CN117237242A - 基于结构光数据的口腔颌面外科术后护理系统 - Google Patents

Abstract

本发明涉及电子数字数据处理技术领域，具体涉及基于结构光数据的口腔颌面外科术后护理系统，包括：通过点云数据的数值分布、空间分布对称性估测噪声干扰强度，然后利用人工势场法，对每个极小值点进行邻域点合并，进而获取多个局部口腔颌面，再通过构建最优化目标函数对每个局部口腔颌面内的可疑测点进行筛选，得到分布在各个局部口腔颌面内的噪点。本发明针对噪点进行非局部均值滤波平滑处理，保留图像细节信息，避免无差别平滑，改善点云数据质量，并大幅提高了结构光扫描技术在口腔颌面外科领域的应用可信度。

Description

基于结构光数据的口腔颌面外科术后护理系统

技术领域

本发明涉及电子数字数据处理技术领域，具体涉及基于结构光数据的口腔颌面外科术后护理系统。

背景技术

结构光扫描是一种以非接触方式获取实物三维信息的技术，通过测量被测物体的点云数据来实现三维空间建模，目前利用点云数据在口腔颌面外科领域进行数据建模的相关技术也蓬勃发展，数据建模对手术计划、手术导航和术后效果评估等环节都至关重要。

但是由于牙齿和口腔软组织的表面存在反射、透明或湿润等特性，并且患者的吞咽和呼吸动作引起的口腔内部出现动态变化，导致结构光扫描获取的结构光数据通常存在较多的噪声，影响到利用结构光数据进行数据建模后模型的稳定性和准确性，而对点云数据进行去噪的传统方法一般利用滤波器或离群值检测进行去除，但是利用滤波器进行去噪会存在无差别平滑问题，而离群值检测进行去噪会导致点云数据丢失，因此在口腔颌面外科领域，保证结构光数据的质量，对结构光数据进行去噪优化是亟待解决的问题之一。

发明内容

本发明提供基于结构光数据的口腔颌面外科术后护理系统，以解决现有的问题：对点云数据进行去噪的传统方法一般利用滤波器或离群值检测进行去除，但是利用滤波器进行去噪会存在无差别平滑问题，而离群值检测进行去噪会导致点云数据丢失，因此在口腔颌面外科领域，保证结构光数据的质量，对结构光数据进行去噪优化是亟待解决的问题之一。

本发明的基于结构光数据的口腔颌面外科术后护理系统采用如下技术方案：

本发明一个实施例提供了基于结构光数据的口腔颌面外科术后护理系统，该系统包括以下模块：

数据采集模块，用于采集患者的口腔颌面对应的点云数据，点云数据中每个数据点对应一个测量值；

数据势场模块，用于获取关于点云数据中所有数据点对应测量值的分布直方图记为测量值分布直方图，根据测量值分布直方图中各测量值对应数据点的数量获得测量值的分布概率；将点云数据置于三维直角坐标系中，并将点云数据划分为左右两部分的点云数据分别记为左点云数据和右点云数据，根据左点云数据和右点云数据中数据点对应测量值的差异以及测量值的分布概率获得点云数据的噪声程度；获取点云数据中的极小值点，根据数据点之间的距离获得数据点的邻域点，将极小值点与邻域点的测量值差值记为极小值点与邻域点之间的力场因子，根据力场因子以及距离分别获得邻域点对极小值点的引力值和斥力值，根据引力值和斥力值将极小值点与邻域点合并获得合并点，对合并点进行曲面拟合获得局部口腔颌面；

噪声筛选模块，用于对点云数据进行遍历，并根据力场因子、数据点的测量值以及噪声干扰程度构建点云数据的噪声优化目标函数，噪声优化目标函数最小时获得点云数据中的真实噪声点；

去噪建模模块，用于对点云数据中的真实噪声点进行去噪，对滤波后的点云数据进行三维建模。

进一步的，所述获取关于点云数据中所有数据点对应测量值的分布直方图记为测量值分布直方图，根据测量值分布直方图中各测量值对应数据点的数量获得测量值的分布概率，包括的具体方法为：

获取点云数据中所有数据点对应测量值的分布直方图记为测量值分布直方图，测量值分布直方图中相同测量值为一类，获得若干类的测量值，在测量值分布直方图中获取任意一类测量值对应的数量，将任意一类测量值的数量与点云数据中所有数据点的数量之间的比值，记为测量值的分布概率。

