提出了利用极值系数作为特征点的选取标准,结合最小代价的启发式搜索完成颈缘线的提取;马银玲等人在名为“口腔固定义齿数字化设计技术研究”的论文中以平均曲率作为颈缘线特征点的度量,辅以距离函数作为方向引导,通过改进的蚁群算法也实现了颈缘线的提取。但是这两种算法也是交互式的,需要用户进行初始点的设置,智能化程度低且缺乏有效的噪声消除方法。尤其是当颈缘局部特征不明显导致提取的特征区域不封闭时,上述两种算法均不能得到合理的颈缘线。
综上所述,目前的颈缘线提取方法,大多存在以下缺点:(1)智能化程度不高,需要人工拾取一个或多个特征点;(2)鲁棒性不好,对噪声比较敏感或难以应对颈缘局部特征不明显的情形。
发明内容
为解决上述技术问题,本发明的目的在于:提供一种智能化程度高和鲁棒性好的,基于DBSCAN聚类的义齿颈缘线自动提取方法。
本发明所采取的技术方案是:
一种基于DBSCAN聚类的义齿颈缘线自动提取方法,包括以下步骤:
S1、对待提取对象进行特征提取,得到待提取对象的特征区域,所述待提取对象包括但不限于预备体三角网格模型和由预备体扫描得到的点云数据经过处理后生成的三角网格模型;
S2、对待提取对象的特征区域采用DBSCAN聚类法自动识别出颈缘特征区域;
S3、采用改进的形态学方法对颈缘特征区域进行处理,得到颈缘线,所述改进的形态学方法使断开的颈缘特征区域连通,并使颈缘特征区域中的开环特征线闭合。
进一步,所述步骤S1包括:
S11、读取待提取对象;
S12、设置曲率区间和曲率阈值,然后计算待提取对象中三角网格顶点的平均曲率,并将平均曲率大于曲率阈值的点标记为特征点,最终得到由所有特征点构成的特征区域。
进一步,所述步骤S2包括:
S21、预设聚类参数组合列表(r,minPts),其中,r为聚类的半径,minPts为设定的邻域密度阈值;
S22、以待提取对象当前特征区域的特征点作为聚类的数据集D进行聚类初始化,其中,每次聚类初始化都会从聚类参数组合列表(r,minPts)中选取一组未被采用的聚类参数;
S23、对聚类的数据集D进行DBSCAN聚类,得到所有簇的集合cluster;
S24、根据统计数据对得到的集合cluster进行删除处理,以剔除集合cluster中不属于颈缘特征区域的簇;
S25、采用集合cluster中删除处理后剩余的簇对待提取对象的特征区域进行更新,得到颈缘特征区域。
进一步,所述设置的曲率区间为[1.2,1.5]。
进一步,所述步骤S24包括:
S241、将点数小于minPts的簇从集合cluster中删除,然后判断此时集合cluster中剩余的簇是否多于2个,若是,则继续执行步骤S242,反之,则返回步骤S22;
S242、计算集合cluster中剩余簇的平均点数averSize;
S243、从集合cluster中删除点数小于0.5*averSize的簇,然后判断此时集合cluster中剩余的簇是否多于2个,若是,则继续执行步骤S244,反之,则返回步骤S22;
S2444、删除集合cluster中点数最大的簇。
进一步,所述步骤S3包括:
S31、备份颈缘特征区域中当前区域的状态;
S32、采用形态学膨胀和腐蚀操作使断开的颈缘特征区域连通;
S33、对连通处理后的颈缘特征区域采用形态学Skeletonize操作进行骨架线提取,然后根据骨架线提取的结果执行相应的操作:若提取出的骨架线为闭环特征线,则直接以该闭环特征线作为提取出的颈缘线,并结束自动提取过程,反之,则执行步骤S34;
S34、将颈缘特征区域恢复到备份的状态,然后采用改进的Skeletonize操作提取骨架线,再接着修剪提取出的骨架线中的短分支,得到一条开环特征线;
S35、使开环特征线闭合,从而提取出颈缘线。
进一步,所述步骤S32包括:
S321、采用3次膨胀操作对颈缘特征区域进行处理,得到膨胀处理后的颈缘特征区域;
S322、采用3次腐蚀操作对膨胀处理后的颈缘特征区域进行处理,使断开的颈缘特征区域连通。
进一步,所述步骤S34包括:
S341、将颈缘特征区域恢复到备份的状态;
S342、采用改进的Skeletonize操作提取骨架线,所述改进的Skeletonize操作在提取时对于符合Skeletonize操作删除条件的特征点,判断该特征点是否仅有1个1-邻域特征点,若是,则不对该特征点进行删除操作,以保留特征线的开环分支,反之,则删除该特征点;
S343、修剪提取出的骨架线中的短分支,得到一条开环特征线。
进一步,所述步骤S35包括:
S351、采用图搜索方法搜索开环特征线两端点间的最短路径;
S352、根据搜索的最短路径使开环特征线闭合,得到闭合曲线;
