CN112651943A - 一种三维影像标记点提取方法 - Google Patents

一种三维影像标记点提取方法 Download PDF

Info

Publication number
CN112651943A
CN112651943A CN202011581894.XA CN202011581894A CN112651943A CN 112651943 A CN112651943 A CN 112651943A CN 202011581894 A CN202011581894 A CN 202011581894A CN 112651943 A CN112651943 A CN 112651943A
Authority
CN
China
Prior art keywords
point set
points
connected domain
point
mark
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
Application number
CN202011581894.XA
Other languages
English (en)
Inventor
程敏
于福翔
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.)
Nanjing Tuodao Medical Technology Co Ltd
Original Assignee
Nanjing Tuodao Medical Technology Co Ltd
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 Nanjing Tuodao Medical Technology Co Ltd filed Critical Nanjing Tuodao Medical Technology Co Ltd
Priority to CN202011581894.XA priority Critical patent/CN112651943A/zh
Publication of CN112651943A publication Critical patent/CN112651943A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种三维影像标记点提取方法，包括步骤：(1)对三维影像点云数据进行灰度直方图分析筛选得到标记点候选点集，并进行三维连通域分割得到若干点集连通域；(2)对步骤(1)的点集连通域进行筛选得到候选点集连通域，并进行质心提取，得到候选点集连通域的质心点集；(3)通过设计时各标记点之间的位置关系在步骤(2)的质心点集中查找具有相应位置关系的点集，得到标记点点集连通域；(4)对标记点点集连通域进行附近有效点搜索得到标记点在三维影像中的精确位置。本发明并不限制实际手术的场景，且对影像中标记点位置的精确定位是依赖于标记点区域附近的局部灰度特征，因为具有较高的稳定性和提取精度。

