CN116523982B - 基于相似度兼容性度量的稀疏点云配准方法及装置 - Google Patents
基于相似度兼容性度量的稀疏点云配准方法及装置 Download PDFInfo
- Publication number
- CN116523982B CN116523982B CN202310537539.XA CN202310537539A CN116523982B CN 116523982 B CN116523982 B CN 116523982B CN 202310537539 A CN202310537539 A CN 202310537539A CN 116523982 B CN116523982 B CN 116523982B
- Authority
- CN
- China
- Prior art keywords
- registration
- point set
- points
- determining
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005259 measurement Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 68
- 238000013136 deep learning model Methods 0.000 claims abstract description 5
- 238000003860 storage Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 7
- 230000002829 reductive effect Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 210000000629 knee joint Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06V10/513—Sparse representations
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (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)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于相似度兼容性度量的稀疏点云配准方法及装置,方法包括:获取第一配准点集和第二配准点集,第一配准点集和第二配准点集是在不同配准阶段得到的;基于深度学习模型对第一配准点集和第二配准点集进行粗配准,得到粗配准点集;确定粗配准点集中满足相似度关系的第一目标特征点集,并基于第一目标特征点集确定目标配准矩阵;基于目标配准矩阵,确定第一配准点集中的多个配准点和第二配准点集中的多个配准点之间的对应关系。该方法通过目标配准矩阵可以准确地得到第一配准点集中的多个配准点和第二配准点集中的多个配准点之间的对应关系,使得配准结果更加准确,提高了配准结果的准确性,降低了配准操作的难度,提高了使用体验。
Description
技术领域
本发明涉及医疗领域,尤其涉及一种基于相似度兼容性度量的稀疏点云配准方法及装置。
背景技术
随着医学技术的不断发展,出现了越来越多的手术工具辅助医生进行手术,尤其是随着手术机器人的出现,给医生带来了很大的便利。
例如,随着手术机器人进行膝关节手术的普及,对髋关节术前与术中的配准精度的要求越来越高。但是,由于膝关节病变的多样性,如骨折、股骨头坏死、关节炎等,造成膝关节配准的误差存在较大的不确定性。同时,因为膝关节配准过程中配准点的个数较少(即稀疏点云),因此配准难度较传统的点云配准更高,造成了极大的挑战。
因此,如何解决上述问题,是需要考虑的。
发明内容
本发明提供一种基于相似度兼容性度量的稀疏点云配准方法及装置,用以解决上述问题。
本发明的第一方面,提供了一种基于相似度兼容性度量的稀疏点云配准方法,包括:
获取第一配准点集和第二配准点集,所述第一配准点集和所述第二配准点集是在不同配准阶段得到的;
基于深度学习模型对所述第一配准点集和所述第二配准点集进行粗配准,得到粗配准点集;
确定所述粗配准点集中满足相似度关系的第一目标特征点集,并基于所述第一目标特征点集确定目标配准矩阵;
基于所述目标配准矩阵,确定所述第一配准点集中的多个配准点和所述第二配准点集中的多个配准点之间的对应关系。
可选地,所述确定所述粗配准点集中满足相似度关系的第一目标特征点集,包括:
确定所述粗配准点集中每个特征点与其它特征点的第一距离值,若所述第一距离值小于第一预设距离值,则确定该特征点为内点,否则确定该特征点为外点;
基于多个内点,确定满足相似度关系的第一目标特征点集。
可选地,所述基于多个内点,确定满足相似度关系的第一目标特征点集,包括:
