CN112686916A - 一种基于异质多区域ct扫描数据处理的曲面重建系统 - Google Patents
一种基于异质多区域ct扫描数据处理的曲面重建系统 Download PDFInfo
- Publication number
- CN112686916A CN112686916A CN202011578849.9A CN202011578849A CN112686916A CN 112686916 A CN112686916 A CN 112686916A CN 202011578849 A CN202011578849 A CN 202011578849A CN 112686916 A CN112686916 A CN 112686916A
- Authority
- CN
- China
- Prior art keywords
- region
- curved surface
- data processing
- heterogeneous multi
- implicit
- 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
- 238000002591 computed tomography Methods 0.000 title claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 4
- 238000004148 unit process Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013334 tissue model Methods 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于异质多区域CT扫描数据处理的曲面重建系统,本发明系统包括数据输入单元、数据处理单元、曲面重建单元;所述的数据处理单元包括图像预处理单元、点云预处理单元;所述的曲面重建单元包括异质多区域隐式曲面设计规则的建立,使用多相隐式函数表达异质多区域对象,通过局部拟合及加权叠加依次重构不同的隐式曲面,该系统满足了数据的传输、曲面绘制和人机交互的需求。
Description
技术领域
本发明涉及数字几何处理,尤其涉及一种基于异质多区域CT扫描数据处理的曲面重建系统。
背景技术
CT扫描的生物对象都是异质多区域组织构成,可以看成是一个复杂的装配体。个性化医学有限元分析经常需要将相互接触的多个异质组织模型作为一个装配体进行分析。机械零件形状规则,可以将零件逐一实体建模进行装配,装配接触面能够很好的贴合,通过商业有限元软件中的粘接命令对实体模型接触面进行共面处理,实现装配体的有限元分析。但是生物组织结构异常复杂,例如人脑的白质、灰质的包含装配,如果通过B样条或者NURBS方式,依次对同质单区域组织进行大量人机交互的曲面建模,后期很难进行空间定位并且模型失真,装配接触面难以完全贴合,很难实现粘接处理。在同一坐标系下对CT体素集进行多阈值面绘制能够同时实现多个表面网格模型的装配,由于图像边缘混叠(锯齿)现象和面绘制算法的限制,导致形成模棱两可的装配接触面,接触交界处含有大量拓扑错误,在不同材质区域的交界处会形成间隙和重叠。使用单一的隐式函数f(x)不能有效表达整个异质多区域模型,交界处也会形成间隙和重叠,严重影响后续曲面网格化的准确性。
发明内容
本发明针对现有技术存在的问题,提供一种基于异质多区域CT扫描数据处理的曲面重建系统,解决现有技术不能有效表达整个异质多区域模型问题,可以避免在多区域的交界面产生间隙和重叠现象,完成异质多区域隐式曲面精准重建。
本发明提供一种基于异质多区域CT扫描数据处理的曲面重建系统,包括数据输入单元、数据处理单元、曲面重建单元;所述的数据处理单元包括图像预处理单元、点云预处理单元;
其中,图像预处理单元对数据输入单元输入的图像信息进行处理形成对应的多个区域对象轮廓并输出多个区域对象的二维轮廓数据集,点云预处理单元对输入的多个区域对象的二维轮廓数据集进行处理并输出带有法矢的三维点云,曲面重建单元依据输入的带有法矢的三维点云进行多相隐式曲面重建。
在上述方案的基础上,作为优选,数据输入单元用于CT序列图像的输入。
在上述方案的基础上,作为优选,数据处理单元中的图像预处理单元则首先采用模糊聚类获取CT图像多个目标对象的粗分割结果,然后用粗分割结果定义多相水平集模型的初始水平集函数对图像进行精分割;抽取精分割后多个区域对象的轮廓边缘、并进行细化、轮廓追踪,从而获取单像素封闭的二维轮廓,形成含有多个区域对象的二维轮廓数据集。
在上述方案的基础上,作为优选,明确CT图像中所含目标数,用模糊C-均值聚类模型对图像作粗分割:模糊C-均值聚类将CT图像像素分为c个类:
其中,uij为像素xj隶属于第i类的隶属度函数,vi为第i类的类中心,l为模糊度控制参数;每个像素的隶属度函数u1j,u2j,...,ucj,根据目标数设定水平集函数的相数,从而明确相应的能量函数,确定多相水平集模型的初始水平集函数,进行迭代自动分割,当满足零水平集稳定,则零水平集曲线即为迭代后分割区域的边缘。
在上述方案的基础上,作为优选,点云预处理单元包括依次提取每层含有多个区域对象的轮廓像素空间位置,得到含有多个区域对象的三维点云数据;计算含有多个区域对象的三维点云的法矢量。
在上述方案的基础上,作为优选,依次提取每层含有多个区域对象的轮廓像素空间位置pi(x,y,z),得到含有多个区域对象的三维点云点云使用k-邻域查询,pj是k-邻域中的点,为k-邻域的质心;引入高斯加权的协方差矩阵计算点云法矢,对以下的高斯加权的协方差矩阵C作特征值分解,表达式如下:
其中:
式中:Gj是高斯函数,dj是点pi到其k-邻域中任一点pj的距离,μ是点pi到其k-邻域中所有点的平均距离,该协方差矩阵的最小特征值λ1对应的单位特征向量即为点pi的单位法矢量ni。
在上述方案的基础上,作为优选,曲面重建单元包括建立异质多区域隐式曲面设计规则,使用多相隐式函数表达异质多区域对象,通过局部拟合及加权叠加依次重构不同的隐式曲面,
其中:使用空间的递归八叉树把多区域点云数据P分解为n个局部子单元,在每个局部子单元上建立局部拟合函数Li(x)=xTAx+bTx+c,其中A是3×3对称矩阵,b是空间向量,c为常系数,通过加权函数wi(x)将局部拟合函数Li(x)在欧式空间Ω中进行叠加形成完整隐式曲面
建立异质多区域隐式曲面设计规则,使用多相隐式函数fi(x)表达异质多区域对象,
异质多区域隐式曲面设计规则如下:
1)当异质多区域为包含装配情况,直接使用多相隐式函数fi(x)进行重建,使用f1(x)=0和f2(x)=0两个隐式函数进行曲面重建;
2)当异质多区域出现外凸装配和相邻装配情况,对多区域轮廓点云进行平均曲率估算,将总体平滑的区域作为封闭(closed)区域,其余有突变特征区域作为开口(open)区域;当远离开口区域点集时,开口表面以边界点集的法线垂直方向延伸至封闭区域表面,利用隐式曲面具有CSG(Constructive Solid Geometry)布尔操作特性,取f1(x)=0和f2(x)=0两个边界曲面的交集线作为开口表面延伸的截止位置,使得包含多材料域的结构能够连续表达,实现具有共用分界面的非流形(non-manifold)装配。
有益效果:本发明与现有技术相比,其显著优点是:本发明提出的一种基于异质多区域CT扫描数据处理的曲面重建系统,解决现有技术不能有效表达整个异质多区域模型问题,可以避免在多区域的交界面产生间隙和重叠现象,完成异质多区域隐式曲面精准重建,满足了数据的传输、曲面绘制和人机交互的需求。
附图说明
图1是本发明的系统流程示意图;
图2是多相隐式函数进行曲面重建的二维示意图;
图3是本发明的系统功能结构图。
具体实施方式
图1是一种基于异质多区域CT扫描数据处理的曲面重建系统流程图,如图所示:本实施例包括如下步骤:
步骤1:首先用模糊聚类获取CT图像多区域目标粗分割结果,然后用粗分割结果定义多相水平集模型的初始水平集函数对图像做精分割。具体步骤如下:明确CT图像中所含目标数,用模糊C-均值聚类模型对图像作粗分割:模糊C-均值聚类将CT图像像素分为c个类:
其中uij为像素xj隶属于第i类的隶属度函数,vi为第i类的类中心,l为模糊度控制参数。每个像素的隶属度函数u1j,u2j,...,ucj,根据目标数设定水平集函数的相数,从而明确相应的能量函数,确定多相水平集模型的初始水平集函数,进行迭代自动分割,当满足零水平集稳定,则零水平集曲线即为迭代后分割区域的边缘。
步骤2:最终将轮廓边缘、细化、轮廓追踪,获取单像素封闭的二维轮廓,形成异质多区域结构的二维轮廓数据集。
步骤3:依次提取每层含有多个区域对象的轮廓像素空间位置pi(x,y,z),得到含有多个区域对象的三维点云点云使用k-邻域查询,pj是k-邻域中的点,为k-邻域的质心。引入高斯加权的协方差矩阵计算点云法矢,对以下的高斯加权的协方差矩阵C作特征值分解,表达式如下:其中Gj=exp(-dj 2/μ2),式中:Gj是高斯函数,dj是点pi到其k-邻域中任一点pj的距离,μ是点pi到其k-邻域中所有点的平均距离,该协方差矩阵的最小特征值λ1对应的单位特征向量即为点pi的单位法矢ni。
步骤4:使用空间的递归八叉树把多区域点云数据P分解为n个局部子单元,在每个局部子单元上建立局部拟合函数Li(x)=xTAx+bTx+c,其中A是3×3对称矩阵,b是空间向量,c为常系数,通过加权函数wi(x)将局部拟合函数Li(x)在欧式空间Ω中进行叠加形成完整隐式曲面为了解决单一的隐式函数f(x)不能有效表达整个异质多区域模型问题,以及避免在多区域的交界面产生间隙和重叠现象,建立异质多区域隐式曲面设计规则,使用多相隐式函数fi(x)表达异质多区域对象,如图2所示,异质多区域隐式曲面设计规则具体如下:
1)当异质多区域为包含装配情况,直接使用多相隐式函数fi(x)进行重建,如图2(a)所示,使用f1(x)=0和f2(x)=0两个隐式函数进行曲面重建;
2)当异质多区域出现外凸装配和相邻装配情况,对多区域轮廓点云进行平均曲率估算,将总体平滑的区域作为封闭(closed)区域,其余有突变特征区域作为开口(open)区域。当远离开口区域点集时,开口表面以边界点集的法线垂直方向延伸至封闭区域表面,利用隐式曲面具有CSG(Constructive Solid Geometry)布尔操作特性,取f1(x)=0和f2(x)=0两个边界曲面的交集线作为开口表面延伸的截止位置,使得包含多材料域的结构能够连续表达,实现具有共用分界面的非流形(non-manifold)装配。注:当异质区域多于图示中的区域数量(>3)或者为复合装配关系时,以上规则同样适用。
其中,图2为多相隐式函数f1(x)和f2(x)进行曲面重建的二维示意图,(a)列图片为包含装配,1和2区域的曲面表达正确,1和2区域的交界面使用f1(x)=0表达;(b)列图为外凸装配,将1区域作封闭区域,2区域由于含有尖锐特征作为开口区域,两个区域交界处共面;(c)列图和(d)列图均为相邻装配关系,按照规则2)实现具有共用分界面的非流形装配。
本发明能够有效表达整个异质多区域模型,可以避免在多区域的交界面产生间隙和重叠现象,完成异质多区域隐式曲面精准重建,实现了数据的传输、曲面绘制和人机交互,图3是本发明的系统功能结构图。
以上所揭露的仅为本发明一种较佳实施例而已,不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (7)
1.一种基于异质多区域CT扫描数据处理的曲面重建系统,其特征在于,包括数据输入单元、数据处理单元、曲面重建单元;所述的数据处理单元包括图像预处理单元、点云预处理单元;
其中,图像预处理单元对数据输入单元输入的图像信息进行处理形成对应的多个区域对象轮廓并输出多个区域对象的二维轮廓数据集,点云预处理单元对输入的多个区域对象的二维轮廓数据集进行处理并输出带有法矢的三维点云,曲面重建单元依据输入的带有法矢的三维点云进行多相隐式曲面重建。
2.如权利要求1所述的基于异质多区域CT扫描数据处理的曲面重建系统,其特征在于,数据输入单元用于CT序列图像的输入。
3.如权利要求1所述的基于异质多区域CT扫描数据处理的曲面重建系统,其特征在于,数据处理单元中的图像预处理单元则首先采用模糊聚类获取CT图像多个目标对象的粗分割结果,然后用粗分割结果定义多相水平集模型的初始水平集函数对图像进行精分割;抽取精分割后多个区域对象的轮廓边缘、并进行细化、轮廓追踪,从而获取单像素封闭的二维轮廓,形成含有多个区域对象的二维轮廓数据集。
5.如权利要求1所述的基于异质多区域CT扫描数据处理的曲面重建系统,其特征在于,点云预处理单元包括依次提取每层含有多个区域对象的轮廓像素空间位置,得到含有多个区域对象的三维点云数据;计算含有多个区域对象的三维点云的法矢量。
7.如权利要求6所述的基于异质多区域CT扫描数据处理的曲面重建系统,其特征在于,曲面重建单元包括建立异质多区域隐式曲面设计规则,使用多相隐式函数表达异质多区域对象,通过局部拟合及加权叠加依次重构不同的隐式曲面,
其中:使用空间的递归八叉树把多区域点云数据P分解为n个局部子单元,在每个局部子单元上建立局部拟合函数Li(x)=xTAx+bTx+c,其中A是3×3对称矩阵,b是空间向量,c为常系数,通过加权函数wi(x)将局部拟合函数Li(x)在欧式空间Ω中进行叠加形成完整隐式曲面
建立异质多区域隐式曲面设计规则,使用多相隐式函数fi(x)表达异质多区域对象,
异质多区域隐式曲面设计规则如下:
1)当异质多区域为包含装配情况,直接使用多相隐式函数fi(x)进行重建,使用f1(x)=0和f2(x)=0两个隐式函数进行曲面重建;
2)当异质多区域出现外凸装配和相邻装配情况,对多区域轮廓点云进行平均曲率估算,将总体平滑的区域作为封闭(closed)区域,其余有突变特征区域作为开口(open)区域;当远离开口区域点集时,开口表面以边界点集的法线垂直方向延伸至封闭区域表面,利用隐式曲面具有CSG(Constructive Solid Geometry)布尔操作特性,取f1(x)=0和f2(x)=0两个边界曲面的交集线作为开口表面延伸的截止位置,使得包含多材料域的结构能够连续表达,实现具有共用分界面的非流形(non-manifold)装配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011578849.9A CN112686916B (zh) | 2020-12-28 | 2020-12-28 | 一种基于异质多区域ct扫描数据处理的曲面重建系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011578849.9A CN112686916B (zh) | 2020-12-28 | 2020-12-28 | 一种基于异质多区域ct扫描数据处理的曲面重建系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686916A true CN112686916A (zh) | 2021-04-20 |
