CN116597111A - 一种三维图像的处理方法以及处理装置 - Google Patents

一种三维图像的处理方法以及处理装置 Download PDF

Info

Publication number
CN116597111A
CN116597111A CN202310249709.4A CN202310249709A CN116597111A CN 116597111 A CN116597111 A CN 116597111A CN 202310249709 A CN202310249709 A CN 202310249709A CN 116597111 A CN116597111 A CN 116597111A
Authority
CN
China
Prior art keywords
vertex
processing
model
dimensional image
grid model
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
Application number
CN202310249709.4A
Other languages
English (en)
Other versions
CN116597111B (zh
Inventor
张兆东
王博
陈波
姚登云
范镒
张凯凯
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.)
Lb Ke Ce Shanghai Intelligent Medical Technology Co ltd
Original Assignee
Lb Ke Ce Shanghai Intelligent 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 Lb Ke Ce Shanghai Intelligent Medical Technology Co ltd filed Critical Lb Ke Ce Shanghai Intelligent Medical Technology Co ltd
Priority to CN202310249709.4A priority Critical patent/CN116597111B/zh
Publication of CN116597111A publication Critical patent/CN116597111A/zh
Application granted granted Critical
Publication of CN116597111B publication Critical patent/CN116597111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205—Re-meshing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种三维图像的处理方法以及一种三维图像的处理装置。该三维图像的处理方法包括以下步骤：获取三维图像经过窗函数粗平滑处理的第一网格模型；对第一网格模型进行下采样处理，以滤除其中的噪点数据；以及根据经过下采样处理的第二网格模型中多个顶点的法向量，进行锐边缘分裂处理，以获取平滑的第三网格模型。通过执行这些步骤，该处理方法能够快速进行医学图像的三维重建，并在保留尽可能多的表面细节的情况下平滑网格模型表面的阶梯状粗糙表面。