确定所述多个内点中的每个内点与其它内点的第二距离值;
若所述第二距离值小于第二预设距离值,则确定该点为满足相似度关系的第一目标特征点集中的内点,否则确定该点为外点;
其中,所述第二距离值小于所述第一距离值,所述第二预设距离值小于所述第一预设距离值。
可选地,所述基于所述第一目标特征点集确定目标配准矩阵,包括:
基于随机采样一致性RANSAC算法,去除所述第一目标特征点集中的异常点,得到第二目标特征点集;
基于所述第二目标特征点集,确定目标配准矩阵;
其中,在所述第二目标特征点集中,属于所述第一配准点集的内点数量与属于所述第二配准点集的内点数量相同。
可选地,所述目标配准矩阵基于以下方式计算得到:
确定在所述第二目标特征点集中,属于所述第一配准点集的多个内点的第一内点点集中心和属于所述第二配准点集的多个内点的第二内点点集中心;
基于所述第一内点点集中心与属于所述第一配准点集中的多个内点确定的第一距离,以及所述第二内点点集中心与属于所述第二配准点集中的多个内点确定的第二距离,确定所述目标配准矩阵的旋转部分和平移部分;
基于所述旋转部分和所述平移部分,得到所述目标配准矩阵。
可选地,所述确定所述第一配准点集中的多个配准点和所述第二配准点集中的多个配准点之间的对应关系,包括:
基于所述第一配准点集中的多个配准点与所述目标配准矩阵的乘积,得到与所述第二配准点集中对应的多个配准点;或者,
基于所述第二配准点集中的多个配准点与所述目标配准矩阵的逆矩阵的乘积,得到与所述第一配准点集中对应的多个配准点。
可选地,所述在确定所述第一配准点集中的多个配准点和所述第二配准点集中的多个配准点之间的对应关系之前,所述方法还包括:
基于ICP算法对所述目标配准矩阵进行调整,在调整精度达到预设精度值或者调整次数达到预设次数时,停止对所述目标配准矩阵的调整。
本发明的第二方面,提供了一种基于相似度兼容性度量的稀疏点云配准装置,包括:
获取模块,用于获取第一配准点集和第二配准点集,所述第一配准点集和所述第二配准点集是在不同配准阶段得到的;
配准模块,用于基于深度学习模型对所述第一配准点集和所述第二配准点集进行粗配准,得到粗配准点集;
确定模块,用于确定所述粗配准点集中满足相似度关系的第一目标特征点集,并基于所述第一目标特征点集确定目标配准矩阵;
确定模块,还用于基于所述目标配准矩阵,确定所述第一配准点集中的多个配准点和所述第二配准点集中的多个配准点之间的对应关系。
本发明的第三方面,提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的基于相似度兼容性度量的稀疏点云配准方法。
本发明的第四方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于相似度兼容性度量的稀疏点云配准方法。
本发明的上述技术方案至少具有如下有益效果:
本发明提供的基于相似度兼容性度量的稀疏点云配准方法,通过将第一配准点集和第二配准点集进行粗配准,可以初步剔除配准误差较大的点,从而使得到的粗配准点集中的配准点相对准确。进一步的,通过确定出粗配准点集中的满足相似度关系的特征点,其配准结果比较接近,即配准效果比较理想。通过这些确定出的比较准确的特征点构成的第一目标特征点集,得到的目标配准矩阵也更加准确。进而,通过该目标配准矩阵可以准确地得到第一配准点集中的多个配准点和第二配准点集中的多个配准点之间的对应关系,使得配准结果更加准确,提高了配准结果的准确性,降低了配准操作的难度,提高了操作人员的使用体验。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明提供的一种基于相似度兼容性度量的稀疏点云配准方法的流程示意图;
图2为本发明提供的一种基于相似度兼容性度量的稀疏点云配准装置的模块示意图;
图3为本发明提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
参阅图1,为本发明提供的一种基于相似度兼容性度量的稀疏点云配准方法的流程示意图。所述基于相似度兼容性度量的稀疏点云配准方法,包括以下步骤:
S11:获取第一配准点集和第二配准点集,所述第一配准点集和所述第二配准点集是在不同配准阶段得到的。
需要说明的是,该第一配准点集也可以称之为术前配准点集,即第一配准点集中的多个配准点是在术前阶段得到的。第二配准点集也可以称之为术中配准点集,即第二配准点集中的多个配准点是在术中阶段得到的。
可选的,第一配准点集也可以是术中配准点集,第二配准点集也可以是术前配准点集。
S12:基于深度学习模型对所述第一配准点集和所述第二配准点集进行粗配准,得到粗配准点集。
需要说明的是,进行粗配准,可以使用3DSC、PFH、FPFH、NDT、ICP以及4PCS等算法或是几种算法的各种改进算法,此部分并不进行限制。进行粗配准主要是得到第一配准点集中的配准点和第二配准点集中的配准点的基本范围或是大体区域。