进一步的，所述将点云数据置于三维直角坐标系中，并将点云数据划分为左右两部分的点云数据分别记为左点云数据和右点云数据，根据左点云数据和右点云数据中数据点对应测量值的差异以及测量值的分布概率获得点云数据的噪声程度，包括的具体方法为：

首先，将点云数据置于由三个坐标轴形成的三维直角坐标系中，其中/>表示左右空间，/>表示前后空间，/>表示上下空间，将由/>、/>两个坐标轴形成的平面记为基准平面，获取一个与基准平面平行且左右两侧数据点的数量相等时对应的平面记为中轴面，将中轴面左右两侧的点云数据分别记为左点云数据和右点云数据，将左点云数据中的数据点记为左侧数据点，将右点云数据中的数据点记为右侧数据点；将在中轴面右侧中与左侧数据点相对称的点记为左侧数据点的对称点；

然后，点云数据的噪声程度的具体计算方法为：

其中，表示点云数据的噪声程度；N表示测量值分布直方图中测量值的类型数量；表示第/>类测量值的分布概率；/>表示点云数据中所有测量值的分布概率的均值；/>表示点云数据中所有测量值的分布概率的标准差；/>表示左点云数据中数据点的数量；/>表示左点云数据中第/>个数据点的测量值；/>表示左点云数据中第/>个数据点对应的对称点的测量值；表示获取绝对值；/>表示双曲正切函数。

进一步的，所述获取点云数据中的极小值点，根据数据点之间的距离获得数据点的邻域点，包括的具体方法为：

将点云数据转换为三维的网格形式，每一个网格包含一个数据点且对应一个体素，利用三维Sobel算子获取点云数据中所有数据点的梯度，并利用线性归一化方法将所有数据点的梯度进行归一化处理获得归一化梯度，将点云数据中归一化梯度小于预设梯度阈值的数据点记为极小值点；获取点云数据中任意两个数据点之间的欧氏距离，并利用线性归一化方法将所有数据点的欧氏距离进行归一化处理获得归一化欧氏距离，将点云数据中归一化欧氏距离小于预设距离阈值的数据点记为另一个数据点的邻域点，获取点云数据中任意极小值点的若干个邻域点。

进一步的，所述根据力场因子以及距离分别获得邻域点对极小值点的引力值和斥力值，包括的具体方法为：

首先，以任意极小值点为初始，将极小值点对应邻域点与极小值点进行合并，在邻域点与对应的极小值点合并后，将合并后的邻域点记为对应极小值点的合并点，合并过程中极小值点存在若干个合并点，将若干个合并点构成的集合记为极小值点的合并点集合，获取极小值点与对应合并点集合中所有合并点之间的力场因子最大值，记为极小值点的最大力场；

然后，在邻域点与极小值点进行合并过程中，根据力场因子获得引力值参数，其中/>表示第/>个极小值点的第/>个邻域点与第/>个极小值点之间的力场因子；预设引力增益参数，将引力增益参数与引力值参数相乘获得邻域点对极小值点的引力值；

最后，根据极小值点与邻域点对应欧式距离之间的差异获得第一斥力因子，将任意极小值点与对应邻域点的力场因子与极小值点的最大力场之间的比值记为第二斥力因子，根据极小值点对应邻域点的序数获得第三斥力因子，其中/>表示极小值点对应邻域点的序数，/>表示双曲正切函数；根据第一斥力因子、第二斥力因子以及第三斥力因子获得斥力值参数，根据斥力值参数获得邻域点对极小值点的斥力值。

进一步的，所述根据极小值点与邻域点对应欧式距离之间的差异获得第一斥力因子，包括的具体方法为：

将点云数据中任意极小值点记为目标极小值点，将目标极小值点的任意邻域点记为目标邻域点，将目标极小值点与目标邻域点之间的欧式距离记为目标极小值点与目标邻域点之间的第一距离，将点云数据中除目标极小值点以外的极小值点与目标邻域点最近时对应的欧式距离记为目标极小值点与目标邻域点之间的第二距离；