S353、对闭合曲线执行形态学Skeletonize操作,以提取出颈缘线。
进一步,所述步骤S35包括:
S351、采用B样条曲线对开环特征线进行拟合,得到闭环曲线;
S352、将闭环曲线投影至待提取对象的三角网格中,以提取出颈缘线。
本发明的有益效果是:对待提取对象的特征区域采用DBSCAN聚类法自动识别出颈缘特征区域,通过DBSCAN聚类自动识别出颈缘特征区域,能排除顶部特征区域和其他噪声的干扰;采用改进的形态学方法处理颈缘特征区域,得出颈缘线,改进的形态学方法能使颈缘特征区域中的开环特征线闭合,考虑了因颈缘局部特征不明显而造成特征区域断开较严重的极端情形,能保证本方法可靠地提取出合理的颈缘线;整个提取过程不需交互操作,智能化程度高,鲁棒性好,对噪声不敏感且能应对颈缘局部特征不明显的情形,可以用来处理噪声严重或颈缘线特征区域不连续的待提取对象。
附图说明
图1为本发明一种基于DBSCAN聚类的义齿颈缘线自动提取方法的整体流程图;
图2为本发明实施例一的整体流程图;
图3为本发明实施例一中步骤四的一种实施流程图;
图4为本发明预备体模型一采用本发明的方法进行处理的过程示意图;
图5为本发明预备体模型二采用本发明的方法进行处理的过程示意图;
图6为本发明Skeletonize操作与改进的Skeletonize操作的实施效果对比图。
具体实施方式
参照图1,一种基于DBSCAN聚类的义齿颈缘线自动提取方法,包括以下步骤:
S1、对待提取对象进行特征提取,得到待提取对象的特征区域,所述待提取对象包括但不限于预备体三角网格模型和由预备体扫描得到的点云数据经过处理后生成的三角网格模型;
S2、对待提取对象的特征区域采用DBSCAN聚类法自动识别出颈缘特征区域;
S3、采用改进的形态学方法对颈缘特征区域进行处理,得到颈缘线,所述改进的形态学方法使断开的颈缘特征区域连通,并使颈缘特征区域中的开环特征线闭合。
进一步作为优选的实施方式,所述步骤S1包括:
S11、读取待提取对象;
S12、设置曲率区间和曲率阈值,然后计算待提取对象中三角网格顶点的平均曲率,并将平均曲率大于曲率阈值的点标记为特征点,最终得到由所有特征点构成的特征区域。
进一步作为优选的实施方式,所述步骤S2包括:
S21、预设聚类参数组合列表(r,minPts),其中,r为聚类的半径,minPts为设定的邻域密度阈值;
S22、以待提取对象当前特征区域的特征点作为聚类的数据集D进行聚类初始化,其中,每次聚类初始化都会从聚类参数组合列表(r,minPts)中选取一组未被采用的聚类参数;
S23、对聚类的数据集D进行DBSCAN聚类,得到所有簇的集合cluster;
S24、根据统计数据对得到的集合cluster进行删除处理,以剔除集合cluster中不属于颈缘特征区域的簇;
S25、采用集合cluster中删除处理后剩余的簇对待提取对象的特征区域进行更新,得到颈缘特征区域。
进一步作为优选的实施方式,所述设置的曲率区间为[1.2,1.5]。
进一步作为优选的实施方式,所述步骤S24包括:
S241、将点数小于minPts的簇从集合cluster中删除,然后判断此时集合cluster中剩余的簇是否多于2个,若是,则继续执行步骤S242,反之,则返回步骤S22;
S242、计算集合cluster中剩余簇的平均点数averSize;
S243、从集合cluster中删除点数小于0.5*averSize的簇,然后判断此时集合cluster中剩余的簇是否多于2个,若是,则继续执行步骤S244,反之,则返回步骤S22;
S2444、删除集合cluster中点数最大的簇。
进一步作为优选的实施方式,所述步骤S3包括:
S31、备份颈缘特征区域中当前区域的状态;
S32、采用形态学膨胀和腐蚀操作使断开的颈缘特征区域连通;
S33、对连通处理后的颈缘特征区域采用形态学Skeletonize操作进行骨架线提取,然后根据骨架线提取的结果执行相应的操作:若提取出的骨架线为闭环特征线,则直接以该闭环特征线作为提取出的颈缘线,并结束自动提取过程,反之,则执行步骤S34;
S34、将颈缘特征区域恢复到备份的状态,然后采用改进的Skeletonize操作提取骨架线,再接着修剪提取出的骨架线中的短分支,得到一条开环特征线;
S35、使开环特征线闭合,从而提取出颈缘线。
进一步作为优选的实施方式,所述步骤S32包括:
S321、采用3次膨胀操作对颈缘特征区域进行处理,得到膨胀处理后的颈缘特征区域;
S322、采用3次腐蚀操作对膨胀处理后的颈缘特征区域进行处理,使断开的颈缘特征区域连通。
