CN110009655B - 用于立体图像轮廓增强的八向三维算子的生成及使用方法 - Google Patents

用于立体图像轮廓增强的八向三维算子的生成及使用方法 Download PDF

Info

Publication number
CN110009655B
CN110009655B CN201910110728.2A CN201910110728A CN110009655B CN 110009655 B CN110009655 B CN 110009655B CN 201910110728 A CN201910110728 A CN 201910110728A CN 110009655 B CN110009655 B CN 110009655B
Authority
CN
China
Prior art keywords
image
operator
gradient
cube
dimensional
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.)
Active
Application number
CN201910110728.2A
Other languages
English (en)
Other versions
CN110009655A (zh
Inventor
孙梯全
徐光辉
汪泽焱
许凤慧
武文远
娄朴根
荣传振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Army Engineering University of PLA
Original Assignee
Army Engineering University of PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Army Engineering University of PLA filed Critical Army Engineering University of PLA
Priority to CN201910110728.2A priority Critical patent/CN110009655B/zh
Publication of CN110009655A publication Critical patent/CN110009655A/zh
Application granted granted Critical
Publication of CN110009655B publication Critical patent/CN110009655B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Processing Or Creating Images (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于立体图像轮廓增强的八向三维算子的生成及使用方法，构建出的该算子能够处理出清晰的三维图像内、外部轮廓，突出三维图像内、外部构造变化，首先通过把立方体中心像素点周围各个方向上的梯度变化分别综合到立方体对角线的八个方向上，求出八个方向上梯度变化，然后再分别映射到x、y、z三个方向，进而求出该像素点的梯度变化。该算子充分考虑了图像的整体信息与局部信息的关系，对除了x、y、z三个方向外各个方向上的灰度变化都有很好的增强效果，运用该算子处理过的立体图像，峰值信噪比显著提高的同时，保留了图像边缘变化趋势。本发明思想简单、复杂度低、实用性强，立体图像轮廓增强效果佳，具有良好的应用前景。