Description

一种三维图像的处理方法以及处理装置
技术领域
本发明涉及医学图像的三维重建技术，尤其涉及一种三维图像的处理方法、三维图像的处理装置，以及对应的计算机可读存储介质。
背景技术
在医学图像三维重建的技术领域中，现有技术普遍采用离散立方体(MarchingCubes)算法来进行医学图像的三维重建。该算法在数据量较大时不能很快的处理，且只能运行在单线程中，对计算机系统算力的利用率较低。传统表面平滑算法(例如：拉普拉斯平滑算法)会在平滑模型表面的同时带来一定程度的收缩，且平滑时的迭代次数越多，收缩程度越严重，失真也越严重。窗函数(Windowed Sinc Filter)方法虽然能很好的避免模型的收缩，但会在模型表面产生较大的噪点，并且平滑效果不佳，即便增加迭代次数往往也不能得到理想的平滑效果。
为了克服现有技术存在的上述缺陷，本领域亟需一种三维图像的处理方法，用于快速进行医学图像的三维重建，并在保留尽可能多的表面细节的情况下平滑网格模型表面的阶梯状粗糙表面，从而为后续基于网格模型的数据处理提供依据。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。
为了克服现有技术存在的上述缺陷，本发明提供了一种三维图像的处理方法、一种三维图像的处理装置以及对应的计算机可读存储介质，能够快速进行医学图像的三维重建，并在保留尽可能多的表面细节的情况下平滑网格模型表面的阶梯状粗糙表面，从而为后续基于网格模型的数据处理提供依据。
具体来说，根据本发明的第一方面提供的上述三维图像的处理方法包括以下步骤：获取所述三维图像经过窗函数粗平滑处理的第一网格模型；对所述第一网格模型进行下采样处理，以滤除其中的噪点数据；以及根据经过所述下采样处理的第二网格模型中多个顶点的法向量，进行锐边缘分裂处理，以获取平滑的第三网格模型。
进一步地，在本发明的一些实施例中，所述获取所述三维图像经过窗函数粗平滑处理的第一网格模型的步骤包括：获取所述三维图像的图像数据；对所述图像数据进行等值面提取及三维重建，以构建所述三维图像的初始网格模型；以及经由窗函数平滑算法对所述初始网格模型进行粗平滑处理，以获取所述第一网格模型。
进一步地，在本发明的一些实施例中，所述对所述图像数据进行等值面提取及三维重建，以构建所述三维图像的初始网格模型的步骤包括：沿预设方向生成多个顶点的符号值，并确定所述符号值的有效范围；根据各所述顶点的符号值，查表确定对应的各网格单元的切割类型；根据所述切割类型配置存储空间，以生成切割点数据及切割面数据；以及根据所述切割点数据及切割面数据，构建所述初始网格模型。
进一步地，在本发明的一些实施例中，所述经由窗函数平滑算法对所述初始网格模型进行粗平滑处理，以获取所述第一网格模型的步骤包括：遍历所述初始网格模型中的所有顶点、连线及网格单元，并存储其数据；根据存储的数据对每一所述顶点进行几何及拓扑分析，以确定与所述顶点相邻的顶点集合；根据与所述顶点相邻的顶点集合，经由内核插值法修正所述初始网格模型，以获取所述第一网格模型。
进一步地，在本发明的一些实施例中，所述根据与所述顶点相邻的顶点集合，经由内核插值法修正所述初始网格模型，以获取所述第一网格模型的步骤包括：判断当前轮次的迭代次数是否达到预设的次数阈值；响应于当前轮次的迭代次数达到所述次数阈值的判断结果，结束修正，并将当前轮次的网格模型确定为所述第一网格模型；响应于当前轮次的迭代次数未达到所述次数阈值的判断结果，根据与所述顶点相邻的顶点集合，经由内核插值法确定所述初始网格模型的修正值；判断所述修正值是否达到预设的变化阈值；响应于所述修正值达到所述变化阈值的判断结果，进行下一轮次的迭代修正；以及响应于所述修正值未达到所述变化阈值的判断结果，结束修正，并将当前轮次的网格模型确定为所述第一网格模型。