S13:确定所述粗配准点集中满足相似度关系的第一目标特征点集,并基于所述第一目标特征点集确定目标配准矩阵。
需要说明的是,满足相似度关系的特征点,其配准结果比较接近,即配准效果比较理想。通过这些确定出的比较准确的特征点构成的第一目标特征点集,得到的目标配准矩阵也更加准确。
S14:基于所述目标配准矩阵,确定所述第一配准点集中的多个配准点和所述第二配准点集中的多个配准点之间的对应关系。
本发明提供的基于相似度兼容性度量的稀疏点云配准方法,通过将第一配准点集和第二配准点集进行粗配准,可以初步剔除配准误差较大的点,从而使得到的粗配准点集中的配准点相对准确。进一步的,通过确定出粗配准点集中的满足相似度关系的特征点,其配准结果比较接近,即配准效果比较理想。通过这些确定出的比较准确的特征点构成的第一目标特征点集,得到的目标配准矩阵也更加准确。进而,通过该目标配准矩阵可以准确地得到第一配准点集中的多个配准点和第二配准点集中的多个配准点之间的对应关系,使得配准结果更加准确,提高了配准结果的准确性,降低了配准操作的难度,提高了操作人员的使用体验。
示例的,所述确定所述粗配准点集中满足相似度关系的第一目标特征点集,包括:
确定所述粗配准点集中每个特征点与其它特征点的第一距离值,若所述第一距离值小于第一预设距离值,则确定该特征点为内点,否则确定该特征点为外点;
基于多个内点,确定满足相似度关系的第一目标特征点集。
需要说明的是,通过确定每个特征点与其它特征点的第一距离值,可以确定该特征点是否为满足预设要求的点,即在第一距离值小于第一预设距离值,则确定该特征点为内点,否则确定该特征点为外点。内点为满足预设要求的点,外点则为异常点,偏差较大,不满足预设要求。
可选地,该第一预设距离值例如可以是4mm。基于确定出的多个满足预设要求的内点,得到的第一目标特征点集中的每个配准特征点也更加准确。
示例的,所述基于多个内点,确定满足相似度关系的第一目标特征点集,包括:
确定所述多个内点中的每个内点与其它内点的第二距离值;
若所述第二距离值小于第二预设距离值,则确定该点为满足相似度关系的第一目标特征点集中的内点,否则确定该点为外点;
其中,所述第二距离值小于所述第一距离值,所述第二预设距离值小于所述第一预设距离值。
需要说明的是,第一目标特征点集中的内点,在经过初步筛选后,其准确性得到了提高。但为了使配准结果更加准确,需要对第一目标特征点集中的内点再次进行筛选。故进一步确定所述多个内点中的每个内点与其它内点的第二距离值。可选地,第二预设距离值例如可以是2mm。
通过第二距离值与第二预设距离值的判断,可以进一步准确地得到满足相似度关系的多个内点。满足该预设关系的内点,则在第一目标特征点集中保留,不满足该预设关系的点,则从第一目标特征点集中剔除,从而使得到的第一目标特征点集中的每个内点更加准确,配准效果也更加理想。
示例的,所述基于所述第一目标特征点集确定目标配准矩阵,包括:
基于随机采样一致性RANSAC算法,去除所述第一目标特征点集中的异常点,得到第二目标特征点集;
基于所述第二目标特征点集,确定目标配准矩阵;
其中,在所述第二目标特征点集中,属于所述第一配准点集的内点数量与属于所述第二配准点集的内点数量相同。
需要说明的是,在经过第二距离与第二预设距离的判断之后,虽然得到了较为准确的第一目标特征点集,但第一目标特征点集中的属于第一配准点集中的内点数量与属于第二配准点集中的内点数量可能不相同,如此,也会导致配准出现偏差。为了进一步提高目标配准矩阵的准确性,因此,采用RANSAC算法去除第一目标特征点集中的异常点,以使属于所述第一配准点集的内点数量与属于所述第二配准点集的内点数量相同。在二者数量相同的情况下,即属于所述第一配准点集的内点与属于所述第二配准点集的内点是一一对应的,其配准效果更加准确。
示例的,所述目标配准矩阵基于以下方式计算得到:
确定在所述第二目标特征点集中,属于所述第一配准点集的多个内点的第一内点点集中心和属于所述第二配准点集的多个内点的第二内点点集中心;
基于所述第一内点点集中心与属于所述第一配准点集中的多个内点确定的第一距离,以及所述第二内点点集中心与属于所述第二配准点集中的多个内点确定的第二距离,确定所述目标配准矩阵的旋转部分和平移部分;
基于所述旋转部分和所述平移部分,得到所述目标配准矩阵。
具体的,所述第一内点点集中心和所述第二内点点集中心分别通过以下方式计算得到:
其中,表示第一内点点集中心,/>表示第二内点点集中心。/>为第一配准点集中的第i个点,/>为第二配准点集中的第i个点。
计算第一配准点集中的每个内点与第一内点点集中心的距离以及计算第二配准点集中的每个内点与第二内点点集中心的距离,即:
其中,/>为第一配准点集/>中的每个内点到第一内点点集中心/>的距离,/>为第二配准点集/>中的每个内点到第二内点点集中心/>的距离。
可选地,定义最优目标函数E,在最优目标函数E为零时,确定出目标配准矩阵的旋转部分和平移部分。
