CN110084858A - 一种牙齿热压模型的牙龈线坐标测量方法和装置 - Google Patents
一种牙齿热压模型的牙龈线坐标测量方法和装置 Download PDFInfo
- Publication number
- CN110084858A CN110084858A CN201910361103.3A CN201910361103A CN110084858A CN 110084858 A CN110084858 A CN 110084858A CN 201910361103 A CN201910361103 A CN 201910361103A CN 110084858 A CN110084858 A CN 110084858A
- Authority
- CN
- China
- Prior art keywords
- point
- match
- coordinate
- gum line
- characteristic 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000007731 hot pressing Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000000151 deposition Methods 0.000 claims 1
- 238000005520 cutting process Methods 0.000 abstract description 13
- 238000012937 correction Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011347 resin Substances 0.000 description 2
- 229920005989 resin Polymers 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种牙齿热压模型的牙龈线坐标测量方法和装置，该方法首先对相机拍摄到的左右图片进行立体校正及两种并列处理，通过利用特征点之间的坐标关系进行第一次筛选；利用SAD算法寻找匹配点进行二次筛选，通过检查左、右图中特征点的位置关系以及调节SIFT算法中的参数来得到最终满意的匹配点，最后将曲线划分成新的若干个小曲线段，利用参数不同的SAD算法完成当前图像中的曲线段上各点的匹配，得到最终坐标。本发明利用双目视觉的方法，将计算机视觉科学与空间测量相结合，准确快速的测量出牙龈线在空间中的坐标，为实现牙套的自动切割提供坐标数据，本方法通过两次筛选可以得到更为精确的匹配点的图像坐标。
Description
技术领域
本发明实施例涉及牙龈线坐标测量技术领域，特别涉及一种牙齿热压模型的牙龈线坐标测量方法和装置。
背景技术
牙齿热压模型是由3D打印模型(光敏树脂材料)和透明热压膜片(PE树脂)组成，经过热压机热压成为一体，依据客户的牙龈线形状，通过后续的切割可以从模型上分离出隐形牙套。若想实现自动化切割，测量出牙龈线的实际坐标是后续操作的基础。
机器视觉技术是基于计算机视觉理论的基础发展起来的，其重点在于计算视觉工程的应用化，各类学者对计算机视觉的研究一直投入很多的精力，其理论和方法也不断被改进完善。其主要理论是从相机拍摄的图片中恢复出原先物体的立体形状。双目立体视觉是由两个单目相机组成，模拟人眼成像的过程，其原理是通过左右两幅图片获得视差图，计算出物体在空间坐标系下的位置。
已有技术中，对于热压模型的切割一般采用人工切割，即手工操作小磨钻沿着患者的牙龈线将热压膜片切割下来，从来获得热压膜片包裹牙冠的部分；人工切割热压模型可以满足小批量生产，面对日趋旺盛的市场，仅仅依靠人工切割是远远不够的；由于手工切割的效率低，切割后的透明热压膜片比较粗糙，因此常常需要进行二次加工和重复加工。若想提高生产效率和加工精度，实现自动化切割是必然的趋势。
实现自动化切割的基础是准确测量出牙龈线的位置坐标，但牙龈线由于其复杂多样的空间结构，目前，也鲜有牙龈线坐标测量设备和方法，其坐标很难使用常规的测量手段来获得，进而也无法实现牙套的自动加工，因此亟需一种基于双目视觉技术的牙龈线坐标测量方法，为实现牙齿热压模型自动化切割提供坐标数据。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种牙齿热压模型的牙龈线坐标测量方法和装置，旨在针对牙龈线空间结构复杂问题，采用双目视觉技术，测量出牙龈线的实际坐标，为实现牙齿热压模型自动化切割提供坐标数据。
