CN109285223A - 基于体素模型的影像重建四边形网格方法及系统 - Google Patents
基于体素模型的影像重建四边形网格方法及系统 Download PDFInfo
- Publication number
- CN109285223A CN109285223A CN201811044724.0A CN201811044724A CN109285223A CN 109285223 A CN109285223 A CN 109285223A CN 201811044724 A CN201811044724 A CN 201811044724A CN 109285223 A CN109285223 A CN 109285223A
- Authority
- CN
- China
- Prior art keywords
- point
- voxel model
- vertex
- cube
- voxel
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Generation (AREA)
Abstract
本发明公开了一种基于体素模型的影像重建四边形网格方法,包括:S1,将CT影像转换为文本格式并进行平滑处理;S2,选取灰度值并使用插值法提取出等值点作为点云数据;S3,根据堆叠立方体的方法构建初始体素模型,并对体素模型进行体素优化,通过深度优先搜索提取出体素模型外表面;S4,计算体素模型外表面每个顶点的法向量,通过领域搜索方法查找与法向量最近的一个点云点作为顶点的映射点;S5,将四边形网格的顶点调整到重心后进行重新映射并对四边形网格进行网格塌缩处理。本发明还公开了一种基于体素模型的影像重建四边形网格系统。采用本发明,可直接从点云重建出四边形网格,并可选取不同的体素立方体大小来控制生成的四边形网格精细程度。
Description
技术领域
本发明涉及图形图像处理技术领域,尤其涉及一种基于体素模型的影像重建四边形网格方法及一种基于体素模型的影像重建四边形网格系统。
背景技术
三维重建长期以来一直是CAD/CAE/CAGD/CAM的重要问题,许多三维重建的算法在各个领域涌现出来,特别是在逆向工程领域。在逆向工程的背景下,医学影像的三维重建也在不断发展。计算机断层扫描(CT)由于高空间分辨率和快速成像时间,已经成为最流行的医学成像技术之一。因此,如何从CT影像进行三维重建在逆向工程中已经引起了越来越多的关注。
对CT影像进行三维重建常使用三角形网格,最典型的是Marching Cube算法。该算法于1987年由Lorensen和Cline创造,是CT影像三维重建中最受欢迎的方法之一。三角形的网格拓扑结构自由,在处理复杂边界时有更强的适应性,能够灵活地表达模型的细节。然而,在有一些应用场合也需要应用四边形网格。四边形网格边的连接关系比较规则,更能够表达模型的曲率信息,因为四边形网格边的方向一般都和模型的主曲率方向相近,所以四边形网格更加符合人类的视觉感知。然而,现有的四边形网格三维重建方法往往需要先生成三角形网格作为中间媒介,这大大增加了重建的难度以及重建所需要的时间。
发明内容
本发明所要解决的技术问题在于,提供一种基于体素模型的影像重建四边形网格方法及系统,可直接从点云重建出四边形网格,并可选取不同的体素立方体大小来控制生成的四边形网格精细程度。
为了解决上述技术问题,本发明提供了一种基于体素模型的影像重建四边形网格方法,包括:
S1,CT影像预处理:将CT影像转换为文本格式,并进行平滑处理过滤噪声;
S2,提取点云数据:根据要重建的组织选取灰度值,并使用插值法提取出等值点作为点云数据;
S3,构建体素模型:根据堆叠立方体的方法构建初始体素模型,并对体素模型进行体素优化,通过深度优先搜索提取出体素模型外表面;
S4,顶点映射:计算体素模型外表面每个顶点的法向量,通过领域搜索方法查找与法向量最近的一个点云点作为顶点的映射点;
S5,网格优化:将四边形网格的顶点调整到重心后进行重新映射,并对四边形网格进行网格塌缩处理。
作为上述方案的改进,所述步骤S1包括:
S11,将CT影像转换为文本格式的灰度值数据,并调整灰度值的区间;
S12,将转换后的CT影像灰度值数据进行平滑处理,将每个点的灰度值替换为平均值。
作为上述方案的改进,所述步骤S2包括:
S21,根据要重建的组织选取灰度值;
S22,根据CT影像灰度值数据构建三维体数据,在每条边上使用插值法得到值为灰度值的点,作为点云点。
作为上述方案的改进,所述步骤S3包括:
S31,根据网格精度选取立方体的边长,并在有点云数据的位置堆叠立方体,构建初始体素模型;
S32,去除错误连接的立方体,并且进行移除和填补处理;
S33,使用深度优先搜索的方法在包围盒中填充立方体,提取外侧立方体与体素模型有共面的四边形,通过所有四边形组成体素模型的外表面。
作为上述方案的改进,所述步骤S4包括:
S41,根据法向量公式计算体素模型外表面的法向量,并对法向量进行单位化处理;
S42,根据点云数据与立方体之间的归属关系构建顶点相邻的立方体并将点云点作为顶点的搜索点集,在搜索点集中提取与法向量最近的点并将与法向量最近的点作为顶点的映射点。
作为上述方案的改进,所述步骤S5包括:
S51,根据重心公式计算顶点的重心,并重新将重心映射到点云上;
S52,将四边形进行塌缩处理。
相应地,本发明还提供了一种基于体素模型的影像重建四边形网格系统,包括:CT影像预处理模块,用于将CT影像转换为文本格式,并进行平滑处理过滤噪声;提取点云数据模块,用于根据要重建的组织选取灰度值,并使用插值法提取出等值点作为点云数据;构建体素模型模块,用于根据堆叠立方体的方法构建初始体素模型,并对体素模型进行体素优化,通过深度优先搜索提取出体素模型外表面;顶点映射模块,用于计算体素模型外表面每个顶点的法向量,通过领域搜索方法查找与法向量最近的一个点云点作为顶点的映射点;网格优化模块,用于将四边形网格的顶点调整到重心后进行重新映射,并对四边形网格进行网格塌缩处理。
作为上述方案的改进,所述提取点云数据模块包括:灰度值单元,用于根据要重建的组织选取灰度值;三维体单元,用于根据CT影像灰度值数据构建三维体数据,在每条边上使用插值法得到值为灰度值的点,作为点云点。
作为上述方案的改进,所述构建体素模型模块包括:模型构建单元,用于根据网格精度选取立方体的边长,并在有点云数据的位置堆叠立方体,构建初始体素模型;修正单元,用于去除错误连接的立方体,并且进行移除和填补处理;填充单元,用于使用深度优先搜索的方法在包围盒中填充立方体,提取外侧立方体与体素模型有共面的四边形,通过所有四边形组成体素模型的外表面。
作为上述方案的改进,所述顶点映射模块包括:单位化单元,用于根据法向量公式计算体素模型外表面的法向量,并对法向量进行单位化处理;搜索单元,用于根据点云数据与立方体之间的归属关系构建顶点相邻的立方体并将点云点作为顶点的搜索点集,在搜索点集中提取与法向量最近的点并将与法向量最近的点作为顶点的映射点。
实施本发明,具有如下有益效果:
本发明提出了一种基于体素模型的影像重建四边形网格方法,可以在点云数据上直接生成四边形网格,避免了先生成三角形网格。该方法以体素作为点云和网格的中间介质,通过体素外表面顶点和点云建立对应映射关系,直接建立四边形网格。其中,体素(voxel),是数字数据于三维空间分区上的最小单位,与点云数据相比,体素具有拓扑结构特点且更加灵活。将体素作为处理对象能更加快速且灵活地对数据进行处理,能根据体素的大小,自适应的满足不同网格精度的需求。
附图说明
图1是本发明基于体素模型的影像重建四边形网格方法的流程图;
图2是本发明中不同体素立方体大小生成的四边形网格效果图;
图3是本发明流程图基于体素模型的影像重建四边形网格系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。仅此声明,本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词,仅以本发明的附图为基准,其并不是对本发明的具体限定。
本发明的实验数据来源于The Stanford 3D Scanning Repository,选取了Stanford Bunny,Happy Buddha、Dragon、Armadillo等多个数据进行实验分析与验证。
参见图1,图1显示了本发明基于体素模型的影像重建四边形网格方法,其包括:
S1,CT影像预处理:将CT影像转换为文本格式,并进行平滑处理过滤噪声。
需要说明的是,步骤S1的CT影像预处理,包括:将DICOM格式的CT影像转换为文本格式,并进行平滑处理过滤噪声。
具体地,所述步骤S1包括:
S11,将CT影像转换为文本格式的灰度值数据,并调整灰度值的区间。
DICOM格式把每一层图像都作为一个独立的文件,这些文件用数字命名从而反映对应的图像层数。为了方便存储和传输,DICOM文件的数据为二进制格式,并且文件中包含文件头信息,包含了大量的元数据,例如仪器信息、图像采集参数以及病人信息资料等。因此,为了读出DICOM格式的CT影响数据,需要先进行解析,将其转换为文本形式的数据。
CT值的范围在-1024~3071之间,用来衡量人体组织对X射线的吸收率,设定水的吸收率为0。在DICOM格式的CT影像中,需要先读取rescale intercept和rescale slope,才能计算出CT值,计算公式如下:
Hu=pixel*slope+intercept
其中,Hu就是要求的CT值,slop是rescale slope的值,intercept是rescaleintercept的值。
为了更好的显示转换后的CT影像,通常还需要将CT值的范围调整为0~255,这就是普通图像能处理的灰度值。
S12,将转换后的CT影像灰度值数据进行平滑处理,将每个点的灰度值替换为平均值。