将第一距离和第二距离的差值绝对值记为目标极小值点与目标邻域点之间的距离特征，根据距离特征获得第一斥力因子/>。

进一步的，所述根据第一斥力因子、第二斥力因子以及第三斥力因子获得斥力值参数，根据斥力值参数获得邻域点对极小值点的斥力值，包括的具体方法为：

将第一斥力因子、第二斥力因子以及第三斥力因子的累积结果记为数值，将数值A的平方记为斥力值参数；

预设斥力增益参数，将斥力增益参数与斥力值参数相乘获得邻域点对极小值点的斥力值。

进一步的，所述根据引力值和斥力值将极小值点与邻域点合并获得合并点，对合并点进行曲面拟合获得局部口腔颌面，包括的具体方法为：

首先，将引力值和斥力值之间和值的向量模记为邻域点对极小值点的合力值；

然后，获取所有极小值点与各自对应的所有邻域点之间的合力值，并利用线性归一化方法将所有合力值进行归一化处理获得归一化合力值，当归一化合力值大于预设合力阈值时，将邻域点合并入对应的合并点集合中，在任意极值点对应的所有邻域点所形成的区域内，利用最小二乘法对极小值点的所有合并点进行曲面拟合，将拟合获得的曲面记为对应极小值点的局部口腔颌面，一个极小值点对应一个局部口腔颌面。

进一步的，所述用于对点云数据进行遍历，并根据力场因子、数据点的测量值以及噪声干扰程度构建点云数据的噪声优化目标函数，噪声优化目标函数最小时获得点云数据中的真实噪声点，包括的具体方法为：

首先，将点云数据中任意数量以及任意位置的数据点作为可疑噪声点，将点云数据中除可疑噪声点以外的数据点记为真实数据点；根据力场因子、可疑噪声点和真实数据点的数量、数据点的测量值以及噪声干扰程度构建点云数据的噪声优化目标函数，具体获取方法为：

其中，表示点云数据的噪声优化目标函数；/>表示第/>个局部口腔颌面中真实数据点的数量；/>表示点云数据中局部口腔颌面的数量；/>表示在第/>个局部口腔颌面内，极小值点与第/>个真实数据点的力场因子；/>表示在第/>个局部口腔颌面内，极小值点与所有真实数据点的力场因子的平均值；/>表示点云数据中所有可疑噪声点的测量值的方差；/>表示点云数据的噪声程度；/>表示点云数据中可疑噪声点的数量；/>表示双曲正切函数；/>表示获取绝对值；/>表示自然常数；

然后，当点云数据的噪声优化目标函数的输出值最小时，将获取的可疑噪声点作为点云数据中的真实噪声点。

进一步的，所述对点云数据中的真实噪声点进行去噪，对滤波后的点云数据进行三维建模，包括的具体方法为：

首先，对点云数据中的所有真实噪声点进行非局部均值滤波，获得滤波后的点云数据；

然后，通过Geomagic Studio软件对滤波后的点云数据进行三维建模，获得患者的口腔颌面模型。

本发明的技术方案的有益效果是：通过点云数据的数值分布、空间分布对称性估测噪声干扰强度，然后利用人工势场法，对每个极小值点进行邻域点合并，进而获取多个局部口腔颌面，再通过构建最优化目标函数对每个局部口腔颌面内的可疑测点进行筛选，得到分布在各个局部口腔颌面内的噪点，针对噪点进行非局部均值滤波平滑处理，保留图像细节信息，避免无差别平滑，改善点云数据质量，并大幅提高了结构光扫描技术在口腔颌面外科领域的应用可信度。

附图说明

为了更清楚地说明本发明实施例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为本发明基于结构光数据的口腔颌面外科术后护理系统的结构框图；

图2为口腔颌面模型。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于结构光数据的口腔颌面外科术后护理系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于结构光数据的口腔颌面外科术后护理系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于结构光数据的口腔颌面外科术后护理系统的结构框图，该系统包括以下模块：

数据采集模块，采集患者的口腔颌面对应的点云数据。

为了实现本实施例提出的基于结构光数据的口腔颌面外科术后护理系统，首先需要采集点云数据，具体过程为：

患者端坐，自然头位并张大嘴巴正对结构光三维测量设备，结构光三维测量设备调节焦距至患者口腔颌面在电脑显示器上位于正中间位置并清晰完整，将结构光三维测量设备采集的结构光数据以点云形式呈现，因此将获取的患者的口腔颌面的结构光数据也称为点云数据，点云数据中每个数据点对应有一个测量值将对应的点云数据以.asc格式保存，通过Geomagic Studio软件打开点包含点云数据的.asc文件。

至此，通过上述方法得到患者的口腔颌面对应的点云数据。

数据势场模块，用于构建引力场和斥力场，将引力场和斥力场合并获得数据点之间的合力场，通过合力场获取局部口腔颌面。

需要说明的是，结构光数据为三维的点云数据，结构光数据的测量值为正对患者的投射光发射器至患者口腔颌面每个测量点的欧式距离值。由于人脸结构存在一定的对称性，因此患者口腔颌面的点云数据也应该具有对称性，另外，点云数据中的噪声并非白噪声，而是由于患者的舌头、唾液、腔壁具有湿润、反光以及动态变化的因素导致的，因此噪声通常存在于局部，本实施例利用口腔颌面的点云数据的对称性特点来评估点云数据中的噪声程度。