本发明采用的技术方案如下：
本发明提供一种基于双目视觉的牙齿热压模型的牙龈线坐标测量方法，包括：
步骤1：采用像双目相机对待测牙龈线进行拍摄，得到左图和右图两张图片，对双目相机所拍摄到的两张图片进行对齐处理；
步骤2：对左图进行灰度化，阈值化和细化得到曲线骨架；
步骤3：对左图和右图进行一系列的特征点匹配及处理初步得到特征点；
步骤4：将步骤2和步骤3两种不同处理得到的结果进行比较，通过两次筛选，逐步得到较为满意的特征点。
步骤5：以最终得到的匹配点为基点，将牙龈线重新划分成新的若干个小曲线段，利用参数不同的绝对误差和算法完成当前图像中的曲线段上各点的匹配，得到各点的坐标。
进一步的，所述步骤2具体方法是：首先对左图进行灰度化处理，通过选取阈值，保留牙龈线部分，然后采用快速并行细化算法对其进行细化处理，从而得到细化后的图片，提取获得曲线骨架上各点A的图像坐标。
进一步的，所述步骤3具体方法是：通过电脑视觉尺度不变特征转换算法得到左、右图像上相匹配的特征点对，之后使用随机抽样一致算法剔除误匹配点，然后比较匹配点的纵坐标，保留左右两图中纵坐标相同的特征点对，最终获得左图中特征点B的图像坐标与右图中相匹配的特征点C的图像坐标。
进一步的，所述步骤4具体方法是：首先进行初次筛选，左图上点A中与特征点B横坐标相同的点作为左图中新的匹配点D，右图中与特征点C纵坐标、匹配点D横坐标相同的点作为右图新的匹配点E；进行二次筛选，左、右图相匹配的特征点对，以左图特征点的横坐标基准，将所有特征点对从小到大排列，利用绝对误差和算法在匹配点E的视差范围内再次进行寻找与匹配点D相匹配的点，从而得到了右图中更为精确的匹配点的图像坐标；最后，检查左、右图中特征点的位置关系，判断误匹配点的有无，当存在误匹配点时，判断误匹配点的多少，当误匹配点较少时，删除误匹配点，当误匹配点较多时，调节步骤2尺度不变特征转换中匹配结果的距离范围的系数和纵坐标比较的范围，并重复步骤2、步骤3和步骤4，当不存在误匹配点时，得到最终的匹配点；
进一步的，所述步骤5具体方法是：以最终得到的匹配点为基点，将牙龈线划分成新的若干个小曲线段，比较各小曲线段上其余点与已知匹配点的位置关系，依据各小段的实际情况，使用参数不同的绝对误差和算法，完成当前图像中的曲线段上各点的匹配，得到最终坐标。
另一方面，本发明还提供一种牙齿热压模型的牙龈线坐标测量装置，所述装置包括：
拍摄模块，用于采用双目相机对待测牙龈线进行拍摄，得到左图和右图两张图片，对双目相机所拍摄到的两张图片进行对齐处理；
第一处理模块，用于对左图进行灰度化，阈值化和细化得到曲线骨架；
第二处理模块，用于对左图和右图进行一系列的特征点匹配及处理初步得到特征点；
比较模块，用于将第一处理模块和第二处理模块得到的结果进行比较，通过两次筛选，逐步得到较为满意的特征点；
第三处理模块，用于以最终得到的匹配点为基点，将牙龈线重新划分成新的若干个小曲线段，利用参数不同的绝对误差和算法完成当前图像中的曲线段上各点的匹配，得到各点的坐标。
进一步的，所述第一处理模块具体用于：对左图进行灰度化处理，通过选取阈值，保留牙龈线部分，然后采用快速并行细化算法对其进行细化处理，得到细化后的图片，提取曲线骨架上各点的图像坐标。
进一步的，所述第二处理模块具体用于：通过电脑视觉尺度不变特征转换算法得到左、右图像上相匹配的特征点对，之后使用随机抽样一致算法剔除误匹配点，然后比较匹配点的纵坐标，保留左右两图中纵坐标相同的特征点对，最终获得左图中特征点的图像坐标与右图中相匹配的特征点的图像坐标。
本发明实施例提供的技术方案带来的有益效果是：
(1)利用双目视觉的方法，将计算机视觉科学与空间测量相结合，准确快速的测量出牙龈线在空间中的坐标，为实现牙套的自动切割提供坐标数据；本方法通过两次筛选可以得到更为精确的匹配点的图像坐标；
(2)所得到的坐标更为精确，采用在左图上点的横坐标与对应特征点横坐标是否相同作为寻找左图新特征点的依据，在右图上以特征点纵坐标与对应匹配点横坐标是否作为寻找右图新匹配点的依据；
(3)将较长的牙龈线分割成小段，并依据各个小段的不同情况设置不同的参数这一处理步骤，避免了由于直接用单一参数匹配所导致的误差大的缺点。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一种牙齿热压模型的牙龈线坐标测量方法的流程示意图；
图2为灰度化处理之后的左图；
图3为阈值化处理后的左图；
图4为细化后的左图；
图5为随机抽样一致算法后的特征点；
图中：左侧圆圈代表特征点B，与之相连接的右侧圆圈代表特征点C；