进一步作为优选的实施方式,所述步骤S34包括:
S341、将颈缘特征区域恢复到备份的状态;
S342、采用改进的Skeletonize操作提取骨架线,所述改进的Skeletonize操作在提取时对于符合Skeletonize操作删除条件的特征点,判断该特征点是否仅有1个1-邻域特征点,若是,则不对该特征点进行删除操作,以保留特征线的开环分支,反之,则删除该特征点;
S343、修剪提取出的骨架线中的短分支,得到一条开环特征线。
进一步作为优选的实施方式,所述步骤S35包括:
S351、采用图搜索方法搜索开环特征线两端点间的最短路径;
S352、根据搜索的最短路径使开环特征线闭合,得到闭合曲线;
S353、对闭合曲线执行形态学Skeletonize操作,以提取出颈缘线。
进一步作为优选的实施方式,所述步骤S35包括:
S351、采用B样条曲线对开环特征线进行拟合,得到闭环曲线;
S352、将闭环曲线投影至待提取对象的三角网格中,以提取出颈缘线。
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。
实施例一
参照图2-6,本发明的第一实施例:
针对现有技术智能化程度不高和鲁棒性不好的问题,本发明提出了一种基于DBSCAN聚类的义齿颈缘线自动提取方法,通过DBSCAN聚类自动识别出颈缘特征区域,可以排除顶部特征区域和其他噪声的干扰,并在此基础上采用改进的形态学方法处理颈缘特征区域,可提取出合理的颈缘线。该方法提取过程不需交互操作,自动化程度高,鲁棒性好,可以处理噪声严重、颈缘线特征区域不连续的待提取对象。
参照图2,本发明一种基于DBSCAN聚类的义齿颈缘线自动提取方法包括以下步骤:
步骤一、读取待提取对象的模型。
本发明颈缘线提取的适用对象(即待提取对象)为预备体三角网格模型,而由预备体扫描所得的点云数据经过处理后生成的三角网格模型也属本发明的适用对象。
步骤二、提取特征区域。
本发明以平均曲率作为特征点的度量,提取特征区域的具体过程为:首先设置曲率区间和曲率阈值,然后计算预备体三角网格顶点平均曲率,并将平均曲率大于曲率阈值的点标记为特征点,最终得到由所有特征点构成的特征区域。作为优选的实施方式,本发明可设置曲率区间为[1.2,1.5],如图4(a)、5(a)所示。
步骤三、通过DBSCAN聚类识别颈缘特征区域。
本发明以现有特征点作为数据集进行DBSCAN聚类,根据统计数据从聚类的结果中选出属于颈缘线特征区域的簇,并更新特征区域,最终得到颈缘特征区域,具体过程如下:
(1)预设聚类参数组合列表(r,minPts)。
具体地,作为优选的实施方式,本实施例给定的聚类参数组合列表(r,minPts)={(3,15),(3,12),(3,9),(2,15),(2,12),(2,9)}。其中,r为聚类的半径,minPts为设定的邻域密度阈值。
(2)聚类参数初始化:以当前特征区域中的特征点作为聚类的数据集,记为D;并依照步骤(1)中聚类参数组合列表(r,minPts)的顺序,每次初始化时从(r,minPts)中选取一组未被采用的聚类参数。
(3)对聚类的数据集D进行DBSCAN聚类,得到所有簇的集合cluster。
DBSCAN聚类:DBSCAN(Density-Based Spatial Clustering of Applicationswith Noise)算法是一种基于高密度联通区域的聚类算法,其在图像处理等许多领域有着广泛的应用。该算法的基本思想是:对于簇中的每一个点在其给定的半径范围内都至少包含给定数目的点。该算法将具有足够高密度的区域划分为一类,并可以在带有“噪声(outliers)”的空间数据库中发现任意形状的聚类,而且聚类速度快,可以作为增量聚类算法的基础。
(4)处理聚类的结果:根据统计数据对得到的集合cluster进行删除处理,以剔除集合cluster中不属于颈缘特征区域的簇。
该过程可进一步细分为:
1)将点数小于minPts的簇从集合cluster中删除,然后判断此时集合cluster中剩余的簇是否多于2个,若是,则继续执行步骤2),反之,则返回步骤(2);
2)计算集合cluster中剩余簇的平均点数averSize;
3)从集合cluster中删除点数小于0.5*averSize的簇,然后判断此时集合cluster中剩余的簇是否多于2个,若是,则继续执行步骤4)(如图4(b)、5(b)所示),反之,则返回步骤(2);
4)删除集合cluster中点数最大的簇。
(5)用集合cluster中剩余的簇更新对待提取对象的特征区域,即可得到颈缘特征区域(如图4(c)、5(c)所示)。