Description

用于立体图像轮廓增强的八向三维算子的生成及使用方法
技术领域
本发明涉及图像轮廓提取技术领域，具体涉及一种用于立体图像轮廓增强的八向三维算子的生成及使用方法。
背景技术
轮廓是由图像边缘点构成的闭合曲线，是图像目标与背景之间的分界线。轮廓提取实际上是一类图像分割技术，通过提取感兴趣目标的轮廓，将图像分割为轮廓内外具有不同特性的区域，轮廓内称之为前景或目标，而轮廓外则称之为背景。边缘信息一直以来被认为是计算机视觉的重要特征，而边缘检测与轮廓提取是图像分析的重要环节，同时也是医学图像三维重建工作中的一个难点。精确的轮廓序列是建立正确的几何模型的重要前提。
目前，传统的轮廓提取方法通常是先根据图像边缘特征选择某个算子监测出图像边缘，再采用轮廓跟踪技术或轮廓提取技术获得轮廓。就轮廓提取角度而言，这类方法简单易实现，但由于边缘检测过程中只考虑了图像的局部信息，仅把灰度变化的微分信息作为判断像素是否为边缘点的依据，所以很难在具有复杂性和多义性的图像中得到令人满意的轮廓提取结果。
因此，要精确分割图像和提取轮廓，关键要综合利用图像的整体信息与局部信息。在这种思想的指导下，主动轮廓模型Snake应运而生，该Snake模型引入图像轮廓的整体几何信息来指导边缘检测过程，是一种具有学习功能的边缘提取算法。它将传统的边缘检测、边缘跟踪和轮廓提取过程融为一体，在得到边缘信息的同时也实现了轮廓的提取。由于整体信息的参与，Snake轮廓提取算法具有较高的定位精度，在医学图像处理中具有良好的实用性和鲁棒性。
Snake算法或Active Contour Models(活动轮廓模型)，这类算法需要给出初始的轮廓，然后进行迭代，使轮廓沿能量降低的方向靠近，最后得到一个优化的边界，能量函数包括内外力两方面，如边界曲率和梯度。由于，用户无法估计迭代的最后结果，应用Snake算法往往需要进行多次的交互工作，特别当目标比较复杂时，或与其它物体靠得较近时，初始的轮廓不易确定，而迭代的结果往往不能达到要求，导致立体图像轮廓的提取，精确度和准确性不佳，无法满足立体图像轮廓提取的精度要求。
因此，如何克服上述问题，是当前继续解决的。
发明内容
本发明的目的是克服现有技术中针对立体图像轮廓提取所存在的问题。本发明的用于立体图像轮廓增强的八向三维算子的生成及使用方法，综合考虑立体图像中心点在其周边八个方向上的梯度变化对xyz三个维度上梯度变化的影响，从计算立体图像中心点在四个对角线的八个方向上的梯度变化着手，通过把立体图像中心点在立方体对角线八个方向上的梯度变化映射到xyz三个维度上，实现了对立方体中心点像素灰度变化的精确描述和有效表达，可以用来处理二维图像，也可以用来处理立体图像(大于等于三帧)，在处理二维图像时，只要在图像前后分别加一帧空白图像(像素值全为0)即可，不管用来处理二维还是三维图像，处理效果都优于传统算法，具有良好的应用前景。
为了达到上述目的，本发明所采用的技术方案是：
一种用于立体图像轮廓增强的八向三维算子的生成及使用方法，包括以下步骤，
步骤(A)，构建立体图像所在的立方体模型，计算立方体模型的立方体中心点O在其周围26个像素点对应方位上的梯度变化；
步骤(B)，将对应方位上的梯度变化进行第一次映射，分别映射到通过立方体中心点四条对角线对应的OA1、OA2、OA3、OA4、OA′1、OA′2、OA′3、OA′4八个方向上，得到四条对角线八个方向上的梯度变化；
步骤(C)，将四条对角线八个方向上的梯度变化进行第二次映射，分别映射到立方体模型表面的三维坐标系的x、y、z三个坐标轴上，得到x、y、z三个坐标轴方向上的梯度变化GX、GY、GZ；
步骤(D)，根据x、y、z三个坐标轴方向上的梯度变化GX、GY、GZ，根据公式(1)，得到立方体中心点O的梯度变化GO，
Figure BDA0001968035450000041
步骤(E)，扩展立体图像，根据得到立方体中心点O的梯度变化GO，对扩展后的立体图像进行遍历，完成该立体图像的图像轮廓增强处理。
前述的用于立体图像轮廓增强的八向三维算子的生成及使用方法，步骤(A)，所述立方体中心点O为原点，且垂直于立方体模型表面的三维坐标系，该三维坐标系为O-xyz坐标系。
前述的用于立体图像轮廓增强的八向三维算子的生成及使用方法，步骤(A)，构建立体图像所在的立方体模型，该立方体模型包含八个3×3×3算子矩阵，每个算子矩阵与立方体中心点四条对角线对应的OA1、OA2、OA3、OA4、OA′1、OA′2、OA′3、OA′4八个方向对应，其中，四个3×3×3算子矩阵
Figure BDA0001968035450000051
Figure BDA0001968035450000052
表示如下：
Figure BDA0001968035450000053
Figure BDA0001968035450000054
Figure BDA0001968035450000055
Figure BDA0001968035450000061
另外四个算子矩阵，
Figure BDA0001968035450000062
分别与以上四个3×3×3算子矩阵关于立方体中心点O中心对称，
Figure BDA0001968035450000063