图6为左图中的匹配点D；
图中：竖线与加粗的黑色曲线交点为特征点D；
图7为右图中的匹配点E；
图中：竖线与加粗的黑色曲线交点为特征点E；
图8为重建得到牙龈线的三维坐标图；
图9为一种牙齿热压模型的牙龈线坐标测量装置的结构示意图；
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实施方式作进一步地详细描述。
需要特别说明的是：电脑视觉尺度不变特征转换算法，也称为SIFT算法，尺度不变特征转换，是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。
随机抽样一致算法,也称为RANSAC算法，它是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。
绝对误差和算法，也称SAD算法，用于立体匹配。
如图1所示，首先对相机拍摄到的左右图片进行立体校正。其次，为得到牙龈线上的特征点，对矫正后的图片进行两种处理。一种是对左图进行灰度化，阈值化和细化得到曲线骨架；第二种是对左右两图进行一系列的特征点匹配及处理初步得到特征点。当完成上述处理后，将以上两种不同处理得到的结果进行比较，通过两次筛选，逐步得到较为满意的特征点。利用特征点之间的坐标关系进行第一次筛选；利用SAD算法寻找匹配点进行二次筛选得到右图中更为精确地匹配点的坐标。然后，通过检查左、右图中特征点的位置关系以及调节第二步SIFT算法中的参数来得到最终满意的匹配点。以最终得到的匹配点为基点，将牙龈线重新划分成新的若干个小曲线段，利用参数不同的SAD算法完成当前图像中的曲线段上各点的匹配，得到各点的坐标。
具体的，一种牙齿热压模型的牙龈线坐标测量方法，包括：
步骤1：采用像双目相机对待测牙龈线进行拍摄，得到左图和右图两张图片，对双目相机所拍摄到的两张图片进行对齐处理；
步骤2：对左图进行灰度化，阈值化和细化得到曲线骨架，其结果如图2-4所示；
步骤3：对左图和右图进行一系列的特征点匹配及处理初步得到特征点；
步骤4：将步骤2和步骤3两种不同处理得到的结果进行比较，通过两次筛选，逐步得到较为满意的特征点。
步骤5：以最终得到的匹配点为基点，将牙龈线重新划分成新的若干个小曲线段，利用参数不同的绝对误差和算法完成当前图像中的曲线段上各点的匹配，得到各点的坐标。
具体的，所述步骤2具体方法是：首先对左图进行灰度化处理，通过选取阈值，保留牙龈线部分，然后采用快速并行细化算法对其进行细化处理，从而得到细化后的图片，提取获得曲线骨架上各点A的图像坐标，其结果如图2-4所示。
具体的，所述步骤3具体方法是：通过电脑视觉尺度不变特征转换算法(SIFT算法，尺度不变特征转换，是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量)得到左、右图像上相匹配的特征点对，之后使用随机抽样一致算法(RANSAC算法，它是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法)剔除误匹配点，然后比较匹配点的纵坐标，保留左右两图中纵坐标相同的特征点对，最终获得左图中特征点B的图像坐标与右图中相匹配的特征点C的图像坐标，如图5所示，左侧圆圈代表特征点B，与之相连接的右侧圆圈代表特征点C。
具体的，所述步骤4具体方法是：首先进行初次筛选，左图上点A中与特征点B横坐标相同的点作为左图中新的匹配点D，如图6所示，图中竖线与加粗的黑色曲线交点为特征点D，右图中与特征点C纵坐标、匹配点D横坐标相同的点作为右图新的匹配点E，如图7所示，图中竖线与加粗的黑色曲线交点为特征点E；进行二次筛选，左、右图相匹配的特征点对，以左图特征点的横坐标基准，将所有特征点对从小到大排列，利用绝对误差和算法在匹配点E的视差范围内再次进行寻找与匹配点D相匹配的点，从而得到了右图中更为精确的匹配点的图像坐标；最后，检查左、右图中特征点的位置关系，判断误匹配点的有无，当存在误匹配点时，判断误匹配点的多少，当误匹配点较少时，删除误匹配点，当误匹配点较多时，调节步骤2尺度不变特征转换中匹配结果的距离范围的系数和纵坐标比较的范围，并重复步骤2、步骤3和步骤4，当不存在误匹配点时，得到最终的匹配点；
具体的，所述步骤5具体方法是：以最终得到的匹配点为基点，将牙龈线划分成新的若干个小曲线段，比较各小曲线段上其余点与已知匹配点的位置关系，依据各小段的实际情况，使用参数不同的绝对误差和算法，完成当前图像中的曲线段上各点的匹配，得到最终坐标。