Description

一种三维影像标记点提取方法
技术领域
本发明涉及图像处理领域，尤其涉及一种三维影像标记点提取方法。
背景技术
近年来，随着外科手术对临床操作有更高速、更高精度的要求，医疗手术机器人得到了快速的发展，目前手术机器人已广泛应用于骨科、神经外科等外科医疗领域中。当下手术机器人均采用独立的系统，其主要功能模块包括系统软件部分、硬件辅助设施及人机交互与显示单元等，而基于图像的导航定位是其核心技术之一。在手术机器人的导航定位过程中，一般需要在场景中放置定位标记点，利用三维C型臂对定位标记点进行三维重建，然后通过图像处理手段自动识别出三维影像中的标记点，再利用标记点与手术空间中物理参考系间的关系，建立起影像坐标系与手术空间坐标系间的映射关系，从而达到在三维影像上规划的目的。因此，三维影像空间中的标记点位置的提取精度将直接影响最终手术机器人的手术精度。
发明内容
发明目的：本发明针对上述问题，提供了一种稳健、高精度的三维影像标记点提取方法，可适用较复杂的手术场景，且具有较高的标记点提取精度，在提高手术机器人定位精度、易于实际手术环境操作应用及提高手术效率等方便具有重要的应用价值。
技术方案：
一种三维影像标记点提取方法，包括步骤：
(1)对三维影像点云数据进行灰度直方图分析筛选得到标记点候选点集，并进行三维连通域分割得到若干点集连通域；
(2)对步骤(1)的点集连通域进行筛选得到候选点集连通域，并进行质心提取，得到候选点集连通域的质心点集；
(3)通过设计时各标记点之间的位置关系在步骤(2)的质心点集中查找具有相应位置关系的点集，得到标记点点集连通域；
(4)对标记点点集连通域进行附近有效点搜索得到标记点在三维影像中的精确位置。
所述步骤(1)中对三维影像点云数据进行灰度直方图分析具体为：将三维影像点云数据的灰度范围等分为一定数量的灰度区间，并分别统计各个灰度区间内点的数量，据此进行直方图绘制。
所述步骤(1)中筛选得到标记点候选点集具体为：
(11)根据设计时所有标记点的体积和，结合三维影像点云数据的单个体素的物理尺度，计算得到所有标记点在三维影像点云数据中所占点集的理论数目Ns；
(12)根据灰度直方图中各灰度区间内点的数量，将筛选点集点的数量从高灰度值的灰度区间往低灰度值的灰度区间累加，当累加的筛选点集点的数量最接近于标记点参考数目时，认定当前累加的筛选点集即为所有标记点的候选点集；其中，参考数目取理论数目的5～10倍。
所述参考数目取值为大于灰度值为10000以上的所有点的数量之和。
所述步骤(2)中进行筛选得到候选点集连通域采用体积原则和包围盒准则；
通过体积原则过滤掉点数过多的点集连通域；
包围盒准则指针对单个点集连通域，计算出此点集连通域所有点的坐标范围
此坐标范围对应一个包围盒立方体，长宽高分别为length、width、height；其中，length表示此点集连通域所有点的坐标在x轴上的最大差值，width表示此点集连通域所有点的坐标在y轴上的最大差值，height表示此点集连通域所有点的坐标在z轴上的最大差值；
Figure BDA0002866083950000021
过滤掉η＞5的点集连通域。
所述步骤(3)中，通过设计时各标记点之间的位置关系在步骤(2)的质心点集中查找具有相应位置关系的点集具体如下：
(31)根据步骤(2)得到的候选点集连通域的质心点集为Pm，m表示候选点集连通域的数量，m>l，l为标记点数目；
(32)从质心点集Pm中取出l个点形成待匹配点集，并判断待匹配点集各点之间的位置关系与设计点集Pl各标记点之间的位置关系是否匹配；若匹配，则将该待匹配点集组成的点集连通域作为标记点点集连通域；若不匹配，则重复本步骤。
在确定标记点点集连通域后，将所述待匹配点集转至设计坐标系下，取转换后所述待匹配点集与所述设计点集Pl之间所有对应点之间的平均距离作为形状误差，即
Figure BDA0002866083950000031
式中
Figure BDA0002866083950000032
为将所述待匹配点集转换至设计坐标系下后第t点的坐标，pt为设计点集Pl中第t点的坐标；当形状误差ε小于设定阈值δ时，即认为该待匹配点集点集组成的点集连通域为与所有标记点相对应的点集连通域。
所述形状阈值δ按精度需要设定。
所述步骤(4)中，对标记点点集连通域进行附近有效点搜索得到标记点在三维影像中的精确位置具体如下：