步骤四、采用改进的形态学方法处理颈缘特征区域,得到颈缘线。
参照图3,作为优选的实施方式,步骤四可包括以下步骤:
(1)备份颈缘特征区域中当前区域的状态。
(2)采用改进的形态学操作使断开的颈缘特征区域封闭。
具体地,作为优选的实施方式,改进的形态学操作先采用3次膨胀操作,再采用3次腐蚀操作,以使断开的颈缘特征区域连通且为单连通区域(图4(d)为预备体模型一颈缘特征区域连通且为单连通区域的情形,图5(d)为预备体模型二颈缘特征区域不连通的情形)。
(3)执行Skeletonize操作,然后根据骨架线提取的结果执行相应的操作:若提取出的骨架线为闭环特征线,则直接以该闭环特征线作为提取出的颈缘线(如图4(e)所示),并结束自动提取过程,反之,则进入下一步(针对图5(d)的情形)。
其中,Skeletonize操作为形态学中定义的提取骨架线操作,通过逐层删除特征区域的外围特征点使特征区域收缩为特征线,其不会保留特征线的开环分支。执行该操作后的效果如图6(a)所示。
(4)将特征区域恢复到备份的状态。
(5)执行改进的Skeletonize操作并修剪短分支,得到一条开环特征线(如图5(e)所示)。
该过程可进一步细分为:
1)采用改进的Skeletonize操作提取骨架线。
其中,改进的Skeletonize操作在提取骨架线的各次迭代中,对于符合Skeletonize操作删除条件的特征点,判断该特征点是否仅有1个1-邻域特征点,若是,则不对该特征点进行删除操作,以保留特征线的开环分支,反之,则删除该特征点。与Skeletonize操作相反,改进的Skeletonize操作将保留特征线的开环分支,其执行后的效果如图6(b)所示。
2)修剪提取出的骨架线中的短分支,得到一条开环特征线。
(6)使开环特征线闭合,从而提取出颈缘线(如图5(f)所示)。
考虑到因颈缘局部特征不明显而造成特征区域断开较严重的极端情形(如图5(d)所示),本发明提出了以下两种方案来使开环特征线闭合:
方案一:图搜索结合Skeletonize操作的方法。该方案先采用图搜索方法搜索开环特征线两端点间的最短路径,然后根据搜索出的最短路径使开环特征线闭合,最后执行形态学定义的Skeletonize操作修剪可能存在的特征线分支,得到颈缘线。图搜索方法可采用现有的盲目搜索策略(包括宽度优先搜索策略、深度优先搜索策略和等价搜索策略)或启发式搜索策略(包括有序优选搜索策略和A*搜索策略)来实现。
方案二:B样条曲线拟合法。该方案先通过B样条曲线对开环特征线进行拟合得到闭环曲线,再将闭环曲线投影至预备体网格,得到颈缘线。
对比图4(c)与图4(a)、图5(c)与图5(a),可以看出,DBSCAN聚类可以很好地避免噪声干扰,通过该方法识别出的颈缘特征区域,不仅不需要人工选择特征点,还便于进一步采用形态学的方法使断开的特征区域连通。另外,本发明还考虑到了因颈缘局部特征不明显而造成特征区域断开较严重的极端情形(现有技术未对此提出应对策略),如5(d)所示,并给出了两种解决方案来使开环特征线封闭,从而保证了本发明的方法能可靠地得到合理的颈缘线。
与现有技术相比,本发明提出了一种基于DBSCAN聚类的义齿颈缘线自动提取方法,通过DBSCAN聚类自动识别出颈缘线特征区域,可以排除顶部特征区域和其他噪声的干扰,在此基础上采用形态学方法处理特征区域即可提取出合理的颈缘线。本发明的方法自动化程度高,鲁棒性好,对噪声严重和颈缘局部特征不明显的预备体模型也能可靠地提取出合理的颈缘线。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于DBSCAN聚类的义齿颈缘线自动提取方法,其特征在于:包括以下步骤:
S1、对待提取对象进行特征提取,得到待提取对象的特征区域,所述待提取对象包括但不限于预备体三角网格模型和由预备体扫描得到的点云数据经过处理后生成的三角网格模型;
S2、对待提取对象的特征区域采用DBSCAN聚类法自动识别出颈缘特征区域;
S3、采用改进的形态学方法对颈缘特征区域进行处理,得到颈缘线,所述改进的形态学方法使断开的颈缘特征区域连通,并使颈缘特征区域中的开环特征线闭合。
2.根据权利要求1所述的一种基于DBSCAN聚类的义齿颈缘线自动提取方法,其特征在于:所述步骤S1包括:
S11、读取待提取对象;
S12、设置曲率区间和曲率阈值,然后计算待提取对象中三角网格顶点的平均曲率,并将平均曲率大于曲率阈值的点标记为特征点,最终得到由所有特征点构成的特征区域。
3.根据权利要求1所述的一种基于DBSCAN聚类的义齿颈缘线自动提取方法,其特征在于:所述步骤S2包括:
S21、预设聚类参数组合列表(r,minPts),其中,r为聚类的半径,minPts为设定的邻域密度阈值;
S22、以待提取对象当前特征区域的特征点作为聚类的数据集D进行聚类初始化,其中,每次聚类初始化都会从聚类参数组合列表(r,minPts)中选取一组未被采用的聚类参数;
S23、对聚类的数据集D进行DBSCAN聚类,得到所有簇的集合cluster;
S24、根据统计数据对得到的集合cluster进行删除处理,以剔除集合cluster中不属于颈缘特征区域的簇;
S25、采用集合cluster中删除处理后剩余的簇对待提取对象的特征区域进行更新,得到颈缘特征区域。
4.根据权利要求2所述的一种基于DBSCAN聚类的义齿颈缘线自动提取方法,其特征在于:所述设置的曲率区间为[1.2,1.5]。
5.根据权利要求3所述的一种基于DBSCAN聚类的义齿颈缘线自动提取方法,其特征在于:所述步骤S24包括:
S241、将点数小于minPts的簇从集合cluster中删除,然后判断此时集合cluster中剩余的簇是否多于2个,若是,则继续执行步骤S242,反之,则返回步骤S22;
S242、计算集合cluster中剩余簇的平均点数averSize;
S243、从集合cluster中删除点数小于0.5*averSize的簇,然后判断此时集合cluster中剩余的簇是否多于2个,若是,则继续执行步骤S244,反之,则返回步骤S22;
S2444、删除集合cluster中点数最大的簇。
6.根据权利要求1-5任一项所述的一种基于DBSCAN聚类的义齿颈缘线自动提取方法,其特征在于:所述步骤S3包括:
S31、备份颈缘特征区域中当前区域的状态;
S32、采用形态学膨胀和腐蚀操作使断开的颈缘特征区域连通;
S33、对连通处理后的颈缘特征区域采用形态学Skeletonize操作进行骨架线提取,然后根据骨架线提取的结果执行相应的操作:若提取出的骨架线为闭环特征线,则直接以该闭环特征线作为提取出的颈缘线,并结束自动提取过程,反之,则执行步骤S34;
S34、将颈缘特征区域恢复到备份的状态,然后采用改进的Skeletonize操作提取骨架线,再接着修剪提取出的骨架线中的短分支,得到一条开环特征线;
S35、使开环特征线闭合,从而提取出颈缘线。
7.根据权利要求6所述的一种基于DBSCAN聚类的义齿颈缘线自动提取方法,其特征在于:所述步骤S32包括:
S321、采用3次膨胀操作对颈缘特征区域进行处理,得到膨胀处理后的颈缘特征区域;
S322、采用3次腐蚀操作对膨胀处理后的颈缘特征区域进行处理,使断开的颈缘特征区域连通。
8.根据权利要求6所述的一种基于DBSCAN聚类的义齿颈缘线自动提取方法,其特征在于:所述步骤S34包括:
S341、将颈缘特征区域恢复到备份的状态;
S342、采用改进的Skeletonize操作提取骨架线,所述改进的Skeletonize操作在提取时对于符合Skeletonize操作删除条件的特征点,判断该特征点是否仅有1个1-邻域特征点,若是,则不对该特征点进行删除操作,以保留特征线的开环分支,反之,则删除该特征点;
S343、修剪提取出的骨架线中的短分支,得到一条开环特征线。
9.根据权利要求7或8所述的一种基于DBSCAN聚类的义齿颈缘线自动提取方法,其特征在于:所述步骤S35包括:
S351、采用图搜索方法搜索开环特征线两端点间的最短路径;
S352、根据搜索的最短路径使开环特征线闭合,得到闭合曲线;
S353、对闭合曲线执行形态学Skeletonize操作,以提取出颈缘线。
10.根据权利要求7或8所述的一种基于DBSCAN聚类的义齿颈缘线自动提取方法,其特征在于:所述步骤S35包括:
S351、采用B样条曲线对开环特征线进行拟合,得到闭环曲线;
S352、将闭环曲线投影至待提取对象的三角网格中,以提取出颈缘线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610629338.2A CN107679536B (zh) | 2016-08-01 | 2016-08-01 | 一种基于dbscan聚类的义齿颈缘线自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610629338.2A CN107679536B (zh) | 2016-08-01 | 2016-08-01 | 一种基于dbscan聚类的义齿颈缘线自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107679536A true CN107679536A (zh) | 2018-02-09 |