Figure BDA0001968035450000064
Figure BDA0001968035450000065
Figure BDA0001968035450000066
即
Figure BDA0001968035450000067
与
Figure BDA0001968035450000068
Figure BDA0001968035450000069
与
Figure BDA00019680354500000610
Figure BDA00019680354500000611
与
Figure BDA00019680354500000612
Figure BDA00019680354500000613
与
Figure BDA00019680354500000614
分别具有中心对称性。
前述的用于立体图像轮廓增强的八向三维算子的生成及使用方法，八个3×3×3算子矩阵
Figure BDA00019680354500000615
Figure BDA00019680354500000616
的梯度算子空间取值为
Figure BDA00019680354500000617
前述的用于立体图像轮廓增强的八向三维算子的生成及使用方法，八个3×3×3算子矩阵
Figure BDA0001968035450000071
Figure BDA0001968035450000072
的梯度算子空间取值，取整后为：[3，3，3，1，0，-1，-3，-3，-3]。
前述的用于立体图像轮廓增强的八向三维算子的生成及使用方法，步骤(B)，将对应方位上的梯度变化进行第一次映射，分别映射到通过立方体中心点四条对角线对应的OA1、OA2、OA3、OA4、OA′1、OA′2、OA′3、OA′4八个方向上，得到四条对角线八个方向上的梯度变化，包括以下步骤，
(B1)，以OA1方向为例，设P(x，y，z)为三维空间坐标系O-xyz内的任意一个像素点，其像素值为VP，P(x，y，z)关于原点对称的点为P′(-x，-y，-z)，其像素值为V′P，原点O(0，0，0)处的像素值为VO，则VO在
Figure BDA0001968035450000073
方向上的梯度变化GOP为，
Figure BDA0001968035450000074
VO在
Figure BDA0001968035450000075
方向上的梯度变化为，
Figure BDA0001968035450000076
(B2)，VO在A1(1，1，1)方向上的梯度变化，即GOP和GOP′在A1(1，1，1)方向上的第一次映射
Figure BDA0001968035450000085
为，
Figure BDA0001968035450000081
因为|OP|＝|OP′|，所以
Figure BDA0001968035450000082
(B3)，对于OA′1方向，由于对称关系
Figure BDA0001968035450000083
(B4)，重复(B1)-(B4)，得到OA2、OA3、OA4、OA′2、OA′3、OA′4其他六个方向上的梯度变化GA2、GA3、GA4、
Figure BDA0001968035450000084
前述的用于立体图像轮廓增强的八向三维算子的生成及使用方法，步骤(C)，将四条对角线八个方向上的梯度变化进行第二次映射，分别映射到立方体模型表面的三维坐标系的x、y、z三个坐标轴上，得到x、y、z三个坐标轴方向上的梯度变化GX、GY、GZ，具体如下，
根据八个3×3×3算子矩阵
Figure BDA0001968035450000091
Figure BDA0001968035450000092
的梯度算子空间取值为
Figure BDA0001968035450000093
以及四条对角线八个方向上的梯度变化，根据公式(2)-(4)分别得到，得到x、y、z三个坐标轴方向上的梯度变化GX、GY、GZ，
Figure BDA0001968035450000094
Figure BDA0001968035450000095
Figure BDA0001968035450000096
前述的用于立体图像轮廓增强的八向三维算子的生成及使用方法，步骤(E)，扩展立体图像，根据得到立方体中心点O的梯度变化GO，对扩展后的立体图像进行遍历，完成该立体图像的图像轮廓增强处理，包括以下步骤，
(E1)，设立体图像的连续帧数为f，(f≥1)，每帧图像的宽为w，(w≥3)、高为h，(h≥3)；
(E2)，把每帧图像扩展成(w+2)×(h+2)，即将每帧图像周围像素向周围扩展一圈，把f帧图像扩展成f+2帧图像，将各帧图像序列变为0，1，2，...，f，f+1，其中，第1帧图像向下扩展出第0帧图像，第f帧图像向上扩展出第f+1帧图像；
(E3)，运用立方体中心点O的梯度变化GO，遍历扩展后的(f+2)×(w+2)×(h+2)立体图像，完成该立体图像的图像轮廓增强。