具体的，步骤（1），首先，获取点云数据中所有数据点对应测量值的分布直方图记为测量值分布直方图，测量值分布直方图中相同测量值为一类，获得若干类的测量值，在测量值分布直方图中获取任意一类测量值对应的数量，将任意一类测量值的数量与点云数据中所有数据点的数量之间的比值，记为测量值的分布概率。

然后，将点云数据置于由三个坐标轴形成的三维直角坐标系中，其中/>表示左右空间，/>表示前后空间，/>表示上下空间，将由/>、/>两个坐标轴形成的平面记为基准平面，获取一个与基准平面平行且左右两侧数据点的数量相等时对应的平面记为中轴面，将中轴面左右两侧的点云数据分别记为左点云数据和右点云数据，将左点云数据中的数据点记为左侧数据点，将右点云数据中的数据点记为右侧数据点；将在中轴面右侧中与左侧数据点相对称的点记为左侧数据点的对称点。

最后，根据测量值分布直方图、左点云数据和右点云数据获取点云数据的噪声程度，具体计算方法为：

其中，表示点云数据的噪声程度；N表示测量值分布直方图中测量值的类型数量；表示第/>类测量值的分布概率；/>表示点云数据中所有测量值的分布概率的均值；/>表示点云数据中所有测量值的分布概率的标准差；/>表示左点云数据中数据点的数量；/>表示左点云数据中第/>个数据点的测量值；/>表示左点云数据中第/>个数据点对应的对称点的测量值；表示获取绝对值；/>表示双曲正切函数。

需要说明的是，代表测量值分布直方图的偏度绝对值，数值越大则偏度越大，反映了点云数据中数据点对应测量值在数值分布上的非对称性，偏度越大，测量值在数值分布上的非对称性越大；/>代表左点云数据和右点云数据中数据点对应测量值的均方误差，反映了点云数据中数据点的测量值在空间分布中的非对称性。

需要说明的是，在点云数据的噪声程度的计算方法中采用双曲正切函数的原因是：偏度绝对值和均方误差均具有获取均值的过程，因此计算结果的取值范围较小，而双曲正切函数在数值较小时，函数曲线变化率较大，因此可以更好的描述点云数据中不同干扰程度下的噪声，以此获得点云数据的噪声程度。

步骤（2），首先，将点云数据转换为三维的网格形式，每一个网格包含一个数据点且对应一个体素，利用三维Sobel算子获取点云数据中所有数据点的梯度，并利用线性归一化方法将所有数据点的梯度进行归一化处理获得归一化梯度，将点云数据中归一化梯度小于预设梯度阈值的数据点记为极小值点；获取点云数据中任意两个数据点之间的欧氏距离，并利用线性归一化方法将所有数据点的欧氏距离进行归一化处理获得归一化欧氏距离，将点云数据中归一化欧氏距离小于预设距离阈值的数据点记为另一个数据点的邻域点，获取点云数据中任意极小值点的若干个邻域点，将极小值点与邻域点的测量值差值记为极小值点与邻域点之间的力场因子。

需要说明的是，三维Sobel算子为计算体素梯度的现有技术，因此本实施例不过多赘述。

需要说明的是，在点云数据中一个极小值点会对应多个邻域点，一个邻域点也会对应多个极小值点。

需要说明的是，根据经验预设梯度阈值和距离阈值分别为0.2和0.3，可根据应用情况对梯度阈值和距离阈值分别进行调整，本实施例不进行具体限定。

然后，以任意极小值点为初始，将极小值点对应邻域点与极小值点进行合并，在合并过程中根据力场因子获取邻域点与极小值点之间的引力值和斥力值。

则根据力场因子构建引力场模型，获取在引力场模型下邻域点对极小值点的引力值，具体获取方法为：

其中，表示点云数据中第/>个极小值点的第/>个邻域点，对第/>个极小值点的引力值；/>表示第/>个极小值点的第/>个邻域点与第/>个极小值点之间的力场因子；/>表示预设的引力增益参数；/>表示自然常数。