CT影像的过程中,各电子器件的随机扰动不可避免会带来噪音。平滑处理的目的是去除随机出现的微小噪音数据,处理方法是将将每个点的灰度值替换为临近六个点的平均值。
S2,提取点云数据:根据要重建的组织选取灰度值,并使用插值法提取出等值点作为点云数据。
步骤S2用于提取出构建体素模型和顶点映射过程所需要的点云数据。
具体地,所述步骤S2包括:
S21,根据要重建的组织选取灰度值。由于不同的组织具有不同的灰度值,本发明根据要重建的组织选取灰度值,这个过程需要尝试多次从而得到一个比较合适的灰度值。
S22,根据CT影像灰度值数据构建三维体数据,在每条边上使用插值法得到值为灰度值的点,作为点云点。
S3,构建体素模型:根据堆叠立方体的方法构建初始体素模型,并对体素模型进行体素优化,通过深度优先搜索提取出体素模型外表面。
具体地,所述步骤S3包括:
S31,根据网格精度选取立方体的边长,并在有点云数据的位置堆叠立方体,构建初始体素模型。
首先,根据点云数据建立一个最小且能够包围所有点云数据的包围盒。假设每个点云点为pi={xi,yi,zi},i=1,2,…,N,分别获取点云数据在坐标轴三个方向的最小和最大坐标值,计算长方体包围盒的边长分别为
其中,Dx、Dy、Dz分别表示点云数据x、y、z轴方向的最大范围,则包围盒大小为Dx×Dy×Dz。
然后,根据给定的边长l,将包围盒分割成多个体积相同的立方体,每个立方体的索引编码为j=1,2,…,Dx×Dy×Dz/l3。
最后,将点云数据划分到立方体空间列表中,建立索引。每个点的索引编码Ipi=(ti,mi,ni),i=1,2,…,N。t、m和n由以下公式得出:
其中,ceil(x)为向下取整函数,表示不小于x的最小整数。
根据要求的网格精度选取立方体的边长,并在有点云数据的位置堆叠立方体,构建出初始体素模型。
S32,去除错误连接的立方体,并且进行移除和填补处理。
体素模型的错误连接是指原本不连接的两个区域在体素模型中表现为连接状态,这种情况往往出现两个区域特别靠近而体素模型的立方体边长又比较大。通过去除一些错误连接的立方体,能让最后生成的四边形网格更准确地放映真实物体。
阶梯效应(staircase effect)是指局部的立方体与其邻域之间的梯度差异而形成的阶梯状外观。对于只有一个面与其它体素立方体相邻的立方体,本发明称为凸元。而对于5个体素立方体中间不存在的立方体,本发明称为凹元。通过移除体素模型中的凸元并且将凹元添加到体素模型中,能很好地消除阶梯效应产生的影响。
S33,使用深度优先搜索的方法在包围盒中填充立方体,提取外侧立方体与体素模型有共面的四边形,通过所有四边形组成体素模型的外表面。
体素模型的外表面是一个规则的四边形网格,先使用深度优先搜索的方法在包围盒中填充立方体,然后得到外侧立方体与体素模型有共面的四边形,所有的这些四边形组成了体素模型的外表面。
S4,顶点映射:计算体素模型外表面每个顶点的法向量,通过领域搜索方法查找与法向量最近的一个点云点作为顶点的映射点。
具体地,所述步骤S4包括:
S41,根据法向量公式计算体素模型外表面的法向量,并对法向量进行单位化处理。
根据法向量公式计算体素模型外表面的法向量,然后将这个法向量进行单位化处理,其中法向量计算公式如下:
其中,nv为当前顶点v对应的法向量,Ai表示顶点v的邻接区域,ni为邻接区域的法向量。
S42,根据点云数据与立方体之间的归属关系构建顶点相邻的立方体并将点云点作为顶点的搜索点集,在搜索点集中提取与法向量最近的点并将与法向量最近的点作为顶点的映射点。
建立当前顶点v的搜索范围。利用体素化过程中建立的点云与立方体的索引关系,得到的一个顶点相邻的8个立方体的点云点,将它们作为当前顶点的搜索点集。
在搜索点集中找出一个点云点,使得它到法向量所在直线的距离最短,将该点作为当前顶点的映射点。点云点与顶点v组成的向量np=(tp,mp,np)到顶点v的法向量nv=(tv,mv,nv)所在直线的距离公式为:
S5,网格优化:将四边形网格的顶点调整到重心后进行重新映射,并对四边形网格进行网格塌缩处理。
具体地,所述步骤S5包括:
S51,根据重心公式计算顶点的重心,并重新将重心映射到点云上;
在几何拓扑的观点中,高质量的四边形网格意味着其四个角的角度应该尽可能接近90度,每个顶点尽可能度为4。对部分质量不高,不均匀的四边形网格则需要进行多次重映射,将顶点调整到其重心,然后重新映射到点云上。以下是计算重心的公式:
其中,GP为点p要调整到的重心位置,Ai表示点p的邻接区域,Gi为邻接区域的重心。
S52,将四边形进行塌缩处理。
将3535类型的四边形进行塌缩,从而大大减少四边形网格度数不为4的顶点数量,使得网格质量得到提高。
因此,在本发明中提出了一种基于体素模型的影像重建四边形网格方法,不需要先重建出三角形网格就可以直接重建四边形网格,大大提高了重建的效率,并且能根据实际场景对网格质量的要求生成不同的四边形网格(参见图2)。