本发明的有益效果是：本发明的用于立体图像轮廓增强的八向三维算子的生成及使用方法，能够处理出清晰的三维图像内、外部轮廓，突出三维图像内、外部构造变化，解决传统方法时效性低，复杂度较高，且在处理过程中不容易收敛，特别是对凹陷边缘，处理效果不佳的问题。本发明首先通过把立方体中心像素点周围各个方向上的梯度变化分别综合到立方体对角线的八个方向上，求出八个方向上梯度变化，然后再分别映射到x、y、z三个方向，进而求出该像素点的梯度变化。该方法充分考虑了图像的整体信息与局部信息的关系，对除了x、y、z三个方向外各个方向上的灰度变化都有很好的增强效果，运用该方法处理过的立体图像，峰值信噪比显著提高的同时，保留了图像边缘变化趋势。本发明思想简单、复杂度低、实用性强，较传统算法更具优越性，立体图像轮廓增强效果佳，可以用来处理二维图像，也可以用来处理立体图像，在处理二维图像时，只要在图像前后分别扩展(复制)一帧原始图像即可；不管用来处理二维还是三维图像，处理效果都优于传统方法，具有良好的应用前景。
附图说明
图1是本发明的用于立体图像轮廓增强的八向三维算子的生成及使用方法的流程图；
图2是本发明的各坐标点在立方体模型位置的示意图；
图3是本发明的OA1方向，与3×3×3阵列上各像素点对应的算子值的取值规律的示意图；
图4是本发明的标记为
Figure BDA0001968035450000111
的像素点对应的矢量与OA1构成的矢量三角形的示意图；
图5是本发明的标记为
Figure BDA0001968035450000112
的点对应的矢量与OA1矢量形成的矢量三角形的示意图；
图6是本发明的标记为
Figure BDA0001968035450000113
的在同样平面上，其与OA1矢量形成的矢量三角形的示意图；
图7是本发明的对于OA2方向，与3×3×3阵列上各像素点对应的算子值的取值规律的示意图；
图8是本发明的对于OA3方向，与3×3×3阵列上各像素点对应的算子值的取值规律的示意图；
图9是本发明的对于OA4方向，与3×3×3阵列上各像素点对应的算子值的取值规律的示意图；
图10是标准人物图像Lena；
图11是通过标准人物图像Lena将本发明与传统方法轮廓增强对比的示意图；
图12是109帧连续脑部MR图片；
图13是通过109帧连续脑部MR图片将本发明与传统方法轮廓增强对比的示意图；
图14是本发明处理109帧连续脑部MR图片后提取出的脑部内外立体轮廓的示意图。
具体实施方式
下面将结合说明书附图，对本发明作进一步的说明。
如图1所示，本发明的用于立体图像轮廓增强的八向三维算子的生成及使用方法，包括以下步骤，
步骤(A)，构建立体图像所在的立方体模型，计算立方体模型的立方体中心点O在其周围26个像素点对应方位上的梯度变化，所述立方体中心点O为原点，且垂直于立方体模型表面的三维坐标系，该三维坐标系为O-xyz坐标系，该立方体模型包含八个3×3×3算子矩阵，每个算子矩阵与立方体中心点四条对角线对应的OA1、OA2、OA3、OA4、OA′1、OA′2、OA′3、OA′4八个方向对应，其中，四个3×3×3算子矩阵
Figure BDA0001968035450000121
表示如下，
Figure BDA0001968035450000131
Figure BDA0001968035450000132
Figure BDA0001968035450000133
Figure BDA0001968035450000141
显然，A1(1，1，1)和A2(1，-1，1)、A3(1，-1，-1)和A4(1，1，-1)分别关于xz平面对称，A1(1，1，1)、A4(1，1，-1)、A2(1，-1，1)和A3(1，-1，-1)分别关于xy平面对称，而A1(1，1，1)与A3(1，-1，-1)、A2(1，-1，1)和A4(1，1，-1)又分别关于xy轴对称，所以各自对应的算子也分别表现出相应的对称性，各坐标点在立方体模型的位置，如图2所示，由于A′1(-1，-1，-1)、A′2(-1，1，-1)、A′3(-1，1，1)和A′4(-1，-1，1)四个方向分别与A1(1，1，1)、A2(1，-1，1)、A3(1，-1，-1)和A4(1，1，-1)四个方向关于立方体中心点O中心对称，所以有
Figure BDA0001968035450000142
分别与四个3×3×3算子矩阵
Figure BDA0001968035450000143
中心对称，
Figure BDA0001968035450000144
Figure BDA0001968035450000145
Figure BDA0001968035450000146
Figure BDA0001968035450000147
即
Figure BDA0001968035450000148
与
Figure BDA0001968035450000149
Figure BDA00019680354500001410
与
Figure BDA00019680354500001411
Figure BDA00019680354500001412
与
Figure BDA00019680354500001413
Figure BDA00019680354500001414
与
Figure BDA00019680354500001415
分别具有中心对称性，八个3×3×3算子矩阵
Figure BDA0001968035450000151
Figure BDA0001968035450000158