进一步地，在本发明的一些实施例中，所述对所述第一网格模型进行下采样处理，以滤除其中的噪点数据的步骤包括：遍历所述第一网格模型中的所有顶点及网格单元，以确定与每一所述顶点相邻的多个网格平面；分别计算各所述顶点的各所述相邻的网格平面的坍缩代价矩阵，并从中选择坍缩代价最小的点对，以确定各所述顶点的坍缩边；以及迭代地删除坍缩代价最小的坍缩边，并更新涉及被删除的坍缩边的所有点对的坍缩代价，直到剩余的顶点数量达到设定值。
进一步地，在本发明的一些实施例中，所述迭代地删除坍缩代价最小的坍缩边，并更新涉及被删除的坍缩边的所有点对的坍缩代价的步骤包括：确定顶点V1和顶点V2坍缩到顶点Vnew的代价矩阵为Qnew＝Q1+Q2，并确定其坍缩代价为其中，Q1和Q2分别为的顶点V1和顶点V2的代价矩阵，坍缩代价Δ(Vnew)指示顶点Vnew到其相邻的每个平面pi的距离的平方和：
planes(V)为顶点V的相邻平面的集合，平面pi的平面方程为 是平面方程pi在三维空间中的空间参数，Kp是用于计算空间中任意一点到平面p的距离的平方和的矩阵：
以点对的形式，将各所述顶点及其坍缩边存储在以坍缩代价为键值的堆中，并将坍缩代价最小的点对放在堆顶；以及删除堆顶的点对，并更新涉及被删除的点对的所有点对的坍缩代价。
进一步地，在本发明的一些实施例中，所述根据经过所述下采样处理的第二网格模型中多个顶点的法向量，进行锐边缘分裂处理，以获取平滑的第三网格模型的步骤包括：计算所述第二网格模型表面的多个顶点的法向量之间的差值；以及响应于相邻两个顶点之间的法向量的差值大于预设阈值，判定所述相邻两个顶点之间的连线为锐边缘，并在所述相邻两个顶点的中间插入一个顶点，以分裂所述锐边缘。
此外，根据本发明的第二方面提供的三维图像的处理装置包括存储器及处理器。所述处理器连接所述存储器，并被配置用于实施上述三维图像的处理方法。
此外，根据本发明的第三方面提供的计算机可读存储介质，其上存储有计算机指令。所述计算机指令被处理器执行时，实施上述三维图像的处理方法。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1示出了根据本发明的一些实施例提供的三维图像的处理方法的流程示意图；
图2示出了根据本发明的一些实施例提供的三维重建的流程示意图；
图3示出了根据本发明的一些实施例提供的窗函数平滑的流程示意图；
图4示出了根据本发明的一些实施例提供的坍缩算法的流程示意图；
图5示出了根据本发明的一些实施例提供的法向量平滑的流程示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合优选实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
另外，在以下的说明中所使用的“上”、“下”、“左”、“右”、“顶”、“底”、“水平”、“垂直”应被理解为该段以及相关附图中所绘示的方位。此相对性的用语仅是为了方便说明之用，其并不代表其所叙述的装置需以特定方位来制造或运作，因此不应理解为对本发明的限制。
能理解的是，虽然在此可使用用语“第一”、“第二”、“第三”等来叙述各种组件、区域、层和/或部分，这些组件、区域、层和/或部分不应被这些用语限定，且这些用语仅是用来区别不同的组件、区域、层和/或部分。因此，以下讨论的第一组件、区域、层和/或部分可在不偏离本发明一些实施例的情况下被称为第二组件、区域、层和/或部分。