CN112686916B CN112686916B (zh) | 2024-04-05 |
Family
ID=75452652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011578849.9A Active CN112686916B (zh) | 2020-12-28 | 2020-12-28 | 一种基于异质多区域ct扫描数据处理的曲面重建系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686916B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528727A (zh) * | 2022-01-12 | 2022-05-24 | 淮阴工学院 | 一种清管器皮碗在管道中变形测量方法和介质 |
CN117438056A (zh) * | 2023-12-20 | 2024-01-23 | 达州市中心医院(达州市人民医院) | 用于消化内镜影像数据的编辑筛选与存储控制方法和系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103353987A (zh) * | 2013-06-14 | 2013-10-16 | 山东大学 | 一种基于模糊理论的超像素分割方法 |
CN103366379A (zh) * | 2013-07-29 | 2013-10-23 | 江苏中惠医疗科技股份有限公司 | 基于遗传核模糊聚类的水平集医学图像分割方法 |
CN104061907A (zh) * | 2014-07-16 | 2014-09-24 | 中南大学 | 基于步态三维轮廓匹配合成的视角大幅可变步态识别方法 |
CN104616308A (zh) * | 2015-02-12 | 2015-05-13 | 大连民族学院 | 一种基于核模糊聚类的多尺度水平集图像分割方法 |
US20160227181A1 (en) * | 2013-08-31 | 2016-08-04 | Dacuda Ag | User feedback for real-time checking and improving quality of scanned image |
CN106023224A (zh) * | 2016-05-30 | 2016-10-12 | 天水师范学院 | 一种中药材显微图像的pcnn自动分割方法 |
CN106600683A (zh) * | 2016-11-28 | 2017-04-26 | 淮阴工学院 | 一种面向骨骼ct序列图像的网格模型自适应重建方法 |
CN106780509A (zh) * | 2016-12-01 | 2017-05-31 | 山东交通学院 | 融合多维特征的建筑物点云层次聚类分割方法 |
CN107154047A (zh) * | 2017-04-24 | 2017-09-12 | 天津大学 | 多模式脑肿瘤图像混合分割方法和装置 |
CN110009743A (zh) * | 2019-02-22 | 2019-07-12 | 南京航空航天大学 | 一种场景理解的网格曲面重建方法 |
CN110009671A (zh) * | 2019-02-22 | 2019-07-12 | 南京航空航天大学 | 一种场景理解的网格曲面重建系统 |
US20190231220A1 (en) * | 2017-11-27 | 2019-08-01 | Optecks, Llc | Medical Three-Dimensional (3D) Scanning and Mapping System |
CN110223377A (zh) * | 2019-05-28 | 2019-09-10 | 上海工程技术大学 | 一种基于立体视觉系统高精度的三维重建方法 |
CN112686909A (zh) * | 2020-12-28 | 2021-04-20 | 淮阴工学院 | 基于异质多区域ct扫描数据处理的多相隐式曲面重建方法 |
-
2020
- 2020-12-28 CN CN202011578849.9A patent/CN112686916B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103353987A (zh) * | 2013-06-14 | 2013-10-16 | 山东大学 | 一种基于模糊理论的超像素分割方法 |