(41)对于每个点集连通域，取当前点集连通域的所有点的最小灰度值为动态筛选阈值；
(42)对动态筛选阈值增加设定步长得到新的动态筛选阈值，对当前点集连通域进行过滤；
(43)对经步骤(42)过滤后的点集进行球拟合，计算拟合误差和拟合球直径；拟合误差定义为拟合球表面上的点到拟合球心距离的平均值，即为：
Figure BDA0002866083950000033
其中，w为当前点集连通域拟合球表面点的个数，ch表示拟合球表面上的第h个点，c0表示拟合球心，r表示拟合球的半径；
(44)重复步骤(42)和(43)，直至得到满足拟合误差小于设定阈值且拟合直径最接近于设计时标记点尺寸的点集连通域，即为最佳点集连通域。
所述设定步长取10，设定阈值取0.2mm。
有益效果：本发明并不限制实际手术的场景，且对影像中标记点位置的精确定位是依赖于标记点区域附近的局部灰度特征，因为具有较高的稳定性和提取精度。
附图说明
图1为本发明的流程图。
图2为扫描得到的三维影像数据示意图。
图3为图2的灰度直方图分析示意图。
图4为筛选出的候选点集示意图。
图5为连通域分割示意图。
图6为每个标记点对应的点集连通域示意图。
图7为对图6精细搜索后的连通域示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明。
图1为本发明的流程图，如图1所示，本发明具体实施例的手术机器人三维影像标记点提取方法提及的标记点为实心球状钢珠，在三维影像中的呈高灰度值，包括如下步骤：
(1)对三维影像点云数据进行灰度直方图分析，以得到在每个灰度区间内点的数量；
C型臂扫描重建出的三维影像点云数据为16位数据，灰度范围为[0,65536]，这里将灰度范围等分为一定数量的灰度区间，本发明中取1000等分，则每个灰度区间范围为ki＝66*[i,i+1]，i＝[0,999]；一次扫描的三维影像点云数据如图2所示(窗位550，窗宽350，标记点为5个直径4mm的钢珠)，分析的灰度直方图如图3所示，横坐标表示灰度值，纵坐标表示数量；三维影像点云数据中的钢珠灰度呈较高值，其对应的灰度范围>10000；
(2)根据灰度直方图，从三维影像点云数据中初步筛选出标记点候选点集；
标记点的灰度在三维影像点云数据中处于高值，且根据设计时可得所有标记点的体积和，结合三维影像点云数据的单个体素的物理尺度，即可得到所有标记点在三维影像点云数据中所占点集的理论数目Ns，且在步骤(1)中已统计出各灰度区间内点的数量，则将筛选点集点的数量从高灰度值的灰度区间往低灰度值的灰度区间累加，当累加的筛选点集点的数量最接近于标记点参考数目时，可认为当前累加的筛选点集即为所有标记点的候选点集，这里的参考数目可取理论数目的数倍，一般取5～10倍；参考灰度直方图图3，理论上参考数目大于灰度值为10000以上的所有点的数量之和即可，这样可以保证候选点集为有限区域点；
公式表达如下：
Figure BDA0002866083950000051
其中，Nt为筛选出的候选点集点的数量；Ni为灰度区间i内点的数量；λ为理论点集放大倍数，这里例子取5；n为等分的区间数目，当前例子n取1000；k表示累加至灰度区间k时，筛选点集点的数量最接近参考数目，其中最接近指的是，当参考数目为Q时，累加至灰度区间q时，筛选点集点的数量为Q1，而累加至灰度区间q+1时，筛选点集点的数量为Q2，其中Q-Q1<Q2-Q，则认为Q1更接近与Q，即为最接近，则此时只累加至灰度区间q；当前例子按上述参数筛选出的候选点集见图4所示，从图中可看出候选点集还包含其他不属于标记点的点集，且标记点点集区域存在较大伪影点；
(3)对候选点集进行三维连通域分割，将候选点集分割成一个个点集连通域；
这里的连通域定义为由互为相邻的点组成的点集区域，这里空间中两点相邻定义为二者在坐标轴x、y、z任一轴上坐标值差小于1即可，则空间的一点与空间中的27个点互为相邻，对所有点集进行连通域筛选，将互为相邻的点归为一点集连通域，则图4被分割为7个点集连通域，包含两个不属于标记点区域的点集连通域6和点集连通域7，如图5所示；
(4)对步骤(3)得到点集连通域进行筛选，过略掉明显不是标记点区域的点集连通域，得到候选点集连通域；