参见图3,图3显示了本发明基于体素模型的影像重建四边形网格系统100的具体结构,其包括CT影像预处理模块1、提取点云数据模块2、构建体素模型模块3、顶点映射模块4及网格优化模块5,其中:
CT影像预处理模块1,用于将CT影像转换为文本格式,并进行平滑处理过滤噪声。即,可将DICOM格式的CT影像转换为文本格式,并进行平滑处理过滤噪声。其中,CT影像预处理模块1的处理包括:
格式转换:将CT影像转换为文本格式的灰度值数据,并调整灰度值的区间。
DICOM格式把每一层图像都作为一个独立的文件,这些文件用数字命名从而反映对应的图像层数。为了方便存储和传输,DICOM文件的数据为二进制格式,并且文件中包含文件头信息,包含了大量的元数据,例如仪器信息、图像采集参数以及病人信息资料等。因此,为了读出DICOM格式的CT影响数据,需要先进行解析,将其转换为文本形式的数据。
CT值的范围在-1024~3071之间,用来衡量人体组织对X射线的吸收率,设定水的吸收率为0。在DICOM格式的CT影像中,需要先读取rescale intercept和rescale slope,才能计算出CT值,计算公式如下:
Hu=pixel*slope+intercept
其中,Hu就是要求的CT值,slop是rescale slope的值,intercept是rescaleintercept的值。
为了更好的显示转换后的CT影像,通常还需要将CT值的范围调整为0~255,这就是普通图像能处理的灰度值。
平滑处理:将转换后的CT影像灰度值数据进行平滑处理,将每个点的灰度值替换为平均值。
CT影像的过程中,各电子器件的随机扰动不可避免会带来噪音。平滑处理的目的是去除随机出现的微小噪音数据,处理方法是将将每个点的灰度值替换为临近六个点的平均值。
提取点云数据模块2,用于根据要重建的组织选取灰度值,并使用插值法提取出等值点作为点云数据。
具体地,所述提取点云数据模块2包括灰度值单元21及三维体单元22,其中:
灰度值单元21,用于根据要重建的组织选取灰度值。由于不同的组织具有不同的灰度值,本发明根据要重建的组织选取灰度值,这个过程需要尝试多次从而得到一个比较合适的灰度值。
三维体单元22,用于根据CT影像灰度值数据构建三维体数据,在每条边上使用插值法得到值为灰度值的点,作为点云点。
构建体素模型模块3,用于根据堆叠立方体的方法构建初始体素模型,并对体素模型进行体素优化,通过深度优先搜索提取出体素模型外表面。
具体地,所述构建体素模型模块3包括模型构建单元31、修正单元32及填充单元33,其中:
模型构建单元31,用于根据网格精度选取立方体的边长,并在有点云数据的位置堆叠立方体,构建初始体素模型。
首先,根据点云数据建立一个最小且能够包围所有点云数据的包围盒。假设每个点云点为pi={xi,yi,zi},i=1,2,…,N,分别获取点云数据在坐标轴三个方向的最小和最大坐标值,计算长方体包围盒的边长分别为
其中,Dx、Dy、Dz分别表示点云数据x、y、z轴方向的最大范围,则包围盒大小为Dx×Dy×Dz。
然后,根据给定的边长l,将包围盒分割成多个体积相同的立方体,每个立方体的索引编码为j=1,2,…,Dx×Dy×Dz/l3。
最后,将点云数据划分到立方体空间列表中,建立索引。每个点的索引编码Ipi=(ti,mi,ni),i=1,2,…,N。t、m和n由以下公式得出:
其中,ceil(x)为向下取整函数,表示不小于x的最小整数。
根据要求的网格精度选取立方体的边长,并在有点云数据的位置堆叠立方体,构建出初始体素模型。
修正单元32,用于去除错误连接的立方体,并且进行移除和填补处理。
体素模型的错误连接是指原本不连接的两个区域在体素模型中表现为连接状态,这种情况往往出现两个区域特别靠近而体素模型的立方体边长又比较大。通过去除一些错误连接的立方体,能让最后生成的四边形网格更准确地放映真实物体。
阶梯效应(staircase effect)是指局部的立方体与其邻域之间的梯度差异而形成的阶梯状外观。对于只有一个面与其它体素立方体相邻的立方体,本发明称为凸元。而对于5个体素立方体中间不存在的立方体,本发明称为凹元。通过移除体素模型中的凸元并且将凹元添加到体素模型中,能很好地消除阶梯效应产生的影响。
填充单元33,用于使用深度优先搜索的方法在包围盒中填充立方体,提取外侧立方体与体素模型有共面的四边形,通过所有四边形组成体素模型的外表面。
顶点映射模块4,用于计算体素模型外表面每个顶点的法向量,通过领域搜索方法查找与法向量最近的一个点云点作为顶点的映射点。
体素模型的外表面是一个规则的四边形网格,先使用深度优先搜索的方法在包围盒中填充立方体,然后得到外侧立方体与体素模型有共面的四边形,所有的这些四边形组成了体素模型的外表面。
具体地,所述顶点映射模块4包括单位化单元41及搜索单元42,其中:
单位化单元41,用于根据法向量公式计算体素模型外表面的法向量,并对法向量进行单位化处理。