CN103366379A (zh) * | 2013-07-29 | 2013-10-23 | 江苏中惠医疗科技股份有限公司 | 基于遗传核模糊聚类的水平集医学图像分割方法 |
US20160227181A1 (en) * | 2013-08-31 | 2016-08-04 | Dacuda Ag | User feedback for real-time checking and improving quality of scanned image |
CN104061907A (zh) * | 2014-07-16 | 2014-09-24 | 中南大学 | 基于步态三维轮廓匹配合成的视角大幅可变步态识别方法 |
CN104616308A (zh) * | 2015-02-12 | 2015-05-13 | 大连民族学院 | 一种基于核模糊聚类的多尺度水平集图像分割方法 |
CN106023224A (zh) * | 2016-05-30 | 2016-10-12 | 天水师范学院 | 一种中药材显微图像的pcnn自动分割方法 |
CN106600683A (zh) * | 2016-11-28 | 2017-04-26 | 淮阴工学院 | 一种面向骨骼ct序列图像的网格模型自适应重建方法 |
CN106780509A (zh) * | 2016-12-01 | 2017-05-31 | 山东交通学院 | 融合多维特征的建筑物点云层次聚类分割方法 |
CN107154047A (zh) * | 2017-04-24 | 2017-09-12 | 天津大学 | 多模式脑肿瘤图像混合分割方法和装置 |
US20190231220A1 (en) * | 2017-11-27 | 2019-08-01 | Optecks, Llc | Medical Three-Dimensional (3D) Scanning and Mapping System |
CN110009743A (zh) * | 2019-02-22 | 2019-07-12 | 南京航空航天大学 | 一种场景理解的网格曲面重建方法 |
CN110009671A (zh) * | 2019-02-22 | 2019-07-12 | 南京航空航天大学 | 一种场景理解的网格曲面重建系统 |
CN110223377A (zh) * | 2019-05-28 | 2019-09-10 | 上海工程技术大学 | 一种基于立体视觉系统高精度的三维重建方法 |
CN112686909A (zh) * | 2020-12-28 | 2021-04-20 | 淮阴工学院 | 基于异质多区域ct扫描数据处理的多相隐式曲面重建方法 |
Non-Patent Citations (6)
Title |
---|
DOUGLAS KURRANT; JEREMIE BOURQUI; ELISE FEAR: ""Techniques for breast surface reconstruction with applications"", 《2016 17TH INTERNATIONAL SYMPOSIUM ON ANTENNA TECHNOLOGY AND APPLIED ELECTROMAGNETICS (ANTEM)》, 31 December 2016 (2016-12-31) * |
侯晓凡;吴成茂;: "新的鲁棒模糊C-均值聚类分割算法及其应用", 计算机应用研究, no. 02, 31 December 2016 (2016-12-31) * |
刘大诚;史立伟;: "离散点的隐式曲面重建算法研究", 机械设计与制造, no. 12, 8 December 2014 (2014-12-08) * |
徐利敏;吴刚;: "点云数据集的隐式曲面重构研究进展", 计算机科学, no. 2, 15 November 2017 (2017-11-15) * |
杨军;诸昌钤;: "带噪声的点云数据的隐式曲面重建算法", 西南交通大学学报, no. 01, 15 February 2008 (2008-02-15) * |
袁红星;吴少群;朱仁祥;诸葛霞;: "散乱点云数据的高阶平滑隐式曲面重建", 计算机应用研究, no. 05, 15 May 2013 (2013-05-15) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528727A (zh) * | 2022-01-12 | 2022-05-24 | 淮阴工学院 | 一种清管器皮碗在管道中变形测量方法和介质 |
CN114528727B (zh) * | 2022-01-12 | 2023-12-01 | 淮阴工学院 | 一种清管器皮碗在管道中变形测量方法和介质 |