具体的,
其中,R表示目标配准矩阵的旋转部分,T表示目标配准矩阵的平移部分。在E为零时,则可以代入数值计算得到旋转部分R和平移部分T。
在得到目标配准矩阵之后,既可以基于第一配准点集中的配准点配准得到第二配准点集中的配准点,也可以基于第二配准点集中的配准点配准得到第一配准点集中的配准点。
示例的,所述确定所述第一配准点集中的多个配准点和所述第二配准点集中的多个配准点之间的对应关系,包括:
基于所述第一配准点集中的多个配准点与所述目标配准矩阵的乘积,得到与所述第二配准点集中对应的多个配准点;或者,
基于所述第二配准点集中的多个配准点与所述目标配准矩阵的逆矩阵的乘积,得到与所述第一配准点集中对应的多个配准点。
示例的,所述在确定所述第一配准点集中的多个配准点和所述第二配准点集中的多个配准点之间的对应关系之前,所述方法还包括:
基于ICP算法对所述目标配准矩阵进行调整,在调整精度达到预设精度值或者调整次数达到预设次数时,停止对所述目标配准矩阵的调整。
需要说明的是,为了保障配准精度,在以上目标配准矩阵的基础上,需要再次对目标配准矩阵进行微调。其中,微调过程采用point-plant ICP的方式,即点到曲面的ICP算法。曲面部分并非是由第一配准点集中的配准点或是第二配准点集中的配准点组成的平面,而是根据患者的CT或是MRI影响分割出来的股骨部分作为曲面。
接下来,结合上文,再次对相似度进行阐述。
相似度的计算主要是计算内点与内点之间的平均距离与内点与外点之间的平均距离。通过计算内点与内点的相似度与内点与外点的相似度的模糊概率完成点云的采样的兼容性度量,从而准确得到两片稀疏点云的内点与外点。
通过定义一个模糊性事件的概率来分析点云采样的度量的有效性,假设概率计算的公式如下所示:
P(S)=P(Sin,out>Sin,in) (1)
其中,P(S)是事件S发生的概率,Sin,out表示内点与外点的相似度,Sin,in表示内点与内点的相似度。当Sin,out>Sin,in时,外点就会无限接近于内点,这就说明此时度量的点云采样不稳定,只有P(S)值越小则度量采样越稳定,则选取的内点、外点也会更准确。
本方法使用的一阶兼容性度量(Cij)对内点、外点进行选择。其具体计算公式如下所示:
Cij=φ(dij),dij=|d(xi,xj)-d(yi,yj)| (2)
其中,φ(·)为单调递减函数,dij为点云匹配对之间的距离差,(xi,xj)为术前点,(yi,yj)为术中点。
理论上,一组完全匹配的内点的距离差din,in大小为0,但是,由于术中点与术前点是无法准确对应的,并且术中点在采集过程中可能出现异常点,因此内点距离差一定大于0,它只可能小于一个规定的距离差阈值,该距离差阈值例如可以是10mm,可定义为din_thr。
在实际的内点分布中,从概率的角度看,内点距离差din,in在0到din_thr中可以认为是均匀分布的,则我们很容易得到内点对应的概率密度函数PDin,in,具体计算如下所示:
PDin,in(l)=1/din_thr,0≤l≤din_thr (3)
由于,理论上内点只跟内点相关,因此外点相对与内点而言是随机分布的,并且两个外点之间和内点与外点之间是没有相关性的。对于没有相关性的点的距离差通常认为是恒等分布(也称为同分布)的,因此他们的概率密度函数如下所示:
PDin,out(l)=IDF(l);0≤l≤dout_thr;
PDout,out(l)=IDF(l);0≤l≤dout_thr (4)
其中,PDin,out(·)为内点与外点的分布的概率密度,PDout,out(·)为外点与外点的分布的概率密度,IDF(·)为恒等分布函数,dout_thr为内点与外点或外点与外点的最大变化范围,可选地,该最大变化范围值可以是20mm。值得注意的是,由于外点的随机性,因此dout_thr远远大于din_thr。
由于dout_thr远远大于din_thr,因此本方法近似认为IDF(·)在(0,din_thr)之间是不变的,假设其大小近似于idf0,例如为0.01。
根据公式(2)(3)(4),我们可以计算兼容性模糊概率,通过兼容性模糊概率来确定某个配准点属于内点还是外点,具体如下所示:
在进行内点与外点的筛选中,一般情况下,兼容性模糊概率一般设为0.1。即在p值小于0.1时确认某个配准点为内点,在p值大于或等于0.1时,确认该配准点为外点。
接下来参见图2,为本发明提供的一种基于相似度兼容性度量的稀疏点云配准装置的模块示意图。基于与上述基于相似度兼容性度量的稀疏点云配准方法相同的技术构思,本发明提供了一种基于相似度兼容性度量的稀疏点云配准装置,该稀疏点云配准装置与上述方法所起的作用相同,在此不再进行赘述。
该基于相似度兼容性度量的稀疏点云配准装置,包括:
获取模块21,用于获取第一配准点集和第二配准点集,所述第一配准点集和所述第二配准点集是在不同配准阶段得到的;