CN107679536B CN107679536B (zh) | 2019-11-08 |
Family
ID=61133089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610629338.2A Active CN107679536B (zh) | 2016-08-01 | 2016-08-01 | 一种基于dbscan聚类的义齿颈缘线自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107679536B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520009A (zh) * | 2018-03-19 | 2018-09-11 | 北京工业大学 | 一种英文文本聚类方法及系统 |
CN110598541A (zh) * | 2019-08-05 | 2019-12-20 | 香港理工大学深圳研究院 | 一种提取道路边缘信息的方法及设备 |
CN115375903A (zh) * | 2022-10-27 | 2022-11-22 | 天津大学 | 一种获取用于重建牙齿的重建数据的方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903276A (zh) * | 2014-04-23 | 2014-07-02 | 吉林大学 | 基于密度聚类法和形态学聚类法的驾驶员注视点聚类方法 |
CN104504693A (zh) * | 2014-12-16 | 2015-04-08 | 佛山市诺威科技有限公司 | 一种基于义齿简单冠修复网格模型的颈缘线提取方法 |
CN104504759A (zh) * | 2014-12-29 | 2015-04-08 | 佛山市诺威科技有限公司 | 一种基于义齿基底冠三角网格的快速过渡缝补的方法 |
CN104504697A (zh) * | 2014-12-17 | 2015-04-08 | 佛山市诺威科技有限公司 | 一种义齿修复预备体网格模型的颈缘线自动提取方法 |
CN105069777A (zh) * | 2015-07-02 | 2015-11-18 | 广东工业大学 | 一种预备体网格模型的颈缘线自动提取方法 |
CN105180890A (zh) * | 2015-07-28 | 2015-12-23 | 南京工业大学 | 融合激光点云和数字影像的岩体结构面产状测量方法 |
-
2016
- 2016-08-01 CN CN201610629338.2A patent/CN107679536B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903276A (zh) * | 2014-04-23 | 2014-07-02 | 吉林大学 | 基于密度聚类法和形态学聚类法的驾驶员注视点聚类方法 |
CN104504693A (zh) * | 2014-12-16 | 2015-04-08 | 佛山市诺威科技有限公司 | 一种基于义齿简单冠修复网格模型的颈缘线提取方法 |
CN104504697A (zh) * | 2014-12-17 | 2015-04-08 | 佛山市诺威科技有限公司 | 一种义齿修复预备体网格模型的颈缘线自动提取方法 |
CN104504759A (zh) * | 2014-12-29 | 2015-04-08 | 佛山市诺威科技有限公司 | 一种基于义齿基底冠三角网格的快速过渡缝补的方法 |
CN105069777A (zh) * | 2015-07-02 | 2015-11-18 | 广东工业大学 | 一种预备体网格模型的颈缘线自动提取方法 |
CN105180890A (zh) * | 2015-07-28 | 2015-12-23 | 南京工业大学 | 融合激光点云和数字影像的岩体结构面产状测量方法 |
Non-Patent Citations (4)
Title |
---|
KANAGALA H K , KRISHNAIAH V V J R .: ""A comparative study of K-Means, DBSCAN and OPTICS"", 《2016 INTERNATIONAL CONFERENCE ON COMPUTER COMMUNICATION AND INFORMATICS》 * |