CN117438056A (zh) * | 2023-12-20 | 2024-01-23 | 达州市中心医院(达州市人民医院) | 用于消化内镜影像数据的编辑筛选与存储控制方法和系统 |
CN117438056B (zh) * | 2023-12-20 | 2024-03-12 | 达州市中心医院(达州市人民医院) | 用于消化内镜影像数据的编辑筛选与存储控制方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112686916B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112686909B (zh) | 基于异质多区域ct扫描数据处理的多相隐式曲面重建方法 | |
CN108898606B (zh) | 医学图像的自动分割方法、系统、设备及存储介质 | |
CN113178009B (zh) | 一种利用点云分割和网格修补的室内三维重建方法 | |
CN109166133A (zh) | 基于关键点检测和深度学习的软组织器官图像分割方法 | |
Jin et al. | Left atrial appendage segmentation using fully convolutional neural networks and modified three-dimensional conditional random fields | |
CN111696210A (zh) | 一种基于三维点云数据特征轻量化的点云重构方法及系统 | |
CN109903396A (zh) | 一种基于曲面参数化的牙齿三维模型自动分割方法 | |
US11295522B2 (en) | Three-dimensional (3D) model creation and incremental model refinement from laser scans | |
CN110555857A (zh) | 一种语义边缘主导的高分遥感影像分割方法 | |
CN112686916B (zh) | 一种基于异质多区域ct扫描数据处理的曲面重建系统 | |
CN113570627B (zh) | 深度学习分割网络的训练方法及医学图像分割方法 | |
CN111583408B (zh) | 基于手绘草图的人体三维建模系统 | |
CN111028335B (zh) | 一种基于深度学习的点云数据的分块面片重建方法 | |
Wu et al. | Skeleton extraction of 3d objects with visible repulsive force | |
CN116958420A (zh) | 一种数字人教师三维人脸的高精度建模方法 | |
CN115661367B (zh) | 基于照片采集的动态混合变形的建模方法及系统 | |
CN117036600A (zh) | 一种基于ToF相机与毫米波雷达融合的人体建模系统及方法 | |
Bhardwaj et al. | SingleSketch2Mesh: generating 3D mesh model from sketch | |
Duan et al. | Intelligent balloon: a subdivision-based deformable model for surface reconstruction of arbitrary topology | |
CN107356968B (zh) | 基于crease的三维水平集断层曲面自动提取方法 | |
N’guyen et al. | Efficient boundary surface reconstruction from multi-label volumetric data with mathematical morphology | |
Bredno et al. | General finite element model for segmentation in 2, 3, and 4 dimensions | |
Brett et al. | A Method of 3D Surface Correspondence for Automated Landmark Generation. | |
Wang et al. | Analysis of medical image segmentation | |
Sołtysiński | Bayesian constrained spectral method for segmentation of noisy medical images. Theory and applications |
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 |