需要说明的是，根据经验预设引力增益参数为1，可根据实际应用情况对引力增益参数进行调整，本实施例不进行具体限定。

需要说明的是，所述引力场模型即为，/>为以/>为指数的指数衰减函数，代表第/>个邻域点与第/>个极小值点之间的差异越大，则第/>个极小值点的第/>个邻域点，对第/>个极小值点的引力越小，反之则越大。

最后，在邻域点与对应的极小值点合并后，将合并后的邻域点记为对应极小值点的合并点，合并过程中极小值点存在若干个合并点，将若干个合并点构成的集合记为极小值点的合并点集合，获取极小值点与对应合并点集合中所有合并点之间的力场因子最大值，记为极小值点的最大力场；获取根据力场因子、最大力场以及极小值点与邻域点之间的距离构建斥力场模型，获取在斥力场模型下邻域点对极小值点的斥力值，具体获取方法为：

其中，表示点云数据中第/>个极小值点的第v个邻域点，对第/>个极小值点的斥力值；/>表示预设的斥力增益参数；/>表示第/>个极小值点的最大力场；/>表示第/>个极小值点的第/>个邻域点与第/>个极小值点之间的力场因子；/>表示双曲正切函数；/>表示自然常数；/>表示点云数据中第/>个极小值点与对应的第/>个邻域点之间的欧式距离；/>表示点云数据中除第/>个极小值点以外的极小值点与第/>个邻域点最近时对应的欧式距离；

需要说明的是，根据经验预设斥力增益参数为1，可根据实际情况进行调整，本实施例不进行具体限定。

需要说明的是，斥力因子为第/>个测点的测量值差异除以其之前的最大测量值差异，该斥力因子为一个动态变化值，在刚开始合并邻域测点时，斥力因子都会极大，随着合并过程的进行，后续邻域测点的斥力因子才会逐渐恢复正常，因此我们设置一个补偿函数/>，其变化曲线为非线性增大，当/>值较小时，/>也会较小且曲线斜率变化较快，随着合并的进行，即随着/>值增大，/>会趋近于1并几乎不再变化，/>为利用补偿函数对斥力因子进行补偿，得到准确的斥力因子。然后各个极小值点合并邻域测点的过程互斥，/>代表点云数据中第/>个极小值点与对应的第/>个邻域点之间的欧式距离，与点云数据中除第/>个极小值点以外的极小值点与第/>个邻域点最近时对应的欧式距离之间的差异，当/>越小时，第/>个极小值点的第/>个邻域点，对第/>个极小值点的斥力越大。

需要说明的是，所述斥力场模型即为。

步骤（3），首先，根据引力值和斥力值构建合力场模型，获取在合力场模型下邻域点对极小值点的合力值，具体获取方法为：

其中，表示点云数据中第/>个极小值点的第/>个邻域点，对第/>个极小值点的合力值；/>表示点云数据中第/>个极小值点的第/>个邻域点，对第/>个极小值点的引力值；/>表示点云数据中第/>个极小值点的第/>个邻域点，对第o个极小值点的斥力值。

需要说明的是，由于引力场和斥力场均为向量，因此代表第/>个极小值点的第/>个邻域点，对第/>个极小值点的引力值与斥力值的向量模，作为合力值/>。

然后，获取所有极小值点与各自对应的所有邻域点之间的合力值，并利用线性归一化方法将所有合力值进行归一化处理获得归一化合力值，当归一化合力值大于预设合力阈值时，将邻域点合并入对应的合并点集合中，在任意极值点对应的所有邻域点所形成的区域内，利用最小二乘法对极小值点的所有合并点进行曲面拟合，将拟合获得的曲面记为对应极小值点的局部口腔颌面，一个极小值点对应一个局部口腔颌面。

需要说明的是，在本实施例中选用四次曲面函数作为最小二乘法的拟合曲面函数，可根据具体应用情况选用其他拟合曲面函数，本实施不进行具体限定；另外，由于最小二乘法为现有的拟合算法，因此本实施例不过多赘述。

需要说明的是，由于噪声是由于投影光线在口腔内的反射、折射形成，因此测点存在噪声时，其表现的测量值必然大于实际的测量值，且口腔颌面内的所有边缘细节几乎都是极小值组成，例如牙齿缝隙、小孔等，极小值分布在点云空间中的核心位置，因此本实施例将点云数据中的极小值点视为非噪声的数据点，那么其他绝大多数非极小值数据点同时包含噪声数据和非噪声数据，理论上非极小值数据点可以形成一个曲面，因此本实施例将口腔颌面的点云数据视为一个势场曲面,引用人工势场的方式构建合力场，以获取局部口腔颌面。