根据法向量公式计算体素模型外表面的法向量,然后将这个法向量进行单位化处理,其中法向量计算公式如下:
其中,nv为当前顶点v对应的法向量,Ai表示顶点v的邻接区域,ni为邻接区域的法向量。
搜索单元42,用于根据点云数据与立方体之间的归属关系构建顶点相邻的立方体并将点云点作为顶点的搜索点集,在搜索点集中提取与法向量最近的点并将与法向量最近的点作为顶点的映射点。
建立当前顶点v的搜索范围。利用体素化过程中建立的点云与立方体的索引关系,得到的一个顶点相邻的8个立方体的点云点,将它们作为当前顶点的搜索点集。
在搜索点集中找出一个点云点,使得它到法向量所在直线的距离最短,将该点作为当前顶点的映射点。点云点与顶点v组成的向量np=(tp,mp,np)到顶点v的法向量nv=(tv,mv,nv)所在直线的距离公式为:
网格优化模块5,用于将四边形网格的顶点调整到重心后进行重新映射,并对四边形网格进行网格塌缩处理。具体地,网格优化模块5的处理包括:
重映射:根据重心公式计算顶点的重心,并重新将重心映射到点云上。
在几何拓扑的观点中,高质量的四边形网格意味着其四个角的角度应该尽可能接近90度,每个顶点尽可能度为4。对部分质量不高,不均匀的四边形网格则需要进行多次重映射,将顶点调整到其重心,然后重新映射到点云上。以下是计算重心的公式:
其中,GP为点p要调整到的重心位置,Ai表示点p的邻接区域,Gi为邻接区域的重心。
网格塌缩:将四边形进行塌缩处理。将3535类型的四边形进行塌缩,从而大大减少四边形网格度数不为4的顶点数量,使得网格质量得到提高。
由上可知,本发明提出了一种基于体素模型的影像重建四边形网格方法,可以在点云数据上直接生成四边形网格,避免了先生成三角形网格。该方法以体素作为点云和网格的中间介质,通过体素外表面顶点和点云建立对应映射关系,直接建立四边形网格。其中,体素(voxel),是数字数据于三维空间分区上的最小单位,与点云数据相比,体素具有拓扑结构特点且更加灵活。将体素作为处理对象能更加快速且灵活地对数据进行处理,能根据体素的大小,自适应的满足不同网格精度的需求。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于体素模型的影像重建四边形网格方法,其特征在于,包括:
S1,CT影像预处理:将CT影像转换为文本格式,并进行平滑处理过滤噪声;
S2,提取点云数据:根据要重建的组织选取灰度值,并使用插值法提取出等值点作为点云数据;
S3,构建体素模型:根据堆叠立方体的方法构建初始体素模型,并对体素模型进行体素优化,通过深度优先搜索提取出体素模型外表面;
S4,顶点映射:计算体素模型外表面每个顶点的法向量,通过领域搜索方法查找与法向量最近的一个点云点作为顶点的映射点;
S5,网格优化:将四边形网格的顶点调整到重心后进行重新映射,并对四边形网格进行网格塌缩处理。
2.如权利要求1所述的基于体素模型的影像重建四边形网格方法,其特征在于,所述步骤S1包括:
S11,将CT影像转换为文本格式的灰度值数据,并调整灰度值的区间;
S12,将转换后的CT影像灰度值数据进行平滑处理,将每个点的灰度值替换为平均值。
3.如权利要求1所述的基于体素模型的影像重建四边形网格方法,其特征在于,所述步骤S2包括:
S21,根据要重建的组织选取灰度值;
S22,根据CT影像灰度值数据构建三维体数据,在每条边上使用插值法得到值为灰度值的点,作为点云点。
4.如权利要求1所述的基于体素模型的影像重建四边形网格方法,其特征在于,所述步骤S3包括:
S31,根据网格精度选取立方体的边长,并在有点云数据的位置堆叠立方体,构建初始体素模型;
S32,去除错误连接的立方体,并且进行移除和填补处理;
S33,使用深度优先搜索的方法在包围盒中填充立方体,提取外侧立方体与体素模型有共面的四边形,通过所有四边形组成体素模型的外表面。
5.如权利要求1所述的基于体素模型的影像重建四边形网格方法,其特征在于,所述步骤S4包括:
S41,根据法向量公式计算体素模型外表面的法向量,并对法向量进行单位化处理;
S42,根据点云数据与立方体之间的归属关系构建顶点相邻的立方体并将点云点作为顶点的搜索点集,在搜索点集中提取与法向量最近的点并将与法向量最近的点作为顶点的映射点。
6.如权利要求1所述的基于体素模型的影像重建四边形网格方法,其特征在于,所述步骤S5包括:
S51,根据重心公式计算顶点的重心,并重新将重心映射到点云上;
S52,将四边形进行塌缩处理。
7.一种基于体素模型的影像重建四边形网格系统,其特征在于,包括:
CT影像预处理模块,用于将CT影像转换为文本格式,并进行平滑处理过滤噪声;
提取点云数据模块,用于根据要重建的组织选取灰度值,并使用插值法提取出等值点作为点云数据;
构建体素模型模块,用于根据堆叠立方体的方法构建初始体素模型,并对体素模型进行体素优化,通过深度优先搜索提取出体素模型外表面;