这里主要采用体积原则和包围盒原则：体积原则是过滤掉点数过多的点集连通域，即当前点集连通域j(j＝1,2,…,7)点的数量Nj必须小于体积数量阈值，即Nj＜φNs，这里的体积数量阈值取标记点理论数目的φ倍，本例中φ取100；包围盒准则是指针对单个点集连通域，计算出此点集连通域所有点的坐标范围[xmin,xmax]、[ymin,ymax]、[zmin,zmax]，其中，xmin表示此点集连通域所有点在x轴上的坐标值中的最小值，xmax表示此点集连通域所有点在x轴上的坐标值中的最大值，ymin表示此点集连通域所有点在y轴上的坐标值中的最小值ymax表示此点集连通域所有点在y轴上的坐标值中的最大值，zmin表示此点集连通域所有点在z轴上的坐标值中的最小值，zmax表示此点集连通域所有点在z轴上的坐标值中的最大值；此坐标范围对应一个包围盒立方体，长宽高分别为：
length＝xmax-xmin
width＝ymax-ymin
height＝zmax-zmin
Figure BDA0002866083950000061
本例中过滤掉η＞5的长型点集连通域，当前例子中可依据包围盒准则过滤掉点集连通域6；
(5)对筛选后的点集连通域进行质心提取，以作为此点集连通域中心的初步位置，得到候选点集连通域的质心点集；
(6)根据设计时的各标记点之间的位置关系，在候选点集连通域的质心点集中查找具备相应位置关系的点集，以确定所有标记点在三维影像点云数据中对应的点集连通域位置；
因为所有标记点位置是预先设计好，其之间的位置关系是确定的，这里的位置关系用预先设计好的设计坐标系下的各标记点的中心坐标集表示，例子中设计点集Pl＝{p1,p2,p3,p4,p5}，l为设计时标记点数目，这里l取5；根据步骤(4)得到三维影像点云数据中候选点集连通域的质心点集为Pm，m表示候选点集连通域的数量，m>l；从质心点集Pm中取出有次序的l个点，有
Figure BDA0002866083950000062
种可能待匹配点集，将每种待匹配点集与设计点集Pl进行匹配，判断二者的形状误差；这里的匹配方法采用刚体配准方法(常用解法有svd分解、QR分解等)，将该待匹配点集转至设计坐标系下，取转换后两点集间所有对应点之间的平均距离作为形状误差，即
Figure BDA0002866083950000063
式中
Figure BDA0002866083950000064
为将该待匹配点集转换至设计坐标系下的第t点的坐标。当形状误差ε小于设定阈值δ时，即可初步辨识出三维影像中与所有标记点相对应的点集连通域，这里的设定阈值δ按精度需要设定，当前例子中δ取0.1mm；
(7)对已辨识出的标记点点集连通域进行附近有效点搜索，根据形状特征、钢珠大小等特征精确确定与标记点相对应的最佳点集连通域，并将此点集连通域中心作为标记点在三维影像中的精确位置坐标；
步骤(6)中已从候选点集连通域中确定与每个标记点相对应的点集连通域φi，见图6所示，但因为金属钢珠在影像中有伪影的存在，致使当前点集连通域并不完全与钢珠形状相同，当前例子中标记点为直径4mm的钢珠，从图6中可看出筛选出的单个点集连通域并不是球状。这里针对每个点集连通域，取当前点集连通域的所有点的最小灰度值为动态筛选阈值
Figure BDA0002866083950000071
将此阈值按一定的步长step增加，对当前点集连通域进行过滤，当前例子中step取10，对每次的过滤后的点集进行球拟合，计算拟合误差和拟合球直径，拟合误差定义为拟合球表面上的点到拟合球心距离的平均值，即为：
Figure BDA0002866083950000072
w为当前点集连通域拟合球表面点的个数，ch表示拟合球表面上的第h个点，c0表示拟合球心，r表示拟合球的半径，当拟合误差小于设定阈值(当前例子阈值取0.2mm)，且拟合直径最接近于设计时钢珠尺寸的点集连通域为最佳点集连通域。例子中对上一步筛选后的点集连通域进行精细搜索后的连通域见图7所示。
本发明并不限制实际手术的场景，且对影像中标记点位置的精确定位是依赖于标记点区域附近的局部灰度特征，因为具有较高的稳定性和提取精度。
以上详细描述了本发明的优选实施方式，但是本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换(如数量、形状、位置等)，这些等同变换均属于本发明的保护范围。