配准模块22,用于基于深度学习模型对所述第一配准点集和所述第二配准点集进行粗配准,得到粗配准点集;
确定模块23,用于确定所述粗配准点集中满足相似度关系的第一目标特征点集,并基于所述第一目标特征点集确定目标配准矩阵;
确定模块23,还用于基于所述目标配准矩阵,确定所述第一配准点集中的多个配准点和所述第二配准点集中的多个配准点之间的对应关系。
可选地,所述确定模块23,在确定所述粗配准点集中满足相似度关系的第一目标特征点集时,具体用于:
确定所述粗配准点集中每个特征点与其它特征点的第一距离值,若所述第一距离值小于第一预设距离值,则确定该特征点为内点,否则确定该特征点为外点;
基于多个内点,确定满足相似度关系的第一目标特征点集。
可选地,所述确定模块23,在基于多个内点,确定满足相似度关系的第一目标特征点集时,具体用于:
确定所述多个内点中的每个内点与其它内点的第二距离值;
若所述第二距离值小于第二预设距离值,则确定该点为满足相似度关系的第一目标特征点集中的内点,否则确定该点为外点;
其中,所述第二距离值小于所述第一距离值,所述第二预设距离值小于所述第一预设距离值。
可选地,所述确定模块23,在基于所述第一目标特征点集确定目标配准矩阵时,具体用于:
基于随机采样一致性RANSAC算法,去除所述第一目标特征点集中的异常点,得到第二目标特征点集;
基于所述第二目标特征点集,确定目标配准矩阵;
其中,在所述第二目标特征点集中,属于所述第一配准点集的内点数量与属于所述第二配准点集的内点数量相同。
可选地,所述目标配准矩阵基于以下方式计算得到:
确定在所述第二目标特征点集中,属于所述第一配准点集的多个内点的第一内点点集中心和属于所述第二配准点集的多个内点的第二内点点集中心;
基于所述第一内点点集中心与属于所述第一配准点集中的多个内点确定的第一距离,以及所述第二内点点集中心与属于所述第二配准点集中的多个内点确定的第二距离,确定所述目标配准矩阵的旋转部分和平移部分;
基于所述旋转部分和所述平移部分,得到所述目标配准矩阵。
可选地,所述确定模块23,在确定所述第一配准点集中的多个配准点和所述第二配准点集中的多个配准点之间的对应关系时,具体用于:
基于所述第一配准点集中的多个配准点与所述目标配准矩阵的乘积,得到与所述第二配准点集中对应的多个配准点;或者,
基于所述第二配准点集中的多个配准点与所述目标配准矩阵的逆矩阵的乘积,得到与所述第一配准点集中对应的多个配准点。
可选地,所述确定模块23,在确定所述第一配准点集中的多个配准点和所述第二配准点集中的多个配准点之间的对应关系之前,还用于:
基于ICP算法对所述目标配准矩阵进行调整,在调整精度达到预设精度值或者调整次数达到预设次数时,停止对所述目标配准矩阵的调整。
接下来参见图3,本发明的另一方面提供了一种电子设备的结构示意图。该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行上述各方法所提供的基于相似度兼容性度量的稀疏点云配准方法。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明的另一方面提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于相似度兼容性度量的稀疏点云配准方法。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
注意,除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方式可以有任何变形或修改。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,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公开各实施例技术方案的范围。
Claims (6)
1.一种基于相似度兼容性度量的稀疏点云配准方法,其特征在于,包括:
获取第一配准点集和第二配准点集,所述第一配准点集和所述第二配准点集是在不同配准阶段得到的;
基于深度学习模型对所述第一配准点集和所述第二配准点集进行粗配准,得到粗配准点集;
确定所述粗配准点集中满足相似度关系的第一目标特征点集,并基于所述第一目标特征点集确定目标配准矩阵;
基于所述目标配准矩阵,确定所述第一配准点集中的多个配准点和所述第二配准点集中的多个配准点之间的对应关系;
所述确定所述粗配准点集中满足相似度关系的第一目标特征点集,包括:
确定所述粗配准点集中每个特征点与其它特征点的第一距离值,若所述第一距离值小于第一预设距离值,则确定该特征点为内点,否则确定该特征点为外点;
确定多个内点中的每个内点与其它内点的第二距离值;
若所述第二距离值小于第二预设距离值,则确定该点为满足相似度关系的第一目标特征点集中的内点,否则确定该点为外点;