顶点映射模块,用于计算体素模型外表面每个顶点的法向量,通过领域搜索方法查找与法向量最近的一个点云点作为顶点的映射点;
网格优化模块,用于将四边形网格的顶点调整到重心后进行重新映射,并对四边形网格进行网格塌缩处理。
8.如权利要求7所述的基于体素模型的影像重建四边形网格系统,其特征在于,所述提取点云数据模块包括:
灰度值单元,用于根据要重建的组织选取灰度值;
三维体单元,用于根据CT影像灰度值数据构建三维体数据,在每条边上使用插值法得到值为灰度值的点,作为点云点。
9.如权利要求7所述的基于体素模型的影像重建四边形网格系统,其特征在于,所述构建体素模型模块包括:
模型构建单元,用于根据网格精度选取立方体的边长,并在有点云数据的位置堆叠立方体,构建初始体素模型;
修正单元,用于去除错误连接的立方体,并且进行移除和填补处理;
填充单元,用于使用深度优先搜索的方法在包围盒中填充立方体,提取外侧立方体与体素模型有共面的四边形,通过所有四边形组成体素模型的外表面。
10.如权利要求7所述的基于体素模型的影像重建四边形网格系统,其特征在于,所述顶点映射模块包括:
单位化单元,用于根据法向量公式计算体素模型外表面的法向量,并对法向量进行单位化处理;
搜索单元,用于根据点云数据与立方体之间的归属关系构建顶点相邻的立方体并将点云点作为顶点的搜索点集,在搜索点集中提取与法向量最近的点并将与法向量最近的点作为顶点的映射点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811044724.0A CN109285223B (zh) | 2018-09-07 | 2018-09-07 | 基于体素模型的影像重建四边形网格方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811044724.0A CN109285223B (zh) | 2018-09-07 | 2018-09-07 | 基于体素模型的影像重建四边形网格方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109285223A true CN109285223A (zh) | 2019-01-29 |
CN109285223B CN109285223B (zh) | 2019-05-31 |
Family
ID=65184375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811044724.0A Active CN109285223B (zh) | 2018-09-07 | 2018-09-07 | 基于体素模型的影像重建四边形网格方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109285223B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796693A (zh) * | 2019-09-11 | 2020-02-14 | 重庆大学 | 一种工业ct切片图像直接生成二维有限元模型的方法 |
CN111683257A (zh) * | 2020-04-30 | 2020-09-18 | 中山大学 | 一种基于邻近点投影分布特征的点云快速投影方法 |
CN113487633A (zh) * | 2021-08-17 | 2021-10-08 | 熵智科技(深圳)有限公司 | 一种点云轮廓提取方法、装置、计算机设备及存储介质 |
CN113592711A (zh) * | 2021-07-22 | 2021-11-02 | 中山大学 | 点云数据不均匀的三维重建方法、系统、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655992A (zh) * | 2009-09-15 | 2010-02-24 | 中国科学院软件研究所 | 一种三角网格模型的重建方法 |
CN102044088A (zh) * | 2010-11-09 | 2011-05-04 | 广州市城市规划勘测设计研究院 | 单站地面激光扫描海量散乱点云的lod模型快速构建方法 |
CN102306397A (zh) * | 2011-07-08 | 2012-01-04 | 中国科学院自动化研究所 | 点云数据网格化的方法 |
CA2711825A1 (en) * | 2010-07-30 | 2012-01-30 | David Bommes | System and method for generating quadrangulations |
US20130106852A1 (en) * | 2011-11-02 | 2013-05-02 | Ben Woodhouse | Mesh generation from depth images |