至此，通过上述方法得到局部口腔颌面。

噪声筛选模块，用于构建点云数据的噪声优化目标函数，获取点云数据中的真实噪声点。

具体的，首先，将点云数据中任意数量以及任意位置的数据点作为可疑噪声点，将点云数据中除可疑噪声点以外的数据点记为真实数据点；根据力场因子、可疑噪声点和真实数据点的数量、数据点的测量值以及噪声干扰程度构建点云数据的噪声优化目标函数，具体获取方法为：

其中，表示点云数据的噪声优化目标函数；/>表示第/>个局部口腔颌面中真实数据点的数量；/>表示点云数据中局部口腔颌面的数量；/>表示在第/>个局部口腔颌面内，极小值点与第/>个真实数据点的力场因子；/>表示在第/>个局部口腔颌面内，极小值点与所有真实数据点的力场因子的平均值；/>表示点云数据中所有可疑噪声点的测量值的方差；/>表示点云数据的噪声程度；/>表示点云数据中可疑噪声点的数量；/>表示双曲正切函数；/>表示获取绝对值；/>表示自然常数。

需要说明的是，代表所有真实数据点在各自局部口腔颌面内的平均方差，该值越小代表各局部口腔颌面内真实数据点越稳定；/>代表利用双曲正切函数对点云数据中所有可疑噪声点的测量值的方差进行正比例归一化，目的是保持与噪声干扰程度E对应量纲的统一，/>代表噪声干扰程度与测量值方差归一化值的差值绝对值，该差值绝对值越小代表可疑噪点越有可能是真实的噪声数据点；另外，可疑噪声点选取过程中，会出现仅筛选少量测量值差异较大的数据点而未选取测量值差异较小的数据点，尽管这样也可能使噪声优化目标函数趋向收敛，但这种情况属于局部最优问题，本实施例根据可疑噪声点的数量获得惩罚项/>，避免局部最优问题。

然后，当点云数据的噪声优化目标函数的输出值最小时，将获取的可疑噪声点作为点云数据中的真实噪声点。

需要说明的是，本实施例通过在局部的口腔颌面上遍历获取每个局部口腔颌面上数据点作为可疑噪声点，然后通过力场因子、可疑噪声点和真实数据点的数量、数据点的测量值以及噪声干扰程度构建点云数据的噪声优化目标函数，根据噪声优化目标函数的输出值确定点云数据中的真实噪声点。

至此，通过上述方法得到点云数据中的真实噪声点。

去噪建模模块，用于对点云数据进行去噪处理，并对滤波后的点云数据进行三维建模。

具体的，首先，对点云数据中的所有真实噪声点进行非局部均值滤波，获得滤波后的点云数据。

需要说明的是，非局部均值滤波为现有滤波技术，因此本实施例不过多赘述，通过对真实噪声点进行滤波平滑，而对其他数据点不进行处理，保证在消除点云数据中噪声的同时，避免无差别平滑的情况。

然后，通过Geomagic Studio软件对滤波后的点云数据进行三维建模，获得患者的口腔颌面模型，如图2所示。

需要说明的是，患者的口腔颌面模型可以为医生提供更可靠、准确的数据支持，并掌握患者术后恢复进度信息，并提供专业的护理方案。

需要说明的是，本实施例旨在去除点云数据中的噪声，保证患者口腔颌面对应点云数据的数据质量，针对不同患者的具体护理方案非本实施例重点，因此本实施例不进行过多赘述。

至此，本实施例完成。

需要说明的是，本实施例中所用的模型仅用于表示负相关关系和约束模型输出的结果处于/>区间内，具体实施时，可替换成具有同样目的的其他模型，本实施例只是以/>模型为例进行叙述，不对其做具体限定，其中/>是指该模型的输入。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，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。

Claims (10)

1.基于结构光数据的口腔颌面外科术后护理系统，其特征在于，该系统包括以下模块：

数据采集模块，用于采集患者的口腔颌面对应的点云数据，点云数据中每个数据点对应一个测量值；

数据势场模块，用于获取关于点云数据中所有数据点对应测量值的分布直方图记为测量值分布直方图，根据测量值分布直方图中各测量值对应数据点的数量获得测量值的分布概率；将点云数据置于三维直角坐标系中，并将点云数据划分为左右两部分的点云数据分别记为左点云数据和右点云数据，根据左点云数据和右点云数据中数据点对应测量值的差异以及测量值的分布概率获得点云数据的噪声程度；获取点云数据中的极小值点，根据数据点之间的距离获得数据点的邻域点，将极小值点与邻域点的测量值差值记为极小值点与邻域点之间的力场因子，根据力场因子以及距离分别获得邻域点对极小值点的引力值和斥力值，根据引力值和斥力值将极小值点与邻域点合并获得合并点，对合并点进行曲面拟合获得局部口腔颌面；