的梯度算子空间取值为
Figure BDA0001968035450000152
取整后为[3，3，3，1，0，-1，-3，-3，-3]；
步骤(B)，将对应方位上的梯度变化进行第一次映射，分别映射到通过立方体中心点四条对角线对应的OA1、OA2、OA3、OA4、OA′1、OA′2、OA′3、OA′4八个方向上，得到四条对角线八个方向上的梯度变化，包括以下步骤，
(B1)，以OA1方向，设P(x，y，z)为三维空间坐标系O-xyz内的任意一个像素点，其像素值为VP，P(x，y，z)关于原点对称的点为P′(-x，-y，-z)，其像素值为V′P，原点O(0，0，0)处的像素值为VO，则VO在
Figure BDA0001968035450000153
方向上的梯度变化GOP为，
Figure BDA0001968035450000154
VO在
Figure BDA0001968035450000155
方向上的梯度变化为，
Figure BDA0001968035450000156
(B2)，VO在A1(1，1，1)方向上的梯度变化，即GOP和GOP′在A1(1，1，1)方向上的第一次映射
Figure BDA0001968035450000157
为，
Figure BDA0001968035450000161
因为|OP|＝|OP′|，所以
Figure BDA0001968035450000162
(B3)，对于OA′1方向，由于对称关系
Figure BDA0001968035450000163
(B4)，重复(B1)-(B4)，得到OA2、OA3、OA4、OA′2、OA′3、OA′4其他六个方向上的梯度变化GA2、GA3、GA4、
Figure BDA0001968035450000164
步骤(C)，将四条对角线八个方向上的梯度变化进行第二次映射，分别映射到立方体模型表面的三维坐标系的x、y、z三个坐标轴上，得到x、y、z三个坐标轴方向上的梯度变化GX、GY、GZ，具体如下，
根据八个3×3×3算子矩阵
Figure BDA0001968035450000165
Figure BDA0001968035450000166
的梯度算子空间取值为
Figure BDA0001968035450000167
以及四条对角线八个方向上的梯度变化，根据公式(2)-(4)分别得到，得到x、y、z三个坐标轴方向上的梯度变化Gx、GY、Gz，
Figure BDA0001968035450000171
Figure BDA0001968035450000172
Figure BDA0001968035450000173
步骤(D)，根据x、y、z三个坐标轴方向上的梯度变化GX、GY、GZ，根据公式(1)，得到立方体中心点O的梯度变化GO，
Figure BDA0001968035450000174
步骤(E)，扩展立体图像，根据得到立方体中心点O的梯度变化GO，对扩展后的立体图像进行遍历，完成该立体图像的图像轮廓增强处理，包括以下步骤，
(E1)，设立体图像的连续帧数为f，(f≥1)，每帧图像的宽为w，(w≥3)、高为h，(h≥3)；
(E2)，把每帧图像扩展成(w+2)×(h+2)，即将每帧图像周围像素向周围扩展一圈，把f帧图像扩展成f+2帧图像，将各帧图像序列变为0，1，2，...，f，f+1，其中，第1帧图像向下扩展出第0帧图像，第f帧图像向上扩展出第f+1帧图像；
(E3)，运用立方体中心点O的梯度变化GO，遍历扩展后的(f+2)×(w+2)×(h+2)立体图像，完成该立体图像的图像轮廓增强。
本发明的用于立体图像轮廓增强的八向三维算子的生成及使用方法，八个3×3×3算子矩阵
Figure BDA0001968035450000181
Figure BDA0001968035450000182
的梯度算子取值空间为
Figure BDA0001968035450000183
具体选择过程为，对于OA1方向，与3×3×3阵列上各像素点对应的算子值的取值规律，如图3所示。
标记为″E●″的像素点在同样平面上，且该平面与OA1方向垂直，对OA1方向的梯度变化无贡献，对x、y、z轴方向的梯度变化也无贡献，即各算子元素值都为零，即e＝0。
标记为■的像素点在同一平面上，但该平面上像素点对应的矢量与OA1的夹角有两种。其中标记为″C■″的像素点对应的矢量与OA1构成的矢量三角形，如图4所示，所以所有C点的算子值为：
Figure BDA0001968035450000191
C点关于原点O的中心对称点的算子值为：
Figure BDA0001968035450000192
标记为″D■″的点对应的矢量与OA1矢量形成的矢量三角形，如图5所示，所以所有D点的算子值为：
Figure BDA0001968035450000193
D点关于原点O的中心对称点的算子值为：
Figure BDA0001968035450000194
标记为″B▲″的在同样平面上，其与OA1矢量形成的矢量三角形，如图6所示，所以标记为B的点的算子值为：
Figure BDA0001968035450000195
B点关于原点O的中心对称点的算子值为：
Figure BDA0001968035450000196