Claims (10)

1.一种三维影像标记点提取方法，其特征在于：包括步骤：
(1)对三维影像点云数据进行灰度直方图分析筛选得到标记点候选点集，并进行三维连通域分割得到若干点集连通域；
(2)对步骤(1)的点集连通域进行筛选得到候选点集连通域，并进行质心提取，得到候选点集连通域的质心点集；
(3)通过设计时各标记点之间的位置关系在步骤(2)的质心点集中查找具有相应位置关系的点集，得到标记点点集连通域；
(4)对标记点点集连通域进行附近有效点搜索得到标记点在三维影像中的精确位置。
2.根据权利要求1所述的三维影像标记点提取方法，其特征在于：所述步骤(1)中对三维影像点云数据进行灰度直方图分析具体为：将三维影像点云数据的灰度范围等分为一定数量的灰度区间，并分别统计各个灰度区间内点的数量，据此进行直方图绘制。
3.根据权利要求1所述的三维影像标记点提取方法，其特征在于：所述步骤(1)中筛选得到标记点候选点集具体为：
(11)根据设计时所有标记点的体积和，结合三维影像点云数据的单个体素的物理尺度，计算得到所有标记点在三维影像点云数据中所占点集的理论数目Ns；
(12)根据灰度直方图中各灰度区间内点的数量，将筛选点集点的数量从高灰度值的灰度区间往低灰度值的灰度区间累加，当累加的筛选点集点的数量最接近于标记点参考数目时，认定当前累加的筛选点集即为所有标记点的候选点集；其中，参考数目取理论数目的5～10倍。
4.根据权利要求3所述的三维影像标记点提取方法，其特征在于：所述参考数目取值为大于灰度值为10000以上的所有点的数量之和。
5.根据权利要求1所述的三维影像标记点提取方法，其特征在于：所述步骤(2)中进行筛选得到候选点集连通域采用体积原则和包围盒准则；
通过体积原则过滤掉点数过多的点集连通域；
包围盒准则指针对单个点集连通域，计算出此点集连通域所有点的坐标范围，此坐标范围对应一个包围盒立方体，长宽高分别为length、width、height；其中，length表示此点集连通域所有点的坐标在x轴上的最大差值，width表示此点集连通域所有点的坐标在y轴上的最大差值，height表示此点集连通域所有点的坐标在z轴上的最大差值；
则定义包围盒的比例特征
Figure FDA0002866083940000021
过滤掉η＞5的点集连通域。
6.根据权利要求1所述的三维影像标记点提取方法，其特征在于：所述步骤(3)中，通过设计时各标记点之间的位置关系在步骤(2)的质心点集中查找具有相应位置关系的点集具体如下：
(31)根据步骤(2)得到的候选点集连通域的质心点集为Pm，m表示候选点集连通域的数量，m>l，l为标记点数目；
(32)从质心点集Pm中取出l个点形成待匹配点集，并判断待匹配点集各点之间的位置关系与设计点集Pl各标记点之间的位置关系是否匹配；若匹配，则将该待匹配点集组成的点集连通域作为标记点点集连通域；若不匹配，则重复本步骤。
7.根据权利要求6所述的三维影像标记点提取方法，其特征在于：在确定标记点点集连通域后，将所述待匹配点集转至设计坐标系下，取转换后所述待匹配点集与所述设计点集Pl之间所有对应点之间的平均距离作为形状误差，即
Figure FDA0002866083940000022
式中
Figure FDA0002866083940000023
为将所述待匹配点集转换至设计坐标系下后第t点的坐标，pt为设计点集Pl中第t点的坐标；当形状误差ε小于设定阈值δ时，即认为该待匹配点集点集组成的点集连通域为与所有标记点相对应的点集连通域。
8.根据权利要求6所述的三维影像标记点提取方法，其特征在于：所述形状阈值δ按精度需要设定。
9.根据权利要求1所述的三维影像标记点提取方法，其特征在于：所述步骤(4)中，对标记点点集连通域进行附近有效点搜索得到标记点在三维影像中的精确位置具体如下：
(41)对于每个点集连通域，取当前点集连通域的所有点的最小灰度值为动态筛选阈值；
(42)对动态筛选阈值增加设定步长得到新的动态筛选阈值，对当前点集连通域进行过滤；
(43)对经步骤(42)过滤后的点集进行球拟合，计算拟合误差和拟合球直径；拟合误差定义为拟合球表面上的点到拟合球心距离的平均值，即为：
Figure FDA0002866083940000031
其中，w为当前点集连通域拟合球表面点的个数，ch表示拟合球表面上的第h个点，c0表示拟合球心，r表示拟合球的半径；
(44)重复步骤(42)和(43)，直至得到满足拟合误差小于设定阈值且拟合直径最接近于设计时标记点尺寸的点集连通域，即为最佳点集连通域。
10.根据权利要求9所述的三维影像标记点提取方法，其特征在于：所述设定步长取10，设定阈值取0.2mm。
CN202011581894.XA 2020-12-28 2020-12-28 一种三维影像标记点提取方法 Pending CN112651943A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011581894.XA CN112651943A (zh) 2020-12-28 2020-12-28 一种三维影像标记点提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011581894.XA CN112651943A (zh) 2020-12-28 2020-12-28 一种三维影像标记点提取方法