其中,所述第二距离值小于所述第一距离值,所述第二预设距离值小于所述第一预设距离值;
所述基于所述第一目标特征点集确定目标配准矩阵,包括:
基于随机采样一致性RANSAC算法,去除所述第一目标特征点集中的异常点,得到第二目标特征点集;
其中,在所述第二目标特征点集中,属于所述第一配准点集的内点数量与属于所述第二配准点集的内点数量相同;
确定在所述第二目标特征点集中,属于所述第一配准点集的多个内点的第一内点点集中心和属于所述第二配准点集的多个内点的第二内点点集中心;
基于所述第一内点点集中心与属于所述第一配准点集中的多个内点确定的第一距离,以及所述第二内点点集中心与属于所述第二配准点集中的多个内点确定的第二距离,确定所述目标配准矩阵的旋转部分和平移部分;
基于所述旋转部分和所述平移部分,得到所述目标配准矩阵。
2.根据权利要求1所述的基于相似度兼容性度量的稀疏点云配准方法,其特征在于,所述确定所述第一配准点集中的多个配准点和所述第二配准点集中的多个配准点之间的对应关系,包括:
基于所述第一配准点集中的多个配准点与所述目标配准矩阵的乘积,得到与所述第二配准点集中对应的多个配准点;或者,
基于所述第二配准点集中的多个配准点与所述目标配准矩阵的逆矩阵的乘积,得到与所述第一配准点集中对应的多个配准点。
3.根据权利要求1至2任一项所述的基于相似度兼容性度量的稀疏点云配准方法,其特征在于,在确定所述第一配准点集中的多个配准点和所述第二配准点集中的多个配准点之间的对应关系之前,所述方法还包括:
基于ICP算法对所述目标配准矩阵进行调整,在调整精度达到预设精度值或者调整次数达到预设次数时,停止对所述目标配准矩阵的调整。
4.一种基于相似度兼容性度量的稀疏点云配准装置,其特征在于,包括:
获取模块,用于获取第一配准点集和第二配准点集,所述第一配准点集和所述第二配准点集是在不同配准阶段得到的;
配准模块,用于基于深度学习模型对所述第一配准点集和所述第二配准点集进行粗配准,得到粗配准点集;
确定模块,用于确定所述粗配准点集中满足相似度关系的第一目标特征点集,并基于所述第一目标特征点集确定目标配准矩阵;
确定模块,还用于基于所述目标配准矩阵,确定所述第一配准点集中的多个配准点和所述第二配准点集中的多个配准点之间的对应关系;
所述确定所述粗配准点集中满足相似度关系的第一目标特征点集,包括:
确定所述粗配准点集中每个特征点与其它特征点的第一距离值,若所述第一距离值小于第一预设距离值,则确定该特征点为内点,否则确定该特征点为外点;
确定多个内点中的每个内点与其它内点的第二距离值;
若所述第二距离值小于第二预设距离值,则确定该点为满足相似度关系的第一目标特征点集中的内点,否则确定该点为外点;
其中,所述第二距离值小于所述第一距离值,所述第二预设距离值小于所述第一预设距离值;
所述基于所述第一目标特征点集确定目标配准矩阵,包括:
基于随机采样一致性RANSAC算法,去除所述第一目标特征点集中的异常点,得到第二目标特征点集;
其中,在所述第二目标特征点集中,属于所述第一配准点集的内点数量与属于所述第二配准点集的内点数量相同;
确定在所述第二目标特征点集中,属于所述第一配准点集的多个内点的第一内点点集中心和属于所述第二配准点集的多个内点的第二内点点集中心;
基于所述第一内点点集中心与属于所述第一配准点集中的多个内点确定的第一距离,以及所述第二内点点集中心与属于所述第二配准点集中的多个内点确定的第二距离,确定所述目标配准矩阵的旋转部分和平移部分;
基于所述旋转部分和所述平移部分,得到所述目标配准矩阵。
5.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述的基于相似度兼容性度量的稀疏点云配准方法。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的基于相似度兼容性度量的稀疏点云配准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310537539.XA CN116523982B (zh) | 2023-05-12 | 2023-05-12 | 基于相似度兼容性度量的稀疏点云配准方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310537539.XA CN116523982B (zh) | 2023-05-12 | 2023-05-12 | 基于相似度兼容性度量的稀疏点云配准方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523982A CN116523982A (zh) | 2023-08-01 |
CN116523982B true CN116523982B (zh) | 2024-05-03 |
Family