标记为★的点是矢量OA1的顶点，所以：
Figure BDA0001968035450000201
A点关于原点O的中心对称点的算子值为：
Figure BDA0001968035450000202
对于OA2、OA3、OA4方向，与3×3×3阵列上各像素点对应的算子值的取值规律，如图7-图9所示，综上可知，OA1、OA2、OA3、OA4、OA′1、OA′2、OA′3、OA′4八个方向上的梯度算子空间为：
Figure BDA0001968035450000203
如图10-图13所示，利用本发明的八向三维算子与传统Laplace算子、Sobel算子、Prewitt算子、Canny算子、Roberts算子对两组图片作图像增强处理后的比较示意图，其中图10为标准人物图像Lena，图11为标准人物图像Lena本发明与传统处理方法的对比；图12为109帧连续脑部MR图片，图13为MR图片本发明与传统处理方法的对比示意图，图14为用本发明处理109帧连续脑部MR图片后提取出的脑部内外立体轮廓，表1给出了各种处理方法的NMSE对比。
表1脑部MR NMSE及标准人物图像Lena的NMSE
Figure BDA0001968035450000204
Figure BDA0001968035450000211
综上所述，本发明的用于立体图像轮廓增强的八向三维算子的生成及使用方法，能够处理出清晰的三维图像内、外部轮廓，突出三维图像内、外部构造变化，解决传统方法时效性低，复杂度较高，且在处理过程中不容易收敛，特别是对凹陷边缘，处理效果不佳的问题。本发明首先通过把立方体中心像素点周围各个方向上的梯度变化分别综合到立方体对角线的八个方向上，求出八个方向上梯度变化，然后再分别映射到x、y、z三个方向，进而求出该像素点的梯度变化。该方法充分考虑了图像的整体信息与局部信息的关系，对除了x、y、z三个方向外各个方向上的灰度变化都有很好的增强效果，运用该方法处理过的立体图像，峰值信噪比显著提高的同时，保留了图像边缘变化趋势。本发明思想简单、复杂度低、实用性强，较传统算法更具优越性，立体图像轮廓增强效果佳，可以用来处理二维图像，也可以用来处理立体图像，在处理二维图像时，只要在图像前后分别扩展(复制)一帧原始图像即可；不管用来处理二维还是三维图像，处理效果都优于传统方法，具有良好的应用前景。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.用于立体图像轮廓增强的八向三维算子的生成及使用方法，其特征在于：包括以下步骤，
步骤(A)，构建立体图像所在的立方体模型，计算立方体模型的立方体中心点O在其周围26个像素点对应方位上的梯度变化；
步骤(B)，将对应方位上的梯度变化进行第一次映射，分别映射到通过立方体中心点四条对角线对应的OA1、OA2、OA3、OA4、OA′1、OA′2、OA′3、OA′4八个方向上，得到四条对角线八个方向上的梯度变化；
步骤(C)，将四条对角线八个方向上的梯度变化进行第二次映射，分别映射到立方体模型表面的三维坐标系的x、y、z三个坐标轴上，得到x、y、z三个坐标轴方向上的梯度变化GX、GY、GZ；
步骤(D)，根据x、y、z三个坐标轴方向上的梯度变化GX、GY、GZ，根据公式(1)，得到立方体中心点O的梯度变化GO，
Figure FDA0002709461630000011
步骤(E)，扩展立体图像，根据得到立方体中心点O的梯度变化GO，对扩展后的立体图像进行遍历，完成该立体图像的图像轮廓增强处理。
2.根据权利要求1所述的用于立体图像轮廓增强的八向三维算子的生成及使用方法，其特征在于：步骤(A)，所述立方体中心点O为原点，且垂直于立方体模型表面的三维坐标系，该三维坐标系为O-xyz坐标系。
3.根据权利要求1所述的用于立体图像轮廓增强的八向三维算子的生成及使用方法，其特征在于：步骤(A)，构建立体图像所在的立方体模型，该立方体模型包含八个3×3×3算子矩阵，每个算子矩阵与立方体中心点四条对角线对应的OA1、OA2、OA3、OA4、OA′1、OA′2、OA′3、OA′4八个方向对应，其中，四个3×3×3算子矩阵
Figure FDA0002709461630000021
表示如下：
Figure FDA0002709461630000022
Figure FDA0002709461630000023
Figure FDA0002709461630000024
Figure FDA0002709461630000031
另外四个算子矩阵，
Figure FDA0002709461630000032
分别与以上四个3×3×3算子矩阵关于立方体中心点O中心对称，
Figure FDA0002709461630000033
Figure FDA0002709461630000034
Figure FDA0002709461630000035
Figure FDA0002709461630000036
即
Figure FDA0002709461630000037
与
Figure FDA0002709461630000038
与
Figure FDA0002709461630000039
与
Figure FDA00027094616300000310