如上所述，在医学图像三维重建的技术领域中，现有技术普遍采用离散立方体(Marching Cubes)算法来进行医学图像的三维重建。该算法在数据量较大时不能很快的处理，且只能运行在单线程中，对计算机系统算力的利用率较低。传统表面平滑算法(例如：拉普拉斯平滑算法)会在平滑模型表面的同时带来一定程度的收缩，且平滑时的迭代次数越多，收缩程度越严重，失真也严重。窗函数(Windowed Sinc Filter)方法虽然能很好的避免模型的收缩，但会在模型表面产生较大的噪点，并且平滑效果不佳，即便增加迭代次数往往也不能得到理想的平滑效果。
为了克服现有技术存在的上述缺陷，本发明提供了一种三维图像的处理方法、一种三维图像的处理装置及其对应的计算机可读存储介质，能够快速进行医学图像的三维重建，并在保留尽可能多的表面细节的情况下平滑网格模型表面的阶梯状粗糙表面，从而后续基于网格模型的数据处理提供依据。
在一些非限制性的实施例中，本发明的第一方面提供的上述三维图像的处理方法可以经由本发明的第二方面提供的上述三维图像的处理装置来实施。具体来说，该三维图像的处理装置中配置有存储器及处理器。该存储器包括但不限于本发明的第三方面提供的上述计算机可读存储介质，其上存储有计算机指令。该处理器连接存储器，并被配置用于执行该存储器上存储的计算机指令，以实施本发明的第一方面提供的三维图像的处理方法。
以下将结合一些三维图像的处理方法的实施例来描述上述处理装置的工作原理。本领域的技术人员可以理解，这些处理方法的实施例只是本发明提供的一些非限制性的实施方式，旨在清楚地展示本发明的主要构思，并提供一些便于公众实施的具体方案，而非用于限制该处理装置的全部功能或全部工作方式。同样地，该处理装置也只是本发明提供的一种非限制性的实施方式，不对这些处理方法中各步骤的执行主体和执行顺序构成限制。
首先请参考图1，图1示出了根据本发明的一些实施例提供的三维图像的处理方法的流程示意图。
如图1所示，在处理三维图像的过程中，处理装置可以首先获取三维图像经过窗函数粗平滑处理的第一网格模型。在此，该三维图像包括但不限于描绘人体组织三维结构的医学图像。
具体来说，在获取第一网格模型的过程中，处理装置可以首先获取三维图像的图像数据，再采用飞边算法(Flying Edges)快速进行等值面提取并进行三维重建，以构建三维图像的初始网格模型。之后，处理装置可以使用窗函数平滑算法(Windowed SincFilter)对该初始网格模型进行粗平滑处理，以获取上述第一网格模型。
更进一步地，请参考图2及图3。图2示出了根据本发明的一些实施例提供的三维重建流程示意图。图3示出了根据本发明的一些实施例提供的窗函数平滑的流程示意图。
如图2所示，在采用飞边算法(Flying Edges)快速进行等值面提取并进行三维重建的过程中，处理装置可以首先沿着某一预设方向生成多个顶点的顶点符号值，并确定其有效范围。在此，上述顶点符号值可以描述对应顶点在整体中的位置关系(例如：在表面还是在内部)。之后，处理装置可以根据各顶点符号值查找立方体算法(Marching Cube)分类表格，以确定对应的各网格单元的切割类型，再根据切割分类配置存储空间，以生成切割点、切割面等网格数据，从而构建初始网格模型。
如图4所示，在使用窗函数平滑算法(Windowed Sinc Filter)进行粗平滑的过程中，处理装置可以首先遍历并存储上述初始网格模型中所有的顶点(Vertex)、连线(Line)、网格(Cell)，并对每个顶点进行几何和拓扑分析，以确定与各顶点相连的顶点集合和单元格集合，并通过数组存储。之后，处理装置可以根据与各顶点(Vertex)相连的顶点集合，采用Windowed Sinc内核插值方法迭代修正上述初始网格模型，直到达到指定的迭代次数或变化量小于预设的变化阈值，以获取上述第一网格模型。