Publications (1)

Publication Number Publication Date
CN112651943A true CN112651943A (zh) 2021-04-13

Family

ID=75363551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011581894.XA Pending CN112651943A (zh) 2020-12-28 2020-12-28 一种三维影像标记点提取方法

Country Status (1)

Country Link
CN (1) CN112651943A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284160A (zh) * 2021-04-23 2021-08-20 北京天智航医疗科技股份有限公司 一种手术导航标记珠体识别的方法、装置和设备
CN113744328A (zh) * 2021-11-05 2021-12-03 极限人工智能有限公司 医学图像标记点识别方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090071021A1 (en) * 2007-09-17 2009-03-19 Chin-Hsiung Lien Frame jamb marker
CN101853333A (zh) * 2010-05-26 2010-10-06 中国科学院遥感应用研究所 医疗机器人导航定位图像中的标记拾取方法
CN103530889A (zh) * 2013-11-04 2014-01-22 天津工业大学 一种基于骨架提取的测量棒编码标记点解码方法
CN104434313A (zh) * 2013-09-23 2015-03-25 中国科学院深圳先进技术研究院 一种腹部外科手术导航方法及系统
CN105469084A (zh) * 2015-11-20 2016-04-06 中国科学院苏州生物医学工程技术研究所 一种靶标中心点快速提取方法及系统
CN106249881A (zh) * 2016-07-21 2016-12-21 江苏奥格视特信息科技有限公司 增强现实视场空间和虚拟三维目标动态配准方法
CN107588723A (zh) * 2017-09-22 2018-01-16 南昌航空大学 一种基于两步法的高速动目标上圆形标记漏点检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090071021A1 (en) * 2007-09-17 2009-03-19 Chin-Hsiung Lien Frame jamb marker
CN101853333A (zh) * 2010-05-26 2010-10-06 中国科学院遥感应用研究所 医疗机器人导航定位图像中的标记拾取方法
CN104434313A (zh) * 2013-09-23 2015-03-25 中国科学院深圳先进技术研究院 一种腹部外科手术导航方法及系统
CN103530889A (zh) * 2013-11-04 2014-01-22 天津工业大学 一种基于骨架提取的测量棒编码标记点解码方法
CN105469084A (zh) * 2015-11-20 2016-04-06 中国科学院苏州生物医学工程技术研究所 一种靶标中心点快速提取方法及系统
CN106249881A (zh) * 2016-07-21 2016-12-21 江苏奥格视特信息科技有限公司 增强现实视场空间和虚拟三维目标动态配准方法
CN107588723A (zh) * 2017-09-22 2018-01-16 南昌航空大学 一种基于两步法的高速动目标上圆形标记漏点检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284160A (zh) * 2021-04-23 2021-08-20 北京天智航医疗科技股份有限公司 一种手术导航标记珠体识别的方法、装置和设备
CN113284160B (zh) * 2021-04-23 2024-03-12 北京天智航医疗科技股份有限公司 一种手术导航标记珠体识别的方法、装置和设备
CN113744328A (zh) * 2021-11-05 2021-12-03 极限人工智能有限公司 医学图像标记点识别方法、装置、电子设备及存储介质
WO2023078169A1 (zh) * 2021-11-05 2023-05-11 极限人工智能有限公司 医学图像标记点识别方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN109300162B (zh) 一种基于精细化雷达扫描边缘点的多线激光雷达和相机联合标定方法
CN109544612B (zh) 基于特征点几何表面描述的点云配准方法
CN111693968B (zh) 一种车载三维激光雷达系统外参的系统化标定方法
CN107481276B (zh) 一种三维医学图像中标记点序列的自动识别方法
CN112489094B (zh) 一种多线机载激光雷达点云数据配准方法
CN112651943A (zh) 一种三维影像标记点提取方法
CN109363770A (zh) 一种手术导航机器人标志点自动识别定位方法
CN111179321B (zh) 一种基于模板匹配的点云配准方法
CN110378957B (zh) 面向冶金作业的鱼雷罐车视觉识别与定位方法及其系统
CN111783722B (zh) 一种激光点云的车道线提取方法和电子设备
CN111968224A (zh) 船舶3d扫描点云数据处理方法
CN113313701A (zh) 基于形状先验的电动汽车充电口两阶段视觉检测定位方法
CN111583342A (zh) 一种基于双目视觉的目标快速定位方法及装置
CN109712174B (zh) 一种复杂异形曲面机器人三维测量的点云误配准滤除方法及系统
CN117710458A (zh) 一种基于双目视觉的舰载机着舰过程相对位置测量方法及系统
CN116160458B (zh) 一种移动机器人多传感器融合快速定位方法、设备及系统
CN108388854A (zh) 一种基于改进fast-surf算法的定位方法
CN116650115A (zh) 一种基于uwb标记点的骨科手术导航注册方法
CN113538483B (zh) 高精度近景摄影测量标志的编解码方法和测量方法
CN115205558B (zh) 一种具有旋转和尺度不变性的多模态影像匹配方法及装置
CN115546783A (zh) 一种三维影像下的示踪球定位方法
CN109815966A (zh) 一种基于改进sift算法的移动机器人视觉里程计实现方法
CN114973195A (zh) 基于多信息融合的车辆追踪方法、装置及系统
CN114549420A (zh) 基于模板匹配的工件识别定位方法
CN113793355A (zh) 无人机影像铁路钢轨顶面中心线自动匹配方法

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
CB02 Change of applicant information

Address after: 210000 building 3, No. 34, Dazhou Road, Yuhuatai District, Nanjing, Jiangsu Province

Applicant after: Tuodao Medical Technology Co.,Ltd.

Address before: Room 102-86, building 6, 57 Andemen street, Yuhuatai District, Nanjing, Jiangsu 210000

Applicant before: Nanjing Tuodao Medical Technology Co.,Ltd.

CB02 Change of applicant information