Figure FDA00027094616300000311
与
Figure FDA00027094616300000312
分别具有中心对称性。
4.根据权利要求3所述的用于立体图像轮廓增强的八向三维算子的生成及使用方法，其特征在于：八个3×3×3算子矩阵
Figure FDA00027094616300000313
Figure FDA00027094616300000314
的梯度算子空间取值为
5.根据权利要求4所述的用于立体图像轮廓增强的八向三维算子的生成及使用方法，其特征在于：八个3×3×3算子矩阵
Figure FDA00027094616300000316
Figure FDA00027094616300000317
的梯度算子空间取值，取整后为：[3，3，3，1，0，-1，-3，-3，-3]。
6.根据权利要求3所述的用于立体图像轮廓增强的八向三维算子的生成及使用方法，其特征在于：步骤(B)，将对应方位上的梯度变化进行第一次映射，分别映射到通过立方体中心点四条对角线对应的OA1、OA2、OA3、OA4、OA′1、OA′2、OA′3、OA′4八个方向上，得到四条对角线八个方向上的梯度变化，包括以下步骤，
(B1)，以OA1方向为例，设P(x,y,z)为三维空间坐标系O-xyz内的任意一个像素点，其像素值为VP，P(x,y,z)关于原点对称的点为P′(-x,-y,-z)，其像素值为V′P，原点O(0,0,0)处的像素值为VO，则VO在
Figure FDA0002709461630000041
方向上的梯度变化GOP为，
Figure FDA0002709461630000042
VO在
Figure FDA0002709461630000043
方向上的梯度变化为，
Figure FDA0002709461630000044
(B2)，VO在A1(1,1,1)方向上的梯度变化，即GOP和GOP′在A1(1,1,1)方向上的第一次映射
Figure FDA0002709461630000045
为，
Figure FDA0002709461630000046
因为|OP|＝|OP′|，所以
Figure FDA0002709461630000047
(B3)，对于OA′1方向，由于对称关系
Figure FDA0002709461630000048
(B4)，重复(B1)-(B4)，得到OA2、OA3、OA4、OA′2、OA′3、OA′4其他六个方向上的梯度变化GA2、GA3、GA4、
Figure FDA0002709461630000049
7.根据权利要求6所述的用于立体图像轮廓增强的八向三维算子的生成及使用方法，其特征在于：步骤(C)，将四条对角线八个方向上的梯度变化进行第二次映射，分别映射到立方体模型表面的三维坐标系的x、y、z三个坐标轴上，得到x、y、z三个坐标轴方向上的梯度变化GX、GY、GZ，具体如下，
根据八个3×3×3算子矩阵
Figure FDA0002709461630000051
Figure FDA0002709461630000052
的梯度算子空间取值为
Figure FDA0002709461630000053
以及四条对角线八个方向上的梯度变化，根据公式(2)-(4)分别得到，得到x、y、z三个坐标轴方向上的梯度变化GX、GY、GZ，
Figure FDA0002709461630000054
Figure FDA0002709461630000055
Figure FDA0002709461630000056
8.根据权利要求1所述的用于立体图像轮廓增强的八向三维算子的生成及使用方法，其特征在于：步骤(E)，扩展立体图像，根据得到立方体中心点O的梯度变化GO，对扩展后的立体图像进行遍历，完成该立体图像的图像轮廓增强处理，包括以下步骤，
(E1)，设立体图像的连续帧数为f，其中f≥1，每帧图像的宽为w，其中w≥3、高为h，其中h≥3；
(E2)，把每帧图像扩展成(w+2)×(h+2)，即将每帧图像周围像素向周围扩展一圈，把f帧图像扩展成f+2帧图像，将各帧图像序列变为0，1，2，···，f，f+1，其中，第1帧图像向下扩展出第0帧图像，第f帧图像向上扩展出第f+1帧图像；
(E3)，运用立方体中心点O的梯度变化GO，遍历扩展后的(f+2)×(w+2)×(h+2)立体图像，完成该立体图像的图像轮廓增强。
CN201910110728.2A 2019-02-12 2019-02-12 用于立体图像轮廓增强的八向三维算子的生成及使用方法 Active CN110009655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910110728.2A CN110009655B (zh) 2019-02-12 2019-02-12 用于立体图像轮廓增强的八向三维算子的生成及使用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910110728.2A CN110009655B (zh) 2019-02-12 2019-02-12 用于立体图像轮廓增强的八向三维算子的生成及使用方法