CN104318594A (zh) * | 2014-10-16 | 2015-01-28 | 南京师范大学 | 一种平面向量场的四边形网格化方法 |
CN104574507A (zh) * | 2015-01-14 | 2015-04-29 | 清华大学 | 基于多幅断层扫描图像的三维实体构建方法 |
CN105069825A (zh) * | 2015-08-14 | 2015-11-18 | 厦门大学 | 基于深度置信网络的图像超分辨率重建方法 |
CN105455780A (zh) * | 2015-11-17 | 2016-04-06 | 西北大学 | 基于双网格的有限投影的荧光分子断层成像重建方法 |
CN108038906A (zh) * | 2017-12-26 | 2018-05-15 | 山东师范大学 | 一种基于图像的三维四边形网格模型重建方法 |
-
2018
- 2018-09-07 CN CN201811044724.0A patent/CN109285223B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655992A (zh) * | 2009-09-15 | 2010-02-24 | 中国科学院软件研究所 | 一种三角网格模型的重建方法 |
CA2711825A1 (en) * | 2010-07-30 | 2012-01-30 | David Bommes | System and method for generating quadrangulations |
CN102044088A (zh) * | 2010-11-09 | 2011-05-04 | 广州市城市规划勘测设计研究院 | 单站地面激光扫描海量散乱点云的lod模型快速构建方法 |
CN102306397A (zh) * | 2011-07-08 | 2012-01-04 | 中国科学院自动化研究所 | 点云数据网格化的方法 |
US20130106852A1 (en) * | 2011-11-02 | 2013-05-02 | Ben Woodhouse | Mesh generation from depth images |
CN104318594A (zh) * | 2014-10-16 | 2015-01-28 | 南京师范大学 | 一种平面向量场的四边形网格化方法 |
CN104574507A (zh) * | 2015-01-14 | 2015-04-29 | 清华大学 | 基于多幅断层扫描图像的三维实体构建方法 |
CN105069825A (zh) * | 2015-08-14 | 2015-11-18 | 厦门大学 | 基于深度置信网络的图像超分辨率重建方法 |
CN105455780A (zh) * | 2015-11-17 | 2016-04-06 | 西北大学 | 基于双网格的有限投影的荧光分子断层成像重建方法 |
CN108038906A (zh) * | 2017-12-26 | 2018-05-15 | 山东师范大学 | 一种基于图像的三维四边形网格模型重建方法 |
Non-Patent Citations (2)
Title |
---|
RUOMEI WANG,FAN ZHOU,FEI YANG: "Retiling scheme: a novel approach of direct anisotropic quad-dominant remeshing", 《VISUAL COMPUTER》 * |
郑永川等: "针对密集点云的快速自适应四边形网格生成算法", 《计算机辅助设计与图形学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796693A (zh) * | 2019-09-11 | 2020-02-14 | 重庆大学 | 一种工业ct切片图像直接生成二维有限元模型的方法 |
CN110796693B (zh) * | 2019-09-11 | 2023-03-21 | 重庆大学 | 一种工业ct切片图像直接生成二维有限元模型的方法 |
CN111683257A (zh) * | 2020-04-30 | 2020-09-18 | 中山大学 | 一种基于邻近点投影分布特征的点云快速投影方法 |
CN111683257B (zh) * | 2020-04-30 | 2022-04-26 | 中山大学 | 一种基于邻近点投影分布特征的点云快速投影方法 |
CN113592711A (zh) * | 2021-07-22 | 2021-11-02 | 中山大学 | 点云数据不均匀的三维重建方法、系统、设备及存储介质 |