最后，利用最终坐标进行模型重建，得到牙龈线的三维坐标图，如图8所示。本发明针对牙龈线复杂的空间结构和位置关系，在常规测量手段难以发挥作用的情况下，利用双目视觉的原理精确地测量出牙龈线的空间坐标。
需要特别指出的是，在步骤3中大致确定特征点的坐标，在步骤4中进一步缩小坐标范围，最终满意的匹配点。在步骤4中对灰度化的图片进行细化和匹配特征点两种处理方式，既得到了曲线骨架还得到了足够多的特征点。在步骤3中，在左图上以点A的横坐标与特征点B横坐标是否相同作为寻找左图新特征点C的依据，在右图上以特征点C纵坐标与匹配点D横坐标是否作为寻找右图新匹配点E的依据。步骤5中，添加了将较长的牙龈线分割成小段，并依据各个小段的不同情况设置不同的参数这一处理步骤，避免了由于直接用单一参数匹配所导致的误差大的缺点。
图9是本发明实施例提供的一种牙齿热压模型的牙龈线坐标测量装置结构示意图，参见图9，该装置可以包括：
拍摄模块1，用于采用双目相机对待测牙龈线进行拍摄，得到左图和右图两张图片，对双目相机所拍摄到的两张图片进行对齐处理；
第一处理模块2，用于对左图进行灰度化，阈值化和细化得到曲线骨架；
第二处理模块3，用于对左图和右图进行一系列的特征点匹配及处理初步得到特征点；
比较模块4，用于将第一处理模块和第二处理模块得到的结果进行比较，通过两次筛选，逐步得到较为满意的特征点；
第三处理模块5，用于以最终得到的匹配点为基点，将牙龈线重新划分成新的若干个小曲线段，利用参数不同的绝对误差和算法完成当前图像中的曲线段上各点的匹配，得到各点的坐标。
具体的，所述第一处理模块2具体用于：对左图进行灰度化处理，通过选取阈值，保留牙龈线部分，然后采用快速并行细化算法对其进行细化处理，得到细化后的图片，提取曲线骨架上各点的图像坐标。
具体的，所述第二处理模块3具体用于：通过电脑视觉尺度不变特征转换算法得到左、右图像上相匹配的特征点对，之后使用随机抽样一致算法剔除误匹配点，然后比较匹配点的纵坐标，保留左右两图中纵坐标相同的特征点对，最终获得左图中特征点的图像坐标与右图中相匹配的特征点的图像坐标。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种牙齿热压模型的牙龈线坐标测量方法，其特征在于，所述方法包括：
步骤1：采用双目相机对待测牙龈线进行拍摄，得到左图和右图两张图片，对双目相机所拍摄到的两张图片进行对齐处理；
步骤2：对左图进行灰度化，阈值化和细化得到曲线骨架；
步骤3：对左图和右图进行一系列的特征点匹配及处理初步得到特征点；
步骤4：将步骤2和步骤3两种不同处理得到的结果进行比较，通过两次筛选，逐步得到较为满意的特征点；
步骤5：以最终得到的匹配点为基点，将牙龈线重新划分成新的若干个小曲线段，利用参数不同的绝对误差和算法完成当前图像中的曲线段上各点的匹配，得到各点的坐标。
2.根据权利要求1所述的方法，其特征在于，所述步骤2具体方法是：首先对左图进行灰度化处理，通过选取阈值，保留牙龈线部分，然后采用快速并行细化算法对其进行细化处理，从而得到细化后的图片，提取获得曲线骨架上各点A的图像坐标。
3.根据权利要求2所述的方法，其特征在于，所述步骤3具体方法是：通过电脑视觉尺度不变特征转换算法得到左、右图像上相匹配的特征点对，之后使用随机抽样一致算法剔除误匹配点，然后比较匹配点的纵坐标，保留左右两图中纵坐标相同的特征点对，最终获得左图中特征点B的图像坐标与右图中相匹配的特征点C的图像坐标。
4.根据权利要求3所述的方法，其特征在于，所述步骤4具体方法是：首先进行初次筛选，左图上点A中与特征点B横坐标相同的点作为左图中新的匹配点D，右图中与特征点C纵坐标、匹配点D横坐标相同的点作为右图新的匹配点E；进行二次筛选，左、右图相匹配的特征点对，以左图特征点的横坐标基准，将所有特征点对从小到大排列，利用绝对误差和算法在匹配点E的视差范围内再次进行寻找与匹配点D相匹配的点，从而得到了右图中更为精确的匹配点的图像坐标；最后，检查左、右图中特征点的位置关系，判断误匹配点的有无，当存在误匹配点时，判断误匹配点的多少，当误匹配点较少时，删除误匹配点，当误匹配点较多时，调节步骤2尺度不变特征转换中匹配结果的距离范围的系数和纵坐标比较的范围，并重复步骤2、步骤3和步骤4，当不存在误匹配点时，得到最终的匹配点。
5.根据权利要求4所述的方法，其特征在于，所述步骤5具体方法是：以最终得到的匹配点为基点，将牙龈线划分成新的若干个小曲线段，比较各小曲线段上其余点与已知匹配点的位置关系，依据各小段的实际情况，使用参数不同的绝对误差和算法，完成当前图像中的曲线段上各点的匹配，得到最终坐标。