Publications (2)

Publication Number Publication Date
CN110009655A CN110009655A (zh) 2019-07-12
CN110009655B true CN110009655B (zh) 2020-12-08

Family

ID=67165626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910110728.2A Active CN110009655B (zh) 2019-02-12 2019-02-12 用于立体图像轮廓增强的八向三维算子的生成及使用方法

Country Status (1)

Country Link
CN (1) CN110009655B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111584093B (zh) * 2020-05-12 2021-04-30 鲁东大学 可注射水凝胶疗效评估的左心室几何模型构造方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289825A (zh) * 2011-07-08 2011-12-21 暨南大学 一种实时图像边缘检测电路及其实现方法
CN103955945A (zh) * 2014-05-23 2014-07-30 哈尔滨师范大学 基于双目视差和活动轮廓的自适应彩色图像分割方法
CN104732530A (zh) * 2015-03-10 2015-06-24 北京环境特性研究所 一种图像边缘的检测方法
CN106204544A (zh) * 2016-06-29 2016-12-07 南京中观软件技术有限公司 一种自动提取图像中标志点位置及轮廓的方法和系统
CN107578418A (zh) * 2017-09-08 2018-01-12 华中科技大学 一种融合色彩和深度信息的室内场景轮廓检测方法
CN108548502A (zh) * 2018-03-28 2018-09-18 西安理工大学 一种动态物体三维测量方法
US10109037B1 (en) * 2015-06-02 2018-10-23 Marvell International Ltd. Systems and methods for Bayer image scaling based on edge detection

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IN2015DN03752A (zh) * 2012-11-12 2015-10-02 Ericsson Telefon Ab L M

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289825A (zh) * 2011-07-08 2011-12-21 暨南大学 一种实时图像边缘检测电路及其实现方法
CN103955945A (zh) * 2014-05-23 2014-07-30 哈尔滨师范大学 基于双目视差和活动轮廓的自适应彩色图像分割方法
CN104732530A (zh) * 2015-03-10 2015-06-24 北京环境特性研究所 一种图像边缘的检测方法
US10109037B1 (en) * 2015-06-02 2018-10-23 Marvell International Ltd. Systems and methods for Bayer image scaling based on edge detection
CN106204544A (zh) * 2016-06-29 2016-12-07 南京中观软件技术有限公司 一种自动提取图像中标志点位置及轮廓的方法和系统
CN107578418A (zh) * 2017-09-08 2018-01-12 华中科技大学 一种融合色彩和深度信息的室内场景轮廓检测方法
CN108548502A (zh) * 2018-03-28 2018-09-18 西安理工大学 一种动态物体三维测量方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"A new approach for salt dome detection using a 3D multidirectional edge detector";Asjad Amin 等;《APPLIED GEOPHYSICS》;20150930;第12卷(第3期);334-342 *
"基于多方向梯度边缘预测器快速边缘检测算法";党向盈 等;《计算机应用》;20130301;第33卷(第3期);674-676 *

Also Published As

Publication number Publication date
CN110009655A (zh) 2019-07-12

Similar Documents

Publication Publication Date Title
Wei et al. Tensor voting guided mesh denoising
CN102663820B (zh) 三维头部模型重建方法
Plissiti et al. Overlapping cell nuclei segmentation using a spatially adaptive active physical model
CN110866969B (zh) 基于神经网络与点云配准的发动机叶片重构方法
JP3629282B2 (ja) ３次元画像化方法
Moshfeghi et al. Three-dimensional elastic matching of volumes
Li et al. Detail-preserving and content-aware variational multi-view stereo reconstruction
US20240135583A1 (en) System and method for efficiently scoring probes in an image with a vision system
CN109115184B (zh) 基于非合作目标协同测量方法及系统
Le Guyader et al. Self-repelling snakes for topology-preserving segmentation models
Zhang et al. Point Cloud Denoising With Principal Component Analysis and a Novel Bilateral Filter.
Weeratunga et al. Investigation of implicit active contours for scientific image segmentation
Shi et al. Inverse-consistent surface mapping with Laplace-Beltrami eigen-features
CN113570658A (zh) 基于深度卷积网络的单目视频深度估计方法
Zheng et al. Image-based clothes changing system
CN114549669B (zh) 一种基于图像融合技术的彩色三维点云获取方法
Fan et al. Convex hull aided registration method (CHARM)
CN109345570B (zh) 一种基于几何形状的多通道三维彩色点云配准方法
CN110009655B (zh) 用于立体图像轮廓增强的八向三维算子的生成及使用方法
CN117011493B (zh) 基于符号距离函数表示的三维人脸重建方法、装置及设备
Yan et al. Rethinking disparity: a depth range free multi-view stereo based on disparity
Yao et al. Sigmoid gradient vector flow for medical image segmentation
CN112435345B (zh) 一种基于深度学习的人体三维测量方法及系统
Dong et al. Learning stratified 3D reconstruction
Trinh et al. A symmetry-based generative model for shape

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