ID=87397488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310537539.XA Active CN116523982B (zh) | 2023-05-12 | 2023-05-12 | 基于相似度兼容性度量的稀疏点云配准方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523982B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9401020B1 (en) * | 2015-05-01 | 2016-07-26 | London Health Science Centre Research Inc | Multi-modality vertebra recognition |
CN112541932A (zh) * | 2020-11-30 | 2021-03-23 | 西安电子科技大学昆山创新研究院 | 基于双光相机不同焦距变换参数的多源图像配准方法 |
CN114219717A (zh) * | 2021-11-26 | 2022-03-22 | 杭州三坛医疗科技有限公司 | 点云配准方法、装置、电子设备及存储介质 |
CN114387319A (zh) * | 2022-01-13 | 2022-04-22 | 北京百度网讯科技有限公司 | 点云配准方法、装置、设备以及存储介质 |
CN114549320A (zh) * | 2022-02-25 | 2022-05-27 | 上海电气(集团)总公司智惠医疗装备分公司 | 磁共振全脊柱图像自动精准拼接方法、装置、设备和介质 |
CN114937066A (zh) * | 2022-06-09 | 2022-08-23 | 重庆理工大学 | 基于交叉偏移特征与空间一致性的点云配准系统及方法 |
CN115908112A (zh) * | 2022-11-14 | 2023-04-04 | 中山大学 | 一种面向低重叠率的点云配准方法 |
-
2023
- 2023-05-12 CN CN202310537539.XA patent/CN116523982B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9401020B1 (en) * | 2015-05-01 | 2016-07-26 | London Health Science Centre Research Inc | Multi-modality vertebra recognition |
CN112541932A (zh) * | 2020-11-30 | 2021-03-23 | 西安电子科技大学昆山创新研究院 | 基于双光相机不同焦距变换参数的多源图像配准方法 |
CN114219717A (zh) * | 2021-11-26 | 2022-03-22 | 杭州三坛医疗科技有限公司 | 点云配准方法、装置、电子设备及存储介质 |
CN114387319A (zh) * | 2022-01-13 | 2022-04-22 | 北京百度网讯科技有限公司 | 点云配准方法、装置、设备以及存储介质 |
CN114549320A (zh) * | 2022-02-25 | 2022-05-27 | 上海电气(集团)总公司智惠医疗装备分公司 | 磁共振全脊柱图像自动精准拼接方法、装置、设备和介质 |
CN114937066A (zh) * | 2022-06-09 | 2022-08-23 | 重庆理工大学 | 基于交叉偏移特征与空间一致性的点云配准系统及方法 |
CN115908112A (zh) * | 2022-11-14 | 2023-04-04 | 中山大学 | 一种面向低重叠率的点云配准方法 |
Non-Patent Citations (1)
Title |
---|
SC2-PCR: A Second Order Spatial Compatibility for Efficient and Robust Point Cloud Registration;Zhi Chen et al.;《2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)》;第13211-13221页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116523982A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6404310B2 (ja) | 異常な骨の手術的矯正のための計画システム及び方法 | |
Shan et al. | Completely automated segmentation approach for breast ultrasound images using multiple-domain features | |
EP1966760A2 (en) | Automatic 3-d object detection | |
JP2005169077A (ja) | 第1データセットのデータポイントを第2データセットのデータポイントと関係付ける変換を見つける方法、およびその方法を実行するコンピュータプログラム | |
Hoang et al. | An evaluation of CNN-based liver segmentation methods using multi-types of CT abdominal images from multiple medical centers | |
CN111179333B (zh) | 一种基于双目立体视觉的散焦模糊核估计方法 | |
CN116523982B (zh) | 基于相似度兼容性度量的稀疏点云配准方法及装置 | |
CN113570648A (zh) | 多骨骼影像配准方法、电子装置以及医学导航系统 | |
KR101404345B1 (ko) | 진단영상의 객체 자동 윤곽화 시스템 및 그 윤곽화 방법 | |
Martins et al. | A new active contours approach for finger extensor tendon segmentation in ultrasound images using prior knowledge and phase symmetry | |
CN116523973A (zh) | 骨骼配准方法及装置 | |
US10413364B1 (en) | Internal organ localization of a subject for providing assistance during surgery | |
Tanács et al. | Estimation of linear deformations of 2D and 3D fuzzy objects | |
CN116523979B (zh) | 基于深度学习的点云配准方法、装置及电子设备 | |
CN111079551B (zh) | 基于奇异值分解的手指静脉识别方法、装置和存储介质 | |
Adeshina et al. | Automatic model matching using part based model constrained active appearance models for skeletal maturity | |
Herrmann et al. | Fast and robust point cloud matching based on EM-ICP prepositioning | |
Shi et al. | Automatic segmentation of breast tumor in ultrasound image with simplified PCNN and improved fuzzy mutual information | |
KN et al. | Comparison of 3-segmentation techniques for intraventricular and intracerebral hemorrhages in unenhanced computed tomography scans | |
Bai et al. | Octree grid topology preserving geometric deformable model for three-dimensional medical image segmentation | |
CN110772280A (zh) | 超声波诊断装置和方法以及图像处理装置和方法 | |
Meng et al. | Weighted local mutual information for 2D-3D registration in vascular interventions | |
Pilgram et al. | Proximal femur segmentation in conventional pelvic x ray | |
CN110503655B (zh) | 一种基于稀疏贝叶斯模型和多图谱融合的mri神经胶质瘤分割方法及系统 | |
Morais et al. | 3D segmentation of the left atrial appendage in computed tomography for planning of transcatheter occlusion |
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 |