6.一种采用权利要求5所述方法的牙齿热压模型的牙龈线坐标测量装置，其特征在于，所述装置包括：
拍摄模块，用于采用双目相机对待测牙龈线进行拍摄，得到左图和右图两张图片，对双目相机所拍摄到的两张图片进行对齐处理；
第一处理模块，用于对左图进行灰度化，阈值化和细化得到曲线骨架；
第二处理模块，用于对左图和右图进行一系列的特征点匹配及处理初步得到特征点；
比较模块，用于将第一处理模块和第二处理模块得到的结果进行比较，通过两次筛选，逐步得到较为满意的特征点；
第三处理模块，用于以最终得到的匹配点为基点，将牙龈线重新划分成新的若干个小曲线段，利用参数不同的绝对误差和算法完成当前图像中的曲线段上各点的匹配，得到各点的坐标。
7.根据权利要求6所述的牙齿热压模型的牙龈线坐标测量装置，其特征在于，所述第一处理模块具体用于：对左图进行灰度化处理，通过选取阈值，保留牙龈线部分，然后采用快速并行细化算法对其进行细化处理，得到细化后的图片，提取曲线骨架上各点的图像坐标。
8.根据权利要求6所述的牙齿热压模型的牙龈线坐标测量装置，其特征在于，所述第二处理模块具体用于：通过电脑视觉尺度不变特征转换算法得到左、右图像上相匹配的特征点对，之后使用随机抽样一致算法剔除误匹配点，然后比较匹配点的纵坐标，保留左右两图中纵坐标相同的特征点对，最终获得左图中特征点的图像坐标与右图中相匹配的特征点的图像坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910361103.3A CN110084858A (zh) | 2019-04-30 | 2019-04-30 | 一种牙齿热压模型的牙龈线坐标测量方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910361103.3A CN110084858A (zh) | 2019-04-30 | 2019-04-30 | 一种牙齿热压模型的牙龈线坐标测量方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110084858A true CN110084858A (zh) | 2019-08-02 |
Family
ID=67418153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910361103.3A Pending CN110084858A (zh) | 2019-04-30 | 2019-04-30 | 一种牙齿热压模型的牙龈线坐标测量方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110084858A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110908331A (zh) * | 2019-11-29 | 2020-03-24 | 中国石油大学(华东) | 一种切割牙齿热压模型的高效高质量刀路规划方法和装置 |
| WO2022037105A1 (zh) * | 2020-08-17 | 2022-02-24 | 苏州瀚华智造智能技术有限公司 | 一种牙套切割线自动生成方法及应用 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102402799A (zh) * | 2010-09-10 | 2012-04-04 | 三维光子国际公司 | 用于被测量的三维目标场景的目标分类 |
| CN105125303A (zh) * | 2014-05-30 | 2015-12-09 | 财团法人金属工业研究发展中心 | 牙体立体影像建立方法 |
| CN106710006A (zh) * | 2016-12-28 | 2017-05-24 | 杭州美齐科技有限公司 | 一种虚拟牙龈三角网格构建和形变算法 |
| CN108470365A (zh) * | 2018-03-07 | 2018-08-31 | 天津工业大学 | 一种基于上下牙颌的牙弓线绘制方法 |
-
2019
- 2019-04-30 CN CN201910361103.3A patent/CN110084858A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102402799A (zh) * | 2010-09-10 | 2012-04-04 | 三维光子国际公司 | 用于被测量的三维目标场景的目标分类 |