CN113592711B (zh) * | 2021-07-22 | 2024-01-12 | 中山大学 | 点云数据不均匀的三维重建方法、系统、设备及存储介质 |
CN113487633A (zh) * | 2021-08-17 | 2021-10-08 | 熵智科技(深圳)有限公司 | 一种点云轮廓提取方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109285223B (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109285223B (zh) | 基于体素模型的影像重建四边形网格方法及系统 | |
Julius et al. | D-charts: Quasi-developable mesh segmentation | |
Jalba et al. | Surface and curve skeletonization of large 3D models on the GPU | |
Shin et al. | 3d scene reconstruction with multi-layer depth and epipolar transformers | |
WO2018059155A1 (zh) | 带有几何误差的三维实体模型的构建方法及计算机可读存储介质 | |
US8711143B2 (en) | System and method for interactive image-based modeling of curved surfaces using single-view and multi-view feature curves | |
CN106600683A (zh) | 一种面向骨骼ct序列图像的网格模型自适应重建方法 | |
CN110288697A (zh) | 基于多尺度图卷积神经网络的3d人脸表示与重建方法 | |
CN113096234A (zh) | 利用多张彩色图片生成三维网格模型的方法及装置 | |
Zhao et al. | Sspu-net: Self-supervised point cloud upsampling via differentiable rendering | |
CN106504332A (zh) | 三维点云的曲面重建方法和装置 | |
Zhao et al. | Visualization, analysis and shape reconstruction of sparse data | |
Yang et al. | Computing Surface PolyCube‐Maps by Constrained Voxelization | |
CN116681894A (zh) | 一种结合大核卷积的相邻层特征融合Unet多器官分割方法、系统、设备及介质 | |
Morreale et al. | Neural convolutional surfaces | |
Brunton et al. | Displaced signed distance fields for additive manufacturing | |
Zhang et al. | Adaptive generation of hexahedral element mesh using an improved grid-based method | |
Xu et al. | Hexahedral meshing with varying element sizes | |
Li et al. | Multi-resolution modeling of shapes in contact | |
Sun et al. | Medial meshes for volume approximation | |
CN114092653A (zh) | 基于2d图像重建3d图像方法、装置、设备及存储介质 | |
Jain et al. | Learning to reconstruct symmetric shapes using planar parameterization of 3D surface | |
Yang et al. | HiLo: Detailed and Robust 3D Clothed Human Reconstruction with High-and Low-Frequency Information of Parametric Models | |
CN104637091B (zh) | 一种通过稀疏表示创建流形的方法 | |
Xu | Hexahedral Mesh Generation, Optimization, and Visualization |
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 |