具体来说，在迭代修正初始网格模型的过程中，处理器可以首先判断当前轮次的迭代次数n是否达到预设的次数阈值N。若当前轮次的迭代次数未达到次数阈值(即n<N)，则处理器可以根据与各顶点相邻的顶点集合，经由内核插值法确定初始网格模型的修正值，并判断本轮的修正值是否达到预设的变化阈值。若修正值达到变化阈值的判断结果，则处理器可以判定修正还未收敛，从而进行下一轮次的迭代修正。反之，若修正值未达到预设的变化阈值，则处理器可以判定修正已经收敛，从而提前结束修正，并将当前轮次的网格模型确定为第一网格模型。如此往复，处理器最多可以执行预设次数N轮迭代修正，并在当前轮次的迭代次数n达到预设次数阈值N(即n≥N)时结束修正，并将当前轮次的网格模型确定为第一网格模型。
之后，如图1所示，处理装置可以对该第一网格模型进行下采样处理，以滤除其中的噪点数据，再根据经过下采样处理的第二网格模型中多个顶点的法向量进行锐边缘分裂处理，以获取平滑的第三网格模型。
具体请参考图4及图5。图4示出了根据本发明的一些实施例提供的坍缩算法流程示意图。图5示出了根据本发明的一些实施例提供的法向量平滑的流程示意图。
如图4所示，在对第一网格模型进行下采样处理的过程中，处理装置可以使用边坍缩算法(Edge Collapse)简化网格模型，从而缩减储存和渲染用到的网格。具体来说，处理装置可以首先计算每一个顶点相邻的平面的坍缩代价矩阵Q。在此，代价矩阵Q的定义如下：
设网格中某一顶点V具有n个相邻的面planes(V)，每一个面p的平面方程为其中，/>是平面方程pi在三维空间中的空间参数。如此，可以将点V(vx，vy，vz)相对于该网格的误差定义为点V到每个平面p的距离的平方和：
其中，Kp是一个矩阵，用来求空间中任意一点到平面p的距离的平方和。
则代价矩阵Q为点V与相连平面集合的Kp之和，则Δ(V)＝VT*Q*V。
之后，处理装置还可以遍历所有的坍缩代价矩阵Q，从中选择坍缩代价最小的点对，作为可以坍缩的边。再之后，处理装置还可以计算每个有效坍缩对坍缩之后的坍缩代价，将所有有效对存储在一个以坍缩代价为键值的堆中，并将其中最小代价放在堆顶。在此，计算坍缩代价的方法如下：假设一个边的两个点V1和V2坍缩到一个新点Vnew，则Vnew的代价矩阵为：Qnew＝Q1+Q2，坍缩代价为：其中，Vnew的位置能够使得坍缩代价Δ(Vnew)最小。
再之后，处理装置可以迭代地从堆中删除坍缩代价最小的对，以坍缩每条边，并更新涉及被坍缩边的所有有效对的坍缩代价，直到坍缩后的顶点数量达到设定值，以获得第二网格模型。
如图5所示，在对第二网格模型进行平滑处理的过程中，处理装置可以分别计算第二网格模型中各顶点的法向量，以确定其中的锐边缘，再对锐边缘进行分裂处理，以获取平滑的第三网格模型。具体来说，处理装置可以首先可以计算第二网格模型表面每个顶点的法向量，并各法向量之间的差值。如果两个法向量相差大于预设阈值，则处理装置视这两点间的连线为锐边缘。之后，处理装置可以在锐边缘两端点的中间插入一个顶点，以分裂该锐边缘，并达到平滑模型表面的效果。进一步地，处理装置还可以迭代重复上述步骤，直到遍历初始或更新的第二网格模型表面的所有顶点都没有新的锐边缘，再将获得的网格模型确定为最终的第三网格模型。
综上，通过先采用窗函数平滑算法对三维图像的初始网格模型做粗平滑的预处理，再对预处理结果进行下采样和锐边缘分裂，本发明不仅可以快速实现医学图像的三维重建，还能在保留尽可能多的表面细节的情况下平滑网格模型表面的阶梯状粗糙表面，从而为后续基于网格模型的数据处理提供依据。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