| CN105125303A (zh) * | 2014-05-30 | 2015-12-09 | 财团法人金属工业研究发展中心 | 牙体立体影像建立方法 |
| CN106710006A (zh) * | 2016-12-28 | 2017-05-24 | 杭州美齐科技有限公司 | 一种虚拟牙龈三角网格构建和形变算法 |
| CN108470365A (zh) * | 2018-03-07 | 2018-08-31 | 天津工业大学 | 一种基于上下牙颌的牙弓线绘制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张立军等: "《基于双目测距的牙齿热压模型激光切割教学实验平台开发》", 《实验技术与管理》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110908331A (zh) * | 2019-11-29 | 2020-03-24 | 中国石油大学(华东) | 一种切割牙齿热压模型的高效高质量刀路规划方法和装置 |
| WO2022037105A1 (zh) * | 2020-08-17 | 2022-02-24 | 苏州瀚华智造智能技术有限公司 | 一种牙套切割线自动生成方法及应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105956582A (zh) | 一种基于三维数据的人脸识别系统 | |
| CN107833181B (zh) | 一种基于变焦立体视觉的三维全景图像生成方法 | |
| CN107123111B (zh) | 一种用于手机屏幕缺陷检测的深度残差网络构造方法 | |
| CN105719188A (zh) | 基于多张图片一致性实现保险理赔反欺诈的方法及服务器 | |
| CN106875373A (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
| CN104298995B (zh) | 基于三维点云的三维人脸识别装置及方法 | |
| CN103913131A (zh) | 一种基于双目视觉的自由曲面法矢量测量方法 | |
| CN105913013A (zh) | 双目视觉人脸识别算法 | |
| CN111524132B (zh) | 识别待检测样本中异常细胞的方法、装置和存储介质 | |
| CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
| CN106875404A (zh) | 一种白带显微图像中上皮细胞的智能识别方法 | |
| CN111274944A (zh) | 一种基于单张图像的三维人脸重建方法 | |
| CN108966500A (zh) | 基于视觉跟踪的pcb板二次及多次精确打孔方法 | |
| CN108764250A (zh) | 一种运用卷积神经网络提取本质图像的方法 | |
| CN110084858A (zh) | 一种牙齿热压模型的牙龈线坐标测量方法和装置 | |
| CN111932511A (zh) | 一种基于深度学习的电子元器件质量检测方法与系统 | |
| CN110543916A (zh) | 一种缺失多视图数据的分类方法及系统 | |
| CN112365586A (zh) | 3d人脸建模与立体判断方法及嵌入式平台的双目3d人脸建模与立体判断方法 | |
| CN103308000A (zh) | 基于双目视觉的曲线物体测量方法 | |
| CN107194350A (zh) | 障碍物检测方法、装置及机器人 | |
| CN113034528A (zh) | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 | |
| CN106888344A (zh) | 摄像模组及其像面倾斜的获取方法和调整方法 | |
| CN108052909A (zh) | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 | |
| CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
| CN111105451A (zh) | 一种克服遮挡效应的驾驶场景双目深度估计方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190802 |