噪声筛选模块，用于对点云数据进行遍历，并根据力场因子、数据点的测量值以及噪声干扰程度构建点云数据的噪声优化目标函数，噪声优化目标函数最小时获得点云数据中的真实噪声点；

去噪建模模块，用于对点云数据中的真实噪声点进行去噪，对滤波后的点云数据进行三维建模。

2.根据权利要求1所述基于结构光数据的口腔颌面外科术后护理系统，其特征在于，所述获取关于点云数据中所有数据点对应测量值的分布直方图记为测量值分布直方图，根据测量值分布直方图中各测量值对应数据点的数量获得测量值的分布概率，包括的具体方法为：

获取点云数据中所有数据点对应测量值的分布直方图记为测量值分布直方图，测量值分布直方图中相同测量值为一类，获得若干类的测量值，在测量值分布直方图中获取任意一类测量值对应的数量，将任意一类测量值的数量与点云数据中所有数据点的数量之间的比值，记为测量值的分布概率。

3.根据权利要求1所述基于结构光数据的口腔颌面外科术后护理系统，其特征在于，所述将点云数据置于三维直角坐标系中，并将点云数据划分为左右两部分的点云数据分别记为左点云数据和右点云数据，根据左点云数据和右点云数据中数据点对应测量值的差异以及测量值的分布概率获得点云数据的噪声程度，包括的具体方法为：

首先，将点云数据置于由三个坐标轴形成的三维直角坐标系中，其中/>表示左右空间，/>表示前后空间，/>表示上下空间，将由/>、/>两个坐标轴形成的平面记为基准平面，获取一个与基准平面平行且左右两侧数据点的数量相等时对应的平面记为中轴面，将中轴面左右两侧的点云数据分别记为左点云数据和右点云数据，将左点云数据中的数据点记为左侧数据点，将右点云数据中的数据点记为右侧数据点；将在中轴面右侧中与左侧数据点相对称的点记为左侧数据点的对称点；

然后，点云数据的噪声程度的具体计算方法为：

其中，表示点云数据的噪声程度；N表示测量值分布直方图中测量值的类型数量；/>表示第/>类测量值的分布概率；/>表示点云数据中所有测量值的分布概率的均值；/>表示点云数据中所有测量值的分布概率的标准差；/>表示左点云数据中数据点的数量；/>表示左点云数据中第/>个数据点的测量值；/>表示左点云数据中第/>个数据点对应的对称点的测量值；/>表示获取绝对值；/>表示双曲正切函数。

4.根据权利要求1所述基于结构光数据的口腔颌面外科术后护理系统，其特征在于，所述获取点云数据中的极小值点，根据数据点之间的距离获得数据点的邻域点，包括的具体方法为：

将点云数据转换为三维的网格形式，每一个网格包含一个数据点且对应一个体素，利用三维Sobel算子获取点云数据中所有数据点的梯度，并利用线性归一化方法将所有数据点的梯度进行归一化处理获得归一化梯度，将点云数据中归一化梯度小于预设梯度阈值的数据点记为极小值点；获取点云数据中任意两个数据点之间的欧氏距离，并利用线性归一化方法将所有数据点的欧氏距离进行归一化处理获得归一化欧氏距离，将点云数据中归一化欧氏距离小于预设距离阈值的数据点记为另一个数据点的邻域点，获取点云数据中任意极小值点的若干个邻域点。

5.根据权利要求1所述基于结构光数据的口腔颌面外科术后护理系统，其特征在于，所述根据力场因子以及距离分别获得邻域点对极小值点的引力值和斥力值，包括的具体方法为：

首先，以任意极小值点为初始，将极小值点对应邻域点与极小值点进行合并，在邻域点与对应的极小值点合并后，将合并后的邻域点记为对应极小值点的合并点，合并过程中极小值点存在若干个合并点，将若干个合并点构成的集合记为极小值点的合并点集合，获取极小值点与对应合并点集合中所有合并点之间的力场因子最大值，记为极小值点的最大力场；

然后，在邻域点与极小值点进行合并过程中，根据力场因子获得引力值参数，其中/>表示第/>个极小值点的第/>个邻域点与第/>个极小值点之间的力场因子；预设引力增益参数，将引力增益参数与引力值参数相乘获得邻域点对极小值点的引力值；

最后，根据极小值点与邻域点对应欧式距离之间的差异获得第一斥力因子，将任意极小值点与对应邻域点的力场因子与极小值点的最大力场之间的比值记为第二斥力因子，根据极小值点对应邻域点的序数获得第三斥力因子，其中/>表示极小值点对应邻域点的序数，/>表示双曲正切函数；根据第一斥力因子、第二斥力因子以及第三斥力因子获得斥力值参数，根据斥力值参数获得邻域点对极小值点的斥力值。

6.根据权利要求5所述基于结构光数据的口腔颌面外科术后护理系统，其特征在于，所述根据极小值点与邻域点对应欧式距离之间的差异获得第一斥力因子，包括的具体方法为：

将点云数据中任意极小值点记为目标极小值点，将目标极小值点的任意邻域点记为目标邻域点，将目标极小值点与目标邻域点之间的欧式距离记为目标极小值点与目标邻域点之间的第一距离，将点云数据中除目标极小值点以外的极小值点与目标邻域点最近时对应的欧式距离记为目标极小值点与目标邻域点之间的第二距离；

将第一距离和第二距离的差值绝对值记为目标极小值点与目标邻域点之间的距离特征，根据距离特征获得第一斥力因子/>。

7.根据权利要求5所述基于结构光数据的口腔颌面外科术后护理系统，其特征在于，所述根据第一斥力因子、第二斥力因子以及第三斥力因子获得斥力值参数，根据斥力值参数获得邻域点对极小值点的斥力值，包括的具体方法为：

将第一斥力因子、第二斥力因子以及第三斥力因子的累积结果记为数值，将数值A的平方记为斥力值参数；

预设斥力增益参数，将斥力增益参数与斥力值参数相乘获得邻域点对极小值点的斥力值。

8.根据权利要求1所述基于结构光数据的口腔颌面外科术后护理系统，其特征在于，所述根据引力值和斥力值将极小值点与邻域点合并获得合并点，对合并点进行曲面拟合获得局部口腔颌面，包括的具体方法为：

首先，将引力值和斥力值之间和值的向量模记为邻域点对极小值点的合力值；

然后，获取所有极小值点与各自对应的所有邻域点之间的合力值，并利用线性归一化方法将所有合力值进行归一化处理获得归一化合力值，当归一化合力值大于预设合力阈值时，将邻域点合并入对应的合并点集合中，在任意极值点对应的所有邻域点所形成的区域内，利用最小二乘法对极小值点的所有合并点进行曲面拟合，将拟合获得的曲面记为对应极小值点的局部口腔颌面，一个极小值点对应一个局部口腔颌面。

9.根据权利要求1所述基于结构光数据的口腔颌面外科术后护理系统，其特征在于，所述用于对点云数据进行遍历，并根据力场因子、数据点的测量值以及噪声干扰程度构建点云数据的噪声优化目标函数，噪声优化目标函数最小时获得点云数据中的真实噪声点，包括的具体方法为：

首先，将点云数据中任意数量以及任意位置的数据点作为可疑噪声点，将点云数据中除可疑噪声点以外的数据点记为真实数据点；根据力场因子、可疑噪声点和真实数据点的数量、数据点的测量值以及噪声干扰程度构建点云数据的噪声优化目标函数，具体获取方法为：

其中，表示点云数据的噪声优化目标函数；/>表示第/>个局部口腔颌面中真实数据点的数量；/>表示点云数据中局部口腔颌面的数量；/>表示在第/>个局部口腔颌面内，极小值点与第/>个真实数据点的力场因子；/>表示在第/>个局部口腔颌面内，极小值点与所有真实数据点的力场因子的平均值；/>表示点云数据中所有可疑噪声点的测量值的方差；/>表示点云数据的噪声程度；/>表示点云数据中可疑噪声点的数量；/>表示双曲正切函数；/>表示获取绝对值；/>表示自然常数；

然后，当点云数据的噪声优化目标函数的输出值最小时，将获取的可疑噪声点作为点云数据中的真实噪声点。

10.根据权利要求1所述基于结构光数据的口腔颌面外科术后护理系统，其特征在于，所述对点云数据中的真实噪声点进行去噪，对滤波后的点云数据进行三维建模，包括的具体方法为：

首先，对点云数据中的所有真实噪声点进行非局部均值滤波，获得滤波后的点云数据；

然后，通过Geomagic Studio软件对滤波后的点云数据进行三维建模，获得患者的口腔颌面模型。