Claims (10)

1.一种三维图像的处理方法，其特征在于，包括以下步骤：
获取所述三维图像经过窗函数粗平滑处理的第一网格模型；
对所述第一网格模型进行下采样处理，以滤除其中的噪点数据；以及
根据经过所述下采样处理的第二网格模型中多个顶点的法向量，进行锐边缘分裂处理，以获取平滑的第三网格模型。
2.如权利要求1所述的处理方法，其特征在于，所述获取所述三维图像经过窗函数粗平滑处理的第一网格模型的步骤包括：
获取所述三维图像的图像数据；
对所述图像数据进行等值面提取及三维重建，以构建所述三维图像的初始网格模型；以及
经由窗函数平滑算法对所述初始网格模型进行粗平滑处理，以获取所述第一网格模型。
3.如权利要求2所述的处理方法，其特征在于，所述对所述图像数据进行等值面提取及三维重建，以构建所述三维图像的初始网格模型的步骤包括：
沿预设方向生成多个顶点的符号值，并确定所述符号值的有效范围；
根据各所述顶点的符号值，查表确定对应的各网格单元的切割类型；
根据所述切割类型配置存储空间，以生成切割点数据及切割面数据；以及
根据所述切割点数据及切割面数据，构建所述初始网格模型。
4.如权利要求2所述的处理方法，其特征在于，所述经由窗函数平滑算法对所述初始网格模型进行粗平滑处理，以获取所述第一网格模型的步骤包括：
遍历所述初始网格模型中的所有顶点、连线及网格单元，并存储其数据；
根据存储的数据对每一所述顶点进行几何及拓扑分析，以确定与所述顶点相邻的顶点集合；
根据与所述顶点相邻的顶点集合，经由内核插值法修正所述初始网格模型，以获取所述第一网格模型。
5.如权利要求4所述的处理方法，其特征在于，所述根据与所述顶点相邻的顶点集合，经由内核插值法修正所述初始网格模型，以获取所述第一网格模型的步骤包括：
判断当前轮次的迭代次数是否达到预设的次数阈值；
响应于当前轮次的迭代次数达到所述次数阈值的判断结果，结束修正，并将当前轮次的网格模型确定为所述第一网格模型；
响应于当前轮次的迭代次数未达到所述次数阈值的判断结果，根据与所述顶点相邻的顶点集合，经由内核插值法确定所述初始网格模型的修正值；
判断所述修正值是否达到预设的变化阈值；
响应于所述修正值达到所述变化阈值的判断结果，进行下一轮次的迭代修正；以及
响应于所述修正值未达到所述变化阈值的判断结果，结束修正，并将当前轮次的网格模型确定为所述第一网格模型。
6.如权利要求1所述的处理方法，其特征在于，所述对所述第一网格模型进行下采样处理，以滤除其中的噪点数据的步骤包括：
遍历所述第一网格模型中的所有顶点及网格单元，以确定与每一所述顶点相邻的多个网格平面；
分别计算各所述顶点的各所述相邻的网格平面的坍缩代价矩阵，并从中选择坍缩代价最小的点对，以确定各所述顶点的坍缩边；以及
迭代地删除坍缩代价最小的坍缩边，并更新涉及被删除的坍缩边的所有点对的坍缩代价，直到剩余的顶点数量达到设定值。
7.如权利要求6所述的处理方法，其特征在于，所述迭代地删除坍缩代价最小的坍缩边，并更新涉及被删除的坍缩边的所有点对的坍缩代价的步骤包括：
确定顶点V1和顶点V2坍缩到顶点Vnew的代价矩阵为Qnew＝Q1+Q2，并确定其坍缩代价为其中，Q1和Q2分别为的顶点V1和顶点V2的代价矩阵，坍缩代价Δ(Vnew)指示顶点Vnew到其相邻的每个平面pi的距离的平方和：
planes(V)为顶点V的相邻平面的集合，平面pi的平面方程为 是平面方程pi在三维空间中的空间参数，Kp是用于计算空间中任意一点到平面p的距离的平方和的矩阵：
以点对的形式，将各所述顶点及其坍缩边存储在以坍缩代价为键值的堆中，并将坍缩代价最小的点对放在堆顶；以及
删除堆顶的点对，并更新涉及被删除的点对的所有点对的坍缩代价。
8.如权利要求1所述的处理方法，其特征在于，所述根据经过所述下采样处理的第二网格模型中多个顶点的法向量，进行锐边缘分裂处理，以获取平滑的第三网格模型的步骤包括：
计算所述第二网格模型表面的多个顶点的法向量之间的差值；以及
响应于相邻两个顶点之间的法向量的差值大于预设阈值，判定所述相邻两个顶点之间的连线为锐边缘，并在所述相邻两个顶点的中间插入一个顶点，以分裂所述锐边缘。
9.一种三维图像的处理装置，其特征在于，包括：
存储器，其上存储有计算机指令；以及
处理器，连接所述存储器，并被配置用于执行所述存储器上存储的计算机指令，以实施如权利要求1～8中任一项所述的三维图像的处理方法。
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时，实施如权利要求1～8中任一项所述的三维图像的处理方法。
CN202310249709.4A 2023-03-15 2023-03-15 一种三维图像的处理方法以及处理装置 Active CN116597111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310249709.4A CN116597111B (zh) 2023-03-15 2023-03-15 一种三维图像的处理方法以及处理装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310249709.4A CN116597111B (zh) 2023-03-15 2023-03-15 一种三维图像的处理方法以及处理装置

Publications (2)

Publication Number Publication Date
CN116597111A true CN116597111A (zh) 2023-08-15
CN116597111B CN116597111B (zh) 2024-04-26

Family

ID=87594364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310249709.4A Active CN116597111B (zh) 2023-03-15 2023-03-15 一种三维图像的处理方法以及处理装置

Country Status (1)

Country Link
CN (1) CN116597111B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117473655A (zh) * 2023-12-27 2024-01-30 中国人民解放军国防科技大学 基于边坍缩网格优化的飞行器仿真驱动设计方法和装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102316254A (zh) * 2010-06-29 2012-01-11 卡西欧计算机株式会社 具备生成三维图像的功能的摄影装置及三维图像生成方法
CN106408531A (zh) * 2016-09-09 2017-02-15 四川大学 基于gpu加速的层次化自适应三维重建方法
CN106548520A (zh) * 2016-11-16 2017-03-29 湖南拓视觉信息技术有限公司 一种点云数据去噪的方法和系统
CN107067393A (zh) * 2017-04-14 2017-08-18 大连理工大学 一种基于用户交互和形状先验知识的三维医学图像分割方法
CN107845073A (zh) * 2017-10-19 2018-03-27 华中科技大学 一种基于深度图的局部自适应三维点云去噪方法
US20180260938A1 (en) * 2017-03-10 2018-09-13 Disney Enterprises, Inc. Sample-Based Video Sharpening
CN110691228A (zh) * 2019-10-17 2020-01-14 北京迈格威科技有限公司 基于三维变换的深度图像噪声标记方法、装置和存储介质
US20200357118A1 (en) * 2018-11-21 2020-11-12 Enlitic, Inc. Medical scan viewing system with enhanced training and methods for use therewith
CN114119928A (zh) * 2021-12-08 2022-03-01 广州柏视医疗科技有限公司 一种基于网格操作的肺内器官三维模型优化方法及系统
CN115705638A (zh) * 2021-08-11 2023-02-17 上海微创卜算子医疗科技有限公司 医学图像优化方法、系统、电子设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102316254A (zh) * 2010-06-29 2012-01-11 卡西欧计算机株式会社 具备生成三维图像的功能的摄影装置及三维图像生成方法
CN106408531A (zh) * 2016-09-09 2017-02-15 四川大学 基于gpu加速的层次化自适应三维重建方法
CN106548520A (zh) * 2016-11-16 2017-03-29 湖南拓视觉信息技术有限公司 一种点云数据去噪的方法和系统
US20180260938A1 (en) * 2017-03-10 2018-09-13 Disney Enterprises, Inc. Sample-Based Video Sharpening
CN107067393A (zh) * 2017-04-14 2017-08-18 大连理工大学 一种基于用户交互和形状先验知识的三维医学图像分割方法
CN107845073A (zh) * 2017-10-19 2018-03-27 华中科技大学 一种基于深度图的局部自适应三维点云去噪方法
US20200357118A1 (en) * 2018-11-21 2020-11-12 Enlitic, Inc. Medical scan viewing system with enhanced training and methods for use therewith
CN110691228A (zh) * 2019-10-17 2020-01-14 北京迈格威科技有限公司 基于三维变换的深度图像噪声标记方法、装置和存储介质
CN115705638A (zh) * 2021-08-11 2023-02-17 上海微创卜算子医疗科技有限公司 医学图像优化方法、系统、电子设备及存储介质
CN114119928A (zh) * 2021-12-08 2022-03-01 广州柏视医疗科技有限公司 一种基于网格操作的肺内器官三维模型优化方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117473655A (zh) * 2023-12-27 2024-01-30 中国人民解放军国防科技大学 基于边坍缩网格优化的飞行器仿真驱动设计方法和装置
CN117473655B (zh) * 2023-12-27 2024-03-15 中国人民解放军国防科技大学 基于边坍缩网格优化的飞行器仿真驱动设计方法和装置

Also Published As

Publication number Publication date
CN116597111B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
CN104778688B (zh) 点云数据的配准方法及装置
CN112381879B (zh) 基于图像和三维模型的物体姿态估计方法、系统及介质
CN113096234B (zh) 利用多张彩色图片生成三维网格模型的方法及装置
CN108053432B (zh) 基于局部icp的室内稀疏点云场景的配准方法
US20130106849A1 (en) Image processing apparatus and method
CN116597111B (zh) 一种三维图像的处理方法以及处理装置
EP3038049A1 (en) Method for upscaling an image and apparatus for upscaling an image
CN107680168B (zh) 三维重建中基于平面拟合的网格简化方法
Jalba et al. An unified multiscale framework for planar, surface, and curve skeletonization
CN107369131A (zh) 图像的显著性检测方法、装置、存储介质和处理器
CN108830792A (zh) 一种利用多类字典的图像超分辨率方法
Reberol et al. Quasi-structured quadrilateral meshing in Gmsh--a robust pipeline for complex CAD models
CN113421331B (zh) 基于曲面重建方法的物体外观检测方法及应用方法
CN114782645A (zh) 虚拟数字人制作方法、相关设备及可读存储介质
CN108776960B (zh) 基于传播辅助kd树的地形特征区域合成方法和装置
CN110648355A (zh) 一种图像跟踪方法、系统及相关装置
CN113935925A (zh) 气动光学效应空变模糊图像复原方法及系统
CN112862684A (zh) 一种深度图超分辨率重建和去噪神经网络的数据处理方法
CN117314786A (zh) 一种基于深度学习的三维网格修补方法
CN110532670B (zh) 一种适分析样条实体模型构建方法及系统
CN113111741A (zh) 一种基于三维特征点的装配状态识别方法
CN109523634B (zh) 优化网格的方法及装置
CN114187421B (zh) 有限元网格模型简化方法及系统
CN115953299A (zh) 一种红外遥感图像超分辨率方法及系统
Li et al. Contracting medial surfaces isotropically for fast extraction of centred curve skeletons

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A method and device for processing three-dimensional images

Granted publication date: 20240426

Pledgee: China Construction Bank Corporation Shanghai Songjiang Branch

Pledgor: LB Ke Ce (Shanghai) Intelligent Medical Technology Co.,Ltd.

Registration number: Y2024980039218