孙文财等: ""面向驾驶员注视区域划分的DBSCAN-MMC方法"", 《浙江大学学报(工学版)》 * |
罗畅: ""三维地震图像中的目标特征识别方法研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
陈飞: ""基于机载LiDAR点云的道路提取方法研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520009A (zh) * | 2018-03-19 | 2018-09-11 | 北京工业大学 | 一种英文文本聚类方法及系统 |
CN110598541A (zh) * | 2019-08-05 | 2019-12-20 | 香港理工大学深圳研究院 | 一种提取道路边缘信息的方法及设备 |
CN115375903A (zh) * | 2022-10-27 | 2022-11-22 | 天津大学 | 一种获取用于重建牙齿的重建数据的方法及系统 |
CN115375903B (zh) * | 2022-10-27 | 2023-01-17 | 天津大学 | 一种获取用于重建牙齿的重建数据的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107679536B (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679536B (zh) | 一种基于dbscan聚类的义齿颈缘线自动提取方法 | |
St-Charles et al. | A self-adjusting approach to change detection based on background word consensus | |
CN108205659A (zh) | 人脸遮挡物去除及其模型构建的方法、设备及介质 | |
WO2018218988A1 (zh) | 牙颌三维数字模型的分割方法 | |
CN108735292A (zh) | 基于人工智能的可摘局部义齿方案决策方法和系统 | |
CN109727235B (zh) | 一种基于深度学习的器官自动勾画算法 | |
CN107229946A (zh) | 基于人工神经网络的色情图片检测方法及装置 | |
CN104504693B (zh) | 一种基于义齿简单冠修复网格模型的颈缘线提取方法 | |
CN104010168B (zh) | 一种无重叠视域多摄像机监控网络拓扑自适应学习方法 | |
CN107423636A (zh) | 一种基于MapReduce的差分隐私K均值聚类方法 | |
CN105869159A (zh) | 一种图像分割方法及装置 | |
CN106506880B (zh) | 一种从黑名单号码库中自动识别可释放号码的方法 | |
JP2010511215A (ja) | 画像内のオブジェクトを指示する方法 | |
CN110348345B (zh) | 一种基于动作连贯性的弱监督时序动作定位方法 | |
CN109409672A (zh) | 一种汽车维修技师分类评级建模方法及装置 | |
CN108364356B (zh) | 一种牙齿三维网格模型的自动分割方法 | |
CN110084096A (zh) | 基于小波变换和k平均聚类算法的心电信号p波提取方法 | |
CN109474756A (zh) | 一种基于协同网络表示学习的电信异常检测方法 | |
CN110414400A (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
De la Sen et al. | On a Sir epidemic model for the COVID-19 pandemic and the logistic equation | |
CN110210577A (zh) | 一种针对密集鸟群的深度学习以及识别方法 | |
CN112085740A (zh) | 基于三维牙颌模型的牙齿快速分割方法 | |
CN110163849A (zh) | 训练数据处理方法、分类模型训练方法及设备 | |
CN110135397B (zh) | 一种识别三维牙齿模型中牙冠部分的方法 | |
CN107622529B (zh) | 一种基于形态学的三维牙齿模型自动分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |