专利名称：用于将主动表观模型应用于图像分析的系统和方法
技术领域：
总地来说，本发明涉及使用统计模型的图像分析。
背景技术：
形状和表观统计模型是用于解译数字图像的强大工具。可变形统计模型已经被应用到包括面貌识别、工业检验、和医学图像解译的许多领域。诸如主动形状模型和主动表观模型的可变形模型可以被应用于具有复杂和可变结构的包括噪声和可能分辩困难的图像。一般地，形状模型将对象模型与图像中的目标对象的边界相匹配，而表观模型使用模型参数，以利用形状和纹理(texture)识别合成完整的图像匹配并从该图像中再生目标对象。
诸如由Cootes等人在关于计算机视觉的欧洲研讨会上发表的题为“主动表观模型”中的形状和表观三维统计模型已经被应用于解译医学图像，但是，生物构造中存在的内部和外部个体可变性会使图像解译很困难。医学图像解译中的很多应用都涉及需要具有控制图像结构处理和分析能力的自动化系统。医学图像一般具有几类不同的对象，因此，可变形模型需要维持其表示的对象类的本质特征，但是还可以变形以符合对象实例的具体范围。一般地，该模型应该能够生成模型对象表示的似乎真实和合法的对象类的任何有效的目标对象。然而，现有的模型系统不检验由模拟的对象类表示的图像中目标对象的存在。现有模型系统的另一个缺点在于它们不能识别最好的模型对象，以用于具体图像。例如，在医学成像应用中，需要分割病理解剖学(pathological anatomy)。病理解剖学比生理解剖学具有更加明显的可变性。在表示模型中模拟病理解剖学的所有变化的重要的副作用是模型对象可以“认识到”错误的形状，从而找到次佳的解决方法。这可以由以下事实导致在模型对象生成期间存在基于实例训练图像的生成步骤，模型对象能够认识实际上可能并不存在的实例形状。
现有模型系统的其它缺点包括图像的再生目标对象在空间和/或时间上的不均匀分布，以及对于确定图像中识别的目标对象的病变缺乏帮助。
本发明的目的在于提供一种可变形统计模型的图像解译系统和方法，以消除或减小至少一些上述缺点。
发明内容
根据本发明，提供了一种具有用于解译数字图像的统计表观模型的图像处理系统，该表观模型具有至少一个模型参数，该系统包括多维第一模型对象，其包括相关的第一统计关系，且被配置用于变形为近似于数字图像中的多维目标对象的形状和纹理；多维第二模型对象，其包括相关的第二统计关系，且被配置用于变形为近似于数字图像中的目标对象的形状和纹理，第二模型对象具有不同于第一模型对象的形状和纹理结构；搜索模块，用于将第一模型对象应用于用于生成近似于目标对象的形状和纹理的多维第一输出对象的图像，并且计算第一输出对象和目标对象之间的第一误差，以及用于将第二模型对象应用于用于生成与目标对象的形状和纹理近似的多维第二输出对象的图像，并且计算第二输出对象和目标对象之间的第二误差；选择模块，用于比较第一误差与第二误差，使得选择具有最小显著误差(significant error)的输出对象中的一个；以及输出模块，用于将表示所选输出对象的数据提供给输出。
根据本发明的另一方面，提供了一种具有用于解译数字图像序列的统计表观模型的图像处理系统，该表观模型具有至少一个模型参数，该系统包括多维模型对象，其包括相关的统计关系，该模型对象被配置用于变形为近似于数字图像中的多维目标对象的形状和纹理；搜索模块，用于选择模型对象且将其应用于用于生成近似于目标对象的形状和纹理的多维输出对象的对应序列的图像，该搜索模块计算每个输出对象和目标对象之间的误差；内插模块，用于基于序列中相邻输出对象之间期望的预定义变化，识别在输出对象序列中的至少一个无效输出对象，该无效输出对象具有初始模型参数；以及输出模块，用于将表示输出对象序列的数据提供给输出。
根据本发明的再一方面，提供了一种解译具有统计表观模型的数字图像的方法，该表观模型具有至少一个模型参数，该方法包括以下步骤提供多维第一模型对象，其中，多维第一模型对象包括相关的第一统计关系，并且被配置用于变形为近似于数字图像中的多维目标对象的形状和纹理；提供多维第二模型对象，其中，多维第二模型对象包括相关的第二统计关系，并且被配置用于变形为近似于数字图像中的目标对象的形状和纹理，第二模型对象具有不同于第一模型对象的形状和纹理；将第一模型对象应用于用于生成近似于目标对象的形状和纹理的多维第一输出对象的图像；计算第一输出对象和目标对象之间的第一误差；将第二模型对象应用于用于生成近似于目标对象的形状和纹理的多维第二输出对象的图像；计算第二输出对象和目标对象之间的第二误差；比较第一误差和第二误差，使得选择具有最小显著误差的输出对象中的一个；以及将表示所选输出对象的数据提供给输出。
根据本发明的又一方面，提供了一种用于利用统计表观模型来解译数字图像的计算机程序产品，该表观模型具有至少一个模型参数，该计算机程序产品包括计算机可读介质，其上存储有对象模块，其中，对象模块被配置为具有包括相关第一统计关系且被配置用于变形为近似于数字图像中的多维目标对象的形状和纹理的多维第一模型对象，以及包括相关第二统计关系且被配置用于变形为近似于数字图像中的目标对象的形状和纹理的多维第二模型对象；搜索模块，存储在计算机可读介质上，用于将第一模型对象应用于用于生成与目标对象的形状和纹理近似的多维第一输出对象的图像，并且计算第一输出对象和目标对象之间的第一误差，以及用于将第二模型对象应用于用于生成近似于目标对象的形状和纹理的多维第二输出对象的图像，并且计算第二输出对象和目标对象之间的第二误差，第二模型对象具有不同于第一模型对象的形状和纹理；选择模块，其连接到搜索模块，用于比较第一误差和第二误差，使得选择具有最小显著误差的输出对象中的一个；以及输出模块，连接到选择模块，用于将表示所选输出对象的数据提供给输出。
根据本发明的又一方面，提供了一种用于解译具有统计表观模型的数字图像的方法，该表观模型具有至少一个模型参数，该方法包括以下步骤提供包括相关统计关系的多维模型对象，该模型对象被配置用于变形为近似于数字图像中的多维目标对象的形状和纹理；将模型对象应用于用于生成近似于目标对象的形状和纹理的多维输出对象对应序列的图像；计算每个输出对象和目标对象之间的误差；基于相邻输出目标序列之间的期望的预定义变化，识别输出对象序列中的至少一个无效输出对象，该无效输出对象具有初始模型参数；以及将表示输出对象序列的数据提供给输出。
参考附图，本发明优选实施例的上述及其它特征在下面的详细描述中将变得更加明显。
图1是图像处理系统的框图；图2是图1所示系统的实例应用；图3a是图1所示系统的目标对象可变性的实例；图3b是图1所示系统的目标对象可变性的又一实例；图4是用于解译诸如图3a和图3b所示的目标对象可变性的图像处理系统的框图；图5是图4所示多模型AAM的操作实例；图6是图4所示系统的训练图像组的实施例；图7是用于解译诸如图6所示的目标对象可变性的图像处理系统的框图；图8是图7所示系统的操作实例；图9是图7所示系统的模型参数的定义实例；图10是用于为图11所示的输出对象插入模型参数的图像处理系统；图11是图10所示系统的实现实例；以及图12是图10所示系统的操作实现的实例。
具体实施例方式
图像处理系统参考图1，图像处理计算机系统10包括存储器12，其通过总线16连接到处理器14。存储器12具有主动表观模型(AAM)，该主动表观模型包括所关心的包括在数字图像或数字图像组18中的目标对象200(参见图2所示)的形状和灰度级的统计模型对象。AAM的统计模型对象包括两个主要部件对象表观(形状和纹理)的参数化3D模型20、以及参数位移(parameter displacement)和感应图像残留(induced image residual)之间的关系统计估计22，可以允许如下面进一步描述的目标对象200的形状和表观的完全合成。认可的是，目标对象200的纹理涉及在包括目标对象200的图像18中的单独像素的图像强度或像素值。
系统10可以使用训练(training)模块24来确定模型参数位移与在训练阶段习知的残留误差(residual error)之间的局部线性(例如)关系22，以从训练图像组26中导出什么是有效形状和强度变化。关系22作为模型AAM的一部分结合在其中。搜索模块28在搜索阶段利用AAM的确定关系22，以帮助从图像18中识别和再生模拟目标对象200。为了匹配图像18中的目标对象200，以下将进一步描述，模块28测量残留误差并使用AAM预测当前模型参数的变化，以通过输出模块31生成表示预期目标对象200再生的输出30。然而，用于图像解译的AAM的使用可以认为是优化问题，其中，选择模型参数，使得AAM的合成模型图像和在图像18中搜索到的目标对象200之间的差值(误差)最小。认可的是，处理系统10还可以只包括搜索模块28的可执行版本、AAM、和图像18，使得训练模块24和训练图像26被预先实施，以构造由系统10使用的AAM部件20、22。
再次参考图1，系统10还具有用户界面32，其通过总线16连接至处理器14，以与用户(未示出)互相作用。用户界面32可以包括例如但不限于QWERTY键盘、辅助键盘、拨轮(trackwheel)、唱针、鼠标、麦克风的一个或多个输入装置、以及诸如LCD屏幕显示器和/或扬声器的用户输出装置。如果屏幕是触敏开关(touchsensitive)，则显示器也可以用作由处理器14控制的用户输入装置。为了再生目标对象200作为用户界面32上的输出30，系统10的用户使用用户界面32，以利用可变形模型AAM来解译数字图像18。输出30可以由显示在屏幕上和/或以文件存储在存储器12中的目标对象200的合成输出对象图像表示为一组提供与目标对象200的合成输出对象图像有关信息的描述性数据或其结合。进一步，认可的是，系统10可以包括计算机可读存储介质34，其通过总线16连接至处理器14，用于向处理器14提供指令和/或加载/更新存储器12中的模块24、28、模型AAM、以及图像18、26的系统10的部件。计算机可读介质34可以包括硬件和/或软件，例如只作为实例的磁盘、磁带、诸如CD/DVD ROM的光学可读介质、以及存储卡。在每种情况下，计算机可读介质34可以采用小磁盘、软盘、盒式磁带、硬盘驱动、固态存储卡、或设置在存储器12中的RAM的形式。应该注意的是，以上列出的示例性计算机可读介质34可以单独使用或结合使用。还认可的是，对处理器14和/或加载/更新存储器12中的系统10的部件的指令可以通过网络(未示出)提供。
主动表观模型算法实例参考图1和图2，在该部分将描述本领域公知的表观模型AAM的实例是怎样生成并执行的。该方法可以包括归一化(normalisation)和加权(weighting)步骤，以及点的子采样(subsampling of point)。
训练阶段统计表观模型AAM包括训练对象201的形状和灰度级表观模型20，感兴趣的目标对象200的实例可以根据模型参数的压缩集来“解释”任何有效实例。一般地，模型AAM将具有50个或更多个参数，例如但不限于形状和纹理参数C、旋转参数、和尺度参数。这些参数可以用于图像18更高级别的解译。例如，当分析面部图像时，这些参数可以用来表征目标面部的身份、姿态或表情。模型AAM是基于标注训练图像组26构建的，其中关键界标(landmark)点202标注在每个实例训练对象201上。标注的实例与公共坐标系对准，并且每个标注实例可以由一个向量x表示。因此，通过将形状归一化帧中的形状改变模型与表观改变模型相结合生成模型AAM。例如，为了构建解剖模型AAM，在关键位置用界标点202标注训练图像26，以勾勒出大脑的主要特征，例如，诸如但不限于脑室、尾状核、和豆状核(如图2所示)。
通过将本领域公知的主成分分析(principal component analysis，PCA)应用到点202上实现训练模型24生成形状改变的统计模型20。任何随后的目标对象200可以由下列等式近似x＝x+Psbs(1)其中，x是平均形状，Ps是一组变化的正交模式，以及bs是一组形状参数。
为了构建灰度级表观统计模型20，扭曲每个图像实例，使得其控制点202与平均形状匹配(例如，通过使用本领域公知的三角测量运算)。然后从由平均形状覆盖的区域上的形状归一化图像中采样灰度级信息gim。为了使全局照明变量(global lighting variation)最小，将缩放比例α和偏移量β应用于归一化采样实例
g＝(gim-β)/α (2)选择α和β值，以最佳匹配向量和归一化平均值。使g为归一化数据、缩放比例及偏移量的平均值，从而使得元素的总和为零，以及元素变化为整数。需要归一化gim的α和β值由下式给出α＝gim·g，β＝(gim·1)/n(3)其中，n是向量中的元素个数。
当然，获得归一化数据的平均值之后是递归处理，因为归一化是根据平均值定义的。通过将其中一个实例用作平均值的第一估计、将其它值与它校准(使用等式2和等式3)、重新估计平均值并迭代可以找到稳定的解法。通过将PCA应用于归一化数据，可以获得线性模型g＝g+Pgbg(4)其中，g是平均归一化灰度级向量，Pg是一组变化的正交模式，bg是一组灰度级参数。
因此，任何实例的形状和表观模型20都可由向量bs和bg来概括。由于在形状和灰度级变化之间存在相关性，所以我们可以将进一步PCA应用于下列数据。对于每个实例，可以生成连接向量b=[Wsbsbg]=[WsPsT(x-x‾)PgT(g-g‾)]---(5)]]>其中，Ws是用于每个形状参数的权重的对角矩阵，其允许在单元中形状和灰度级(如下所示)之间存在差别。将PCA应用于这些向量，得出进一步的模型
b＝Qc (6)其中，Q是特征向量，c是控制模型形状和灰度级的表观参数向量。由于形状和灰度级参数具有零平均值，所以c也具有。注意，模型的线性特性允许直接将形状和灰度级表示为c的函数x＝x+PsWsQsc，g＝g+PgQgc(7)其中，Q=(QsQg)---(8)]]>认可的是，Qs、Qg是描述从包括训练对象201的训练图像组26得出的变化模式的矩阵。这些矩阵是从真实训练组26(truetraining set)位置和感应图像残留通过对随机位移的线性回归得到的。
再次参考图1，在训练阶段期间，模型AAM实例被训练图像组26中的最佳位置的训练模型24随机地替换，使得AAM认识到形状和强度变化的有效范围。记录被替换的模型AAM实例与图像26之间的差别，并使用线性回归来估计残留(residual)和参数位移(例如，c和g之间)之间的关系22。注意，bs元素具有距离单位，bg元素具有强度单位，所以不能直接比较它们。由于pg具有正交列，所以以一个单位改变的bg以一个单位移动g。为了使bs和bg匹配，估计改变bs对采样g的影响。为了做这件事，系统地将每个bs元素从其每个训练实例上的最佳值偏移，并且对给定替换形状的图像进行采样。形状参数bs每单位的改变g的RMS改变给出将应用于等式(5)中的那个参数的权重Ws。训练阶段允许模型AAM确定每点202的变化，这为模型对象的每个相关部分提供运动和大小强度变化，以协助将可变形模型对象与图像18中的目标对象200匹配。
利用上述包括模型20和关系22的AAM算法实例，通过从向量g生成自由形状的灰度级图像并使用由x描述的控制点将其扭曲，为给定的c合成实例输出图像30。
搜索阶段再次参考图1和图2，在搜索模型28进行图像搜索期间，确定参数，其将图像18中的目标对象200的像素与由模型20和关系22表示的合成模型AAM模型对象之间的差值最小化。假设目标对象200呈现在具有与由模型20和关系22表示的模型对象稍有不同(变形)的特定形状和表观的图像18中。将模型对象的初始估计置于图像18中，并且通过逐点比较202测量当前的残留。关系22用于预测将产生更佳配合(fit)的当前参数的改变。AAM的初始公式表达直接控制合成的形状和灰度级参数。可选方法将使用图像残留来驱动形状参数，并直接从给定当前形状的图像18计算灰度级参数。当存在少量形状模式和很多灰度级模式时，这种方法很有效。
因此，搜索模块28将图像18解译视作最优化问题，其中，考虑中的图像18与由表观模型AAM合成的图像之间的差值被最小化。所以，给出一组模型参数c，模块28生成模型AAM实例的形状x、和纹理gm的假设。比较假设与图像，模块28使用模型AAM的建议形状对图像纹理gs进行采样，并计算差值。差值的最小化导致模型AAM的收敛(convergence)，并导致搜索模块28产生输出30。
认可的是，上述模型AAM还可以包括例如但不限于本领于公知的形状AAM、主动斑点(active blob)、形态模型、以及直接表观模型(direct appearance model)。术语“主动表观模型(AAM)”一般是指上述线性和形状表观模型类，并且毫无疑问的是不只限于上述实例模型AAM的具体算法。还认可的是，模型AAM可以使用不同于上述误差图像与形状和表观参数的附加增量之间的线性关系22。
目标对象中的可变性参考图1，当前的多维AAM模型不检验图像18中的由具体的多维模型对象恰当表示的目标对象200(参见图2)的存在。换句话说，当前的多维模型AAM模式找出了图像18中的具体多维模型对象的最佳匹配，但是不核对模拟的目标对象200是否实际存在于图像18中。用于具体图像18的AAM最佳目标模型的识别在医学成像市场上具有重大的意义。在医学成像应用中，目的在于分割病理解剖学。病理解剖学比生理解剖学具有更大的可变性。对一个模型对象中的病理解剖学的所有变化进行模拟的重大的副作用是模型AAM可以“认识到”错误的形状，从而找出次佳的解决方法。在学习阶段期间的不正确学习可以由下列事实导致在模型生成期间，存在基于训练实例图像26的一般化步骤。
参考图3a，实例器官O具有宽和高都设为1cm的正方形生理形状。一旦病人感染病状A，器官O的高度变为小于1cm，而如果病人感染病状B，则器官O的宽度变为小于1cm。在该实施例中，需要注意，不存在具有宽度和高度同时小于1cm的器官O的有效病状。在此实施例中认可的是，图4的训练实例图像426不包括宽度和高度同时小于1cm的器官O的训练模型。参考图3b，示出了图4中的图像18被表示为一组用于表示病人脑部340的三维容量的2D切片。根据单个图像18切片的厚度，可以看出一个切片342可以包括左脑室346和右脑室348，而切片344可以只包括左脑室346。考虑到上述情况，存在这样的例子图像18可以包括目标对象中的显著变化，使得AAM的一个指定模型对象不能够得出期望的输出30，例如但不限于两个脑室模型对象应用于仅具有一个脑室或病状A的图像418、或应用于包括仅具有病状B的器官O的图像418。认可的是，目标对象中的显著变化的其他实例可以存在于空间和/或时间维度中。
复合模型(Multiple Model)参考图4，相似的元素具有相同的参考数字，且在图1中给出对这些元素的描述。图像处理计算机系统410具有通过总线16连接至处理器14的存储器12。存储器12具有包括复合统计模型对象的主动表观模型(AAM)，其中，至少一个统计模型对象可能适合于模拟包括在数字图像或数字图像组418中感兴趣的目标对象200(参见图2)的形状和灰度级。用于心脏应用的各种模型对象的实例用于例如但不限于心室模型、尾状核模型、以及豆状核模型，这些模型可以用来从合成的心脏图像418中识别并分割各个解剖体(anatomy)。AAM的统计2D模型对象包括对象表观(形状和纹理)的参数化2D模型420a、420b的主要部件以及参数位移和感应图像残留之间关系的统计估计422a、422b，可以允许如下进一步描述的目标对象200的形状和表观的完全合成。除部件420a、420b是2D空间而不是系统10的部件20(参见图1)的3D模型对象之外，部件420a、420b以及422a、422b在内容上与上述部件20、22相似。而且，系统410的模型AAM的部件420a、422a表示一个模型对象和相关统计信息，诸如图3a示出的用于器官O的病状A的模型对象和用于器官O的病状B的部件420b、422b。另一个实例是，部件420a、422a表示图3b示出的切片342的两个脑室几何结构，部件420b、422b表示切片344的一个脑室几何结构。认可的是，系统410的模型AAM具有两组或多组表示目标对象200(参见图2)结构中的预定义变化的2D模型对象(部件420a、420b和422a、422b)，例如但不限于与图像418容量内位置有关和/或与变化的病状有关的解剖体几何结构。
系统410可以使用训练模块424来确定在训练阶段得到的模型参数位移和残留误差之间的多个局部线性(例如)关系422a、422b，以从包括与训练对象201(参见图2)相似的目标对象200的各种不同结构/几何结构的适当训练图像组26中指示出什么是有效形状和密度变化。关系422a、422b被结合作为模型AAM的一部分。因此，训练模块424用于生成具有将多个2D模型对象应用于图像418的能力的模型AAM。搜索模块428在搜索阶段使用AAM的预定关系422a、422b，以协助从图像418中识别和再生模拟目标对象200。搜索模块428将每个2D模型对象(部件420a、420b和422a、422b)应用于图像418，以试图识别并合成目标对象200。为了匹配图像418中的目标对象200，模块428测量残留误差并使用AAM预测当前模型参数的变化，以产生表示期望目标对象200的再生的输出30。认可的是，处理系统410还可以仅包括搜索模块428的可执行版本、AAM、以及图像418，使得预先执行训练模块424和训练图像426，以构建系统410使用的AAM的部件420a、420b和422a、422b。系统410还使用选择模块402，以选择搜索模块428应用的最能表示期望目标对象200的2D模型对象。
再次参考图4，在一般情况下，具有图像组418和一组在模拟图像418中存在的目标对象200(参见图2)的2D模型对象M1...Mn。系统410的AAM算法可以选择哪个2D模型Mi最能表示图像418中的目标对象200。为此问题给出了两个实例解法，一个是一般解法，第二个则要求关于该问题领域的更多信息。注意到，这些解法不是相互排斥的。
一般解法一般解法是通过具有图像418中每个模型Mi搜索模块428搜索目标对象200，以及选择具有最适当/小误差的输出30，其中，该误差估计为例如从选择的2D模型Mi生成的输出图像30与图像418中的目标对象200之间的差值。注意到，如上述参考主动表观模型算法的实例，图像418可以在一系列附加约束条件(例如，图像418中的模型对象的空间中心处在特定区域中)下被搜索，并且如果需要的话，这些约束条件对于所有模型Mi可以是相同的。因此，两个或多个所选择2D模型Mi通过搜索模块428应用到图像418上，以搜索目标对象200。选择模块402分析表示每个模型Mi和目标对象200之间的各个配合的误差，并选择具有最小误差的配合(输出30)，以随后显示在界面32上。
还应注意的是，已经提出了若干用来测量通过模型Mi生成并通过模块31输出的图像输出30和实际图像418之间差值的误差测量方法。例如，提出L2标准、Mahalanobis、和Lorentzian公制作为误差测量方法的Stegmann。这些测量方法中的任意一个对于包括根据试验提供充分结果的平均误差的本发明都是有效的 其中，模型采样是在模型Mi中定义的采样个数。平均误差是相对独立于使用的模型Mi的值(在Mahalanobis距离中，每个采样与图像之间的差值由采样方差加权)。认可的是，在每个模型Mi由不同数目的点202(参见图2)组成的情况下，将来自AAM的复合模型Mi的每个选择的模型Mi应用于图像418的平均误差可以被归一化，以协助选择具有最匹配模型Mi的目标对象200。
特殊解法实例第二种方法是基于模型Mi或模型组Mi的选择，以基于图像418中的其他预定义对象的存在和/或图像418中的其他器官与病人的其他图像418的相对位置使用。例如，在心脏分析中，如果从不同的检查或基于病人病史在病人的心肌层中的任何图像中(破坏的结果)找到了死组织，则搜索模块428的算法将选择“心肌梗塞模型(myocardial infracted model)”用于识别图像418中的心脏，而不是心脏的正常生理模型Mi。相同的想法可以应用在更简单的情况中，例如可以基于病人的年龄或性别来选择模型Mi。在该实例中认可的是，在训练阶段，可以将各种标记与训练图像426中的目标对象200相关联，用于表示预定义的病状和/或解剖体几何结构。还可以将这些标记与表示各种预定义病状/几何结构的个模型Mi相关联。
注意到，用于具体图像418上的器官(目标对象200)的分割选择最好的模型Mi的潜在好处不限于改善分割。模型Mi的选择实际上可以提供关于病人出现的病状的有价值的信息。例如，在图3a中，模型A而不是模型B的选择表明在输出30中识别的具有器官O的病人表现出病状A的潜在诊断，将在下面进一步描述。
复合模型AAM的操作参考图4和图5，以下描述AAM算法的多个2D模型Mi的操作500。基于用于分割选择的解剖体，通过系统410选择期望的目标对象类(步骤502)。使得多个训练图像426表示目标对象类的多种形式，即，包括目标对象200的各种不同结构/几何结构(参见图2所示)(步骤504)。训练模型424用于为每个模型420a、420b确定模型参数位移与残余误差之间的复合关系422a、422b，以从训练图像组426导出什么是有效形状及强度变化(步骤506)。然后通过训练模型424将多个模型Mi包括在AAM中。在搜索阶段，搜索模块428使用选择的AAM的模型Mi，以协助从图像418中识别且再生模拟目标对象200，其中，搜索模块428将两个或多个选择的2D模型Mi应用于图像418，以搜索目标对象200(步骤508)。选择模块402分析表示每个选择的2D模型Mi和图像418的目标对象200之间各个配合的误差，并选择具有最低误差的配合(输出30)(步骤510)。然后，通过输出模块31将输出30显示在界面32上(步骤512)。认可的是，步骤502、504、和506可以在来自AAM(搜索阶段)应用的分离部分(训练阶段)完成。认可的是，步骤508还可以包括附加信息的使用(例如，模型Mi标记)，以协助模型Mi的选择以应用于图像418。
上述的复合模型方法的另一个变化是为了分割一组图像418(即，I1...In)，希望从模型组M1...Mn中找出最佳模型对象Mi。图像418是诸如如下面描述的“AAM内插(interpolation)”，其中，随着时间的推移，为相同的空间位置(即，时间图像序列)选择相同的解剖图像418。存在两种可以用于将模型对象组M1...Mn应用于图像组I1...In的算法，例如但不限于下面介绍的“最小误差准则(minimum error criteria)”和“最常用模型(most used model)”。
最小误差准则将每个模型对象Mi应用于图像组418的每个图像Ii。将每个模型对象Mi的图像组I1...In的分割中的所有误差相加，并选择一个认为具有最小显著误差的应用模型对象Mi。对于给定的模型对象Mi的图像组I1...In分割中的误差被认为是图像组418中的每个图像Ii的误差总和(由于它们只是比例因子不同，所以也可以利用总平均误差)。一旦选择了一个模型对象Mi，则与所选模型对象Mi有关的输出对象30被用于协助分割图像组418。
最常用模型为每个模型Mi保持一个“使用频率”分数(score)Si。对于图像组I1...In中的每个图像Ii，利用所有模型对象M1...Mn分割图像Ii。然后对各图像Ii添加具有最小误差的每个模型对象Mi的分数Si。然后，系统410返回具有最大分数Si的模型对象Mi，其表示最常由图像组I1...In的图像Ii的最小误差导致的模型对象Mi。所以，也就是说，基于例如最小误差准则，选择模型对象Mi(其被选择用于图像组中的大多数图像Ii)。在这种情况下，选择由最常通过图像Ii基础从图像组中被选择产生的模型对象Mi作为模型对象Mi，以在图像组中提供用于所有图像Ii的输出对象30的序列。
混和模型还认可的是，对于由空间图像序列(在空间上分布的图像Ii)表示的图像组Ii...In，不同的模型对象Mi可以用于为所选择的整个图像组Ii...In的子集提供相应的输出对象30。对于给定的图像子集选择的每个模型对象Mi可以基于最小误差准则，从而将各个模型对象Mi与各个图像I1...In进行匹配，得到对于各个图像Ii的最小误差。换句话说，一个以上的模型对象Mi可以用于表示来自图像组I1...In的一个或多个相应图像。
模型标记参考图7，相似的元素具有相同的标号，并且已在图4中给出这些元素的描述。系统410还具有确定模块700，用于确定分配给输出对象30的AAM模型参数值。训练模块424用于向模型参数添加预定义的特征标记，使得该标记表明相关的目标对象200(参见图2所示)的已知条件，如下面进一步所描述的。模型参数被分布在许多值域中，使得表明已知条件的不同预定义的特征被分配到每个域中。用于每个预定义特征的表示模型参数值被分配给训练图像426中的各种目标对象200，从而在训练期间(如上所述)被AAM获知。模型参数值表明目标对象200(参见图2所示)的预定义特征，这有助于下面进一步描述的对相关病状的诊断。
在前一部分，描述了多个模型420a、420b、422a、422b如何被用于协助改进目标对象200的识别，以及最终如何协助改进来自图像418(参见图4)的识别目标对象200的分割。模型AAM还可以用于协助确定以与模型参数的离散值域相关的预定义特征形式分割的器官(如病状)的附加信息。
参考图2和图6，注意到，AAM模型能够基于模型参数C、大小和角度生成搜索的目标对象200(实例中的心室600)近似逼真的图像。位置将目标对象位于图像418中，使得心脏的AAM模型的输出对象30与不同的模型参数C＝x1、x2、x3相关联。注意到，值x1、x2、x3是搜索模块428分配给输出对象30的最好表示图像418中的目标对象的收敛C值。图6的图像426示出左心室602、右心室600、和右心室壁604的实例目标对象。注意到，模型参数C是实际上确定输出对象30形状和纹理的参数。例如，C＝x1可以表示厚壁右心室600，C＝x2可以表示正常壁右心室600，以及C＝x3可以表示薄壁右心室600。认可的是，如果需要的话，可以使用其他模型参数。
标记操作参考图8，AAM模型将参数C划分为n个区域(步骤800)，使得在每个区域中，AAM模型表示特定预定义的特征。然后，通过例如心脏病专家将这些区域贴上具有那个特征的标记，其中，心脏病专家输入用于与训练图像426中的各种训练对象的具体轮廓相关的特征标记的文本(步骤802)。一旦搜索模块428完成搜索，与该搜索的输出对象30有关的模型参数C被用于通过确定模块700识别参数值所属的区域(步骤804)，以及为具有由输出对象30模拟的心室604的病人分配预定义的特征(步骤806)。然后，通过输出模块31将表示输出对象30和预定义特征的数据提供给输出端(步骤808)。认可的是，模块428、31和700的各种功能可以被配置为除了所描述的功能，例如，搜索模块428可以生成输出对象30，然后基于关联的模型参数值分配预定特征。
实例参数分配考虑一个实例。考虑图3a中的采样器官O。利用所有有效训练图像426(参见图4)构建AAM模型，并保持2个用于定义参数向量C(即，保持两个特征向量)的部件。所以C空间实际上是R2。在这个空间中，每个点表示C值，从而表示AAM模型中的形状和纹理。可以用图标表示如图9中所示的平面R2中的模型的位置。器官O的平均形状(在原点处)是方形的。水平轴表示器官O的宽度变化，垂直轴表示高度变化。如在平面R2中可以看到，表示病状A(高度小于1)的所有形状靠拢，以及表示病状B(宽度小于1)的所有形状靠拢。从而可以生成两个区域A、B，使得所有具有病状A的形状在区域A中，所有具有病状B的形状在区域B中。还可以定义区域N，其包括不应该在图像中识别的剩余形状，因为他们没有出现在训练组426中。
一旦完成对具体图像418的AAM模型搜索，基于平面R2的划分，在模型位置中得到的参数C可以用于确定病人的病状类型。注意到，如果搜索识别出位于区域N中的参数C，则可将其用作表示搜索未成功的标识。注意到，标记模型参数的方法可以通过使用诸如但不限于旋度和尺度参数来扩充。在这种情况下，可以考虑向量(C、尺度、旋度)来代替向量C，并且可以据此划分并标记此空间。
AAM内插参考图10，相似的元素具有相同的参考标号，并在图4中已给出这些元素的描述。系统410还具有内插模块1000，用于为错误输出对象30在位置和/或时间插入替换输出对象，该内插基于错误输出对象30任一侧上的相邻输出对象30，如下面进一步所描述的。认可的是，当对象可以分割为具有相同模型Mi的图像组418时，AAM内插涉及AAM模型用法的最优化。
图像418可以使得相同的解剖体在不同时间或在不同位置处被成像。在这种情况下，当通过搜索模块428分析时，图像418互相平行。沿着搜索时间或位置顺序排列图像418，其可以表示为I0，...In(如图11a所示)。注意到，所描述的方法是专用于横截面2D图像418(例如CT和MR图像)，然而其还可用于其他图像418，诸如但不限于荧光镜图像418。
从文献中可以知道，图像418中的搜索模型对象M是最优化过程，其中，通过改变下列参数将模型对象图像(输出对象30)和图像418中的目标对象200之间的差值最小化，诸如但不限于1.图像418内模型对象Mi的位置；2.模型对象Mi的尺度(或大小)；3.模型对象Mi的旋转；以及4.模型参数C(也可称作综合得分)，其是用于生成形状和纹理值的向量。
在实际应用中认可的是，搜索模块将模型对象Mi应用于多个相邻对象输出图像Ii(参见图11a)，为某种意义上说不是最佳的输出对象的其中一个生成一些解法●算法识别局部最小值而不是全局最小值；以及●目标对象200的分割一般具有空间/时间连续性，其可能不能合适地表示在由于小误差的存在而获得的分割中。
再次参考图11a，可以观察到，输出对象I2、I3、和I4具有与相邻输出对象I1和In相比的错误大特征1002，而且在I4中特征1002处于错误的位置。内插模型1000(参见图10)用于通过移除局部最小值并增强解法的时间/空间连续性来协助改进输出对象I0...In的分割，以提供如图11b所示的校正输出对象O1...On。内插模型1000执行的算法的步骤(参考图12所示)如下1.通过搜索模块428使用所选择的模型对象M将图像序列(时间的和/或空间的)中的所有图像418分割(步骤1200)，以生成初始输出对象I0，...On。对于每个初始输出对象，将下列的初始值存储于(步骤1202)，例如但不限于a.输出对象的位置，b.输出对象的大小，c.输出对象的旋转，d.分配给输出对象的收敛模型参数(converged modelparameter)，以及
e.图像418中的输出对象和目标对象之间的误差(可以使用包括平均误差在内的几个误差测量标准)。
2.在图11a所示的实例中，我们基于下列原因拒绝某些分割(步骤1204)a.误差大于特定阀值，和/或b.当与平均值比较时，一个或多个输出对象参数不在特定公差范围内，或离最小方线(minimal square line)(如果假设参数必须以例如线性的预定义关系改变时使用)太远。
3.假设至少两个分割没有被拒绝，为了提供来自于执行线性内插的对象30实例，每个被拒绝的输出对象Ir上的分割可以以下方式计算。对于Ir上的每个被拒绝的分割(此例中的I2、I3、I4)a.识别0＜1＜r＜u＜n的两个相邻输出对象I1和Iu(步骤1206)，使得(认为其他实例是I1＝I0且Iu＝In)●输出对象I1和Iu上的分割不被拒绝，以及●Ir和I1以及Ir和Iu之间图像的所有分割都被拒绝。
如果不可能确定具有这些特征的1和u，则不能改进对Ir的分割。
b.使用定义的内插关系(例如但不限于线性)在I1和Iu之间插入模型参数C、姿势、大小、位置、和角度(步骤1208)，以生成用作输出对象Ir输入参数的替换模型参数(步骤1210)。
c.然后使用内插替换模型参数，搜索模块428用于再次应用模型对象Mi，以生成图11b中示出的相应的新分割O2、O3、O4。
d.前述步骤中确定的解法可以通过进一步执行常规AAM的一些步骤来最优化(参见Coots的“迭代模型细分(Iterative ModelRefinement)”幻灯片或Stagmann的“简单AAM动态(Dynamic ofsimple AAM)”幻灯片)。
参考图11a和11b，在第一行中，对每个切片分别执行分割。在第三个中间切片中，分割失败且选择局部最小值，然后，这些分割被拒绝，因为误差大于所选择的阀值。如底行中所示，内插模块使用上述给出的内插算法恢复这些切片的分割。
应该理解，仅通过实例，上述描述涉及优选实施例。对系统10、410的许多变化对于本领域的技术人员是显而易见的，并且这些变化在这里所描述和声明的本发明的范围内。而且，认可的是，目标对象200、模型对象(420、422)、输出对象30、图像418、以及训练图像426和训练对象201可以表示为多维元素，包括诸如但不限于2D、3D，以及结合的空间和/或时间序列。
权利要求书(按照条约第19条的修改)1.一种图像处理系统，具有用于解译数字图像的统计表观模型，所述表观模型具有至少一个模型参数，所述系统包括多维第一模型对象，其包括相关第一统计关系，并且被配置用于变形为近似于所述数字图像中的多维目标对象的形状和纹理，以及多维第二模型对象，其包括相关第二统计关系，并且被配置用于变形为近似于所述数字图像中的所述目标对象的所述形状和纹理，所述第二模型对象具有不同于所述第一模型对象的形状和纹理；搜索模块，用于将所述第一模型对象应用于用于生成近似于所述目标对象的所述形状和纹理的多维第一输出对象的图像，并且计算所述第一输出对象和所述目标对象之间的第一模型独立误差，以及用于将所述第二模型对象应用于用于生成近似于所述目标对象的所述形状和纹理的多维第二输出对象的图像，并且计算所述第二输出对象和所述目标对象之间的第二模型独立误差；选择模块，用于比较所述第一模型独立误差和所述第二模型独立误差，使得选择具有最小显著模型独立误差的所述输出对象中的其中一个；以及输出模块，用于将表示所述所选输出对象的数据提供给输出。
2.根据权利要求1所述的系统，其中，所述第一模型对象被最优化以识别所述目标对象中的第一个，以及所述第二模型对象被最优化以识别所述目标对象中的第二个，使得所述第二目标对象具有不同于所述第一目标对象的形状和纹理结构。
3.根据权利要求2所述的系统，还包括数字图像组中的一个所述数字图像，其中，所述模型对象的每一个均被配置用于被所述搜索模块应用于所述数字图像组的每个所述数字图像。
4.根据权利要求3所述的系统，还包括所述选择模块，所述选择模块被配置为基于归于每个所述模型对象上的各个使用频率分数，选择所述目标对象中的一个，以表示所述组中的所有图像。
5.根据权利要求1所述的系统，其中，从包括存储在存储器中的输出文件和用户界面的组中选择所述输出。
6.根据权利要求2所述的系统，还包括训练模块，其被配置为具有包括多个具有不同表观结构的训练对象的训练图像组，用于训练所述表观模型，以使具有多个所述模型对象的所述训练模块被最优化，用于识别每个所述目标对象的所述形状和纹理的有效范围。
7.根据权利要求2所述的系统，其中，所述表观模型是主动表观模型。
8.根据权利要求2所述的系统，其中所述第一模型对象和第二模型对象表示病人解剖体的不同病状类型。
9.根据权利要求2所述的系统，其中，所述第一模型对象和第二模型对象表示两个不同二维切片的相同解剖体的不同表观结构，其中，从所述解剖体的图像册的分隔开的位置获取所述二维切片。
10.根据权利要求8所述的系统，其中，由训练图像组中两个不同的训练对象表示所述两种不同的病状类型。
11.根据权利要求1所述的系统，还包括与所述所选模型对象的所述模型参数相关的预定义特征，所述预定义特征用于协助具有由所述所选输出对象表示的解剖体的病人的诊断，所述模型参数用于表示姿态引起的变化。
12.根据权利要求11所述的系统，其中，所述模型参数被划分为多个值域，所述域的每一个均分配有多个所述预定特征中的一个特征。
13.根据权利要求12所述的系统，其中，选择所述模型参数选自包括形状和纹理参数、尺度参数、以及旋转参数的组。
14.根据权利要求12所述的系统，其中，至少两个所述预定特征表示所述解剖体的不同病状类型。
15.根据权利要求12所述的系统，其中，所述输出模块向所述输出提供分配给所述所选输出对象的所述预定义特征。
16.根据权利要求12所述的系统，还包括训练模块，用于向所述模型参数分配多个所述预定义特征。
17.根据权利要求15所述的系统，还包括确定模块，用于确定分配给所述所选输出对象的所述模型参数值是否在分割的区域中的一个内。
18.根据权利要求17所述的系统，其中，当所述模型参数值在所有所述分割值域外时，表示所述第一输出对象是所述目标对象的无效近似。
19.一种图像处理系统，具有用于解译数字图像序列的统计表观模型，所述表观模型具有至少一个模型参数，所述系统包括
多维模型对象，其包括相关统计关系，所述模型对象被配置用于变形为近似于所述数字图像中的多维目标对象的形状和纹理；搜索模块，用于选择所述模型对象并将其应用于用于生成近似于所述目标对象的所述形状和纹理的多维输出对象的对应序列的图像，所述搜索模块计算每个所述输出对象和所述目标对象之间的误差；内插模块，用于基于所述输出对象序列的相邻输出对象之间的期望预定义的变化，识别所述输出对象序列中的至少一个无效输出对象，所述无效输出对象具有初始模型参数；以及输出模块，用于将表示所述输出对象序列的数据提供给输出。
20.根据权利要求19所述的系统，还包括所述内插模块的内插算法，用于从所述序列的一对相邻边界输出对象计算内插模型参数，所述相邻边界输出对象位于无效输出对象的任一侧，所述内插模型参数用来替换所述初始模型参数。
21.根据权利要求20所述的系统，其中，所述内插模型参数选自包括位置、尺度、旋转、以及形状和纹理的组。
22.根据权利要求20所述的系统，其中，基于预定义参数阀值外的所述初始模型参数来确定所述无效输出对象。
23.根据权利要求20所述的系统，其中，基于预定义误差阀值外的所述第一误差来确定所述无效输出对象。
24.根据权利要求20所述的系统，其中，存在多个相邻的无效输出对象。
25.根据权利要求20所述的系统，其中，所述内插算法的内插以预定义内插关系为基础，以及以所述相邻边界输出对象对和所述序列中的所述无效输出对象之间的分离量为基础。
26.根据权利要求20所述的系统，其中，所述搜索模块使用所述内插模型参数作为输入将所述第一模型对象再次应用于所述图像，以生成新的输出对象来替换所述序列中的所述无效输出对象。
27.根据权利要求19所述的系统，其中，所述序列选自包括时间和空间的组。
28.一种利用统计表观模型解译数字图像的方法，所述表观模型具有至少一个模型参数，所述方法包括以下步骤提供多维第一模型对象，所述多维第一模型对象包括相关第一统计关系，并且被配置用于变形为近似于所述数字图像中的多维目标对象的形状和纹理；提供多维第二模型对象，所述多维第二模型对象包括相关第二统计关系，并且被配置用于变形为近似于所述数字图像中的所述目标对象的所述形状和纹理，所述第二模型对象具有不同于所述第一模型对象的形状和纹理；将所述第一模型对象应用于用于生成近似于所述目标对象的所述形状和纹理的多维第一输出对象的图像；计算所述第一输出对象和所述目标对象之间的第一模型独立误差；将所述第二模型对象应用于用于生成近似于所述目标对象的所述形状和纹理的多维第二输出对象的图像；计算所述第二输出对象和所述目标对象之间的第二模型独立误差；
比较所述第一模型独立误差和所述第二模型独立误差，使得选择具有最小显著模型独立误差的所述输出对象中的一个；以及将表示所述所选输出对象的数据提供给输出。
29.一种用于使用统计表观模型解译数字图像的计算机程序产品，所述表观模型具有至少一个模型参数，所述计算机程序产品包括计算机可读介质；对象模块，存储在所述计算机可读介质中，其被配置为具有多维第一模型对象，所述多维第一模型对象包括相关第一统计关系且被配置用于变形为近似于所述数字图像中的多维目标对象的形状和纹理；以及多维第二模型对象，所述多维第二模型对象包括相关第二统计关系且被配置用于变形为近似于所述数字图像中的所述目标对象的形状和纹理；搜索模块，存储在所述计算机可读介质中，用于将所述第一模型对象应用于用于生成近似于所述目标对象的所述形状和纹理的多维第一输出对象的图像，并计算所述第一输出对象和所述目标对象之间的第一模型独立误差，以及用于将所述第二模型对象应用于用于生成近似于所述目标对象的所述形状和纹理的多维第二输出对象的图像，并计算所述第二输出对象和所述目标对象之间的第二模型独立误差，所述第二模型对象具有不同于所述第一模型对象的形状和纹理结构；选择模块，连接至所述搜索模块，用于比较所述第一模型独立误差和所述第二模型独立误差，使得选择具有最小显著模型独立误差的所述输出对象中的一个；以及输出模块，连接至所述选择模块，用于将表示所述所选输出对象的数据提供给输出。
30.一种用于利用统计表观模型解译数字图像的方法，所述表观模型具有至少一个模型参数，所述方法包括以下步骤提供多维模型对象，所述多维模型对象包括相关统计关系，并被配置用于变形为近似于所述数字图像中的多维目标对象的形状和纹理；将所述模型对象应用于用于生成近似于所述目标对象的所述形状和纹理的多维输出对象的对应序列的图像；计算每个所述输出对象和所述目标对象之间的误差；以及基于所述序列的相邻所述输出对象之间的期望预定义变化，识别所述输出对象序列中的至少一个无效输出对象，所述无效输出对象具有初始模型参数；以及将表示所述输出对象序列的数据提供给输出。
31.根据权利要求30所述的方法，还包括以下步骤应用所述多维模型对象中的不同的一个模型对象，其中，所述多维模型对象被应用于所述图像序列中的选择的数字图像。
32.根据权利要求31所述的方法，还包括以下步骤计算用于所述多维模型对象的不同模型对象的使用分数频率。
33.根据权利要求28所述的方法，还包括以下步骤基于补充到包括在所述数字图像中的解剖信息的病人信息，在所述第一模型对象和所述第二模型对象之间选择。
权利要求
1.一种图像处理系统，具有用于解译数字图像的统计表观模型，所述表观模型具有至少一个模型参数，所述系统包括多维第一模型对象，其包括相关第一统计关系，并且被配置用于变形为近似于所述数字图像中的多维目标对象的形状和纹理；以及多维第二模型对象，其包括相关第二统计关系，并且被配置用于变形为近似于所述数字图像中的所述目标对象的所述形状和纹理，所述第二模型对象具有不同于所述第一模型对象的形状和纹理结构；搜索模块，用于将所述第一模型对象应用于用于生成近似于所述目标对象的所述形状和纹理的多维第一输出对象的图像，并计算所述第一输出对象和所述目标对象之间的第一误差，以及用于将所述第二模型对象应用于用于生成近似于所述目标对象的所述形状和纹理的多维第二输出对象的图像，并计算所述第二输出对象和所述目标对象之间的第二误差；选择模块，用于比较所述第一误差和所述第二误差，使得选择具有最小显著误差的所述输出对象的一个；以及输出模块，用于将表示所述所选输出对象的数据提供给输出。
2.根据权利要求1所述的系统，其中，最优化所述第一模型对象，用于识别所述目标对象中的第一个，并且最优化所述第二模型对象，用于识别所述目标对象中的第二个，使得所述第二目标对象具有不同于所述第一目标对象的形状和纹理结构。
3.根据权利要求2所述的系统，还包括数字图像组中的一个所述数字图像，其中，所述模型对象的每一个均被配置用于被所述搜索模块应用于所述数字图像组的每个所述数字图像。
4.根据权利要求3所述的系统，还包括所述选择模块，所述选择模块被配置为选择所述目标模型的其中一个，以表示所述组中的所有所述图像。
5.根据权利要求1所述的系统，其中，从包括存储在存储器中的输出文件和用户界面的组中选择所述输出。
6.根据权利要求2所述的系统，还包括训练模块，其被配置为具有包括多个具有不同表观结构的训练对象的训练图像组，用于训练所述表观模型，以具有多个所述模型对象的所述训练模块被最优化，用于识别每个所述目标对象的所述形状和纹理的有效范围。
7.根据权利要求2所述的系统，其中，所述表观模型是主动表观模型。
8.根据权利要求2所述的系统，其中所述第一模型对象和第二模型对象表示病人解剖体的不同病状类型。
9.根据权利要求2所述的系统，其中，所述第一模型对象和第二模型对象表示两个不同二维切片的相同解剖体的不同表观结构，其中，从所述解剖体的图像册分隔开的位置获取所述二维切片。
10.根据权利要求8所述的系统，其中，由训练图像组中两个不同的训练对象表示所述两种不同的病状类型。
11.根据权利要求1所述的系统，还包括与所述所选模型对象的所述模型参数相关的预定义特征，所述预定义特征用于协助对具有由所述所选输出对象表示的解剖体的病人的诊断。
12.根据权利要求11所述的系统，其中，所述模型参数被划分为多个值域，所述域的每一个均分配有多个所述预定特征中的一个特征。
13.根据权利要求12所述的系统，其中，从包括形状和纹理参数、尺度参数、以及旋转参数的组中选择所述模型参数。
14.根据权利要求12所述的系统，其中，至少两个所述预定特征表示所述解剖体的不同病状类型。
15.根据权利要求12所述的系统，其中，所述输出模块向所述输出提供分配给所述所选输出对象的所述预定义特征。
16.根据权利要求12所述的系统，还包括训练模块，用于向所述模型参数分配多个所述预定义特征。
17.根据权利要求15所述的系统，还包括确定模块，用于确定分配给所述所选输出对象的所述模型参数值是否在分割的区域中的一个内。
18.根据权利要求17所述的系统，其中，当所述模型参数值在所有所述分割值域外时，表示所述第一输出对象是所述目标对象的无效近似。
19.一种图像处理系统，具有用于解译数字图像序列的统计表观模型，所述表观模型具有至少一个模型参数，所述系统包括多维模型对象，其包括相关统计关系，所述模型对象被配置用于变形为近似于所述数字图像中的多维目标对象的形状和纹理；搜索模块，用于选择所述模型对象并将其应用于用于生成近似于所述目标对象的所述形状和纹理的多维输出对象的对应序列的图像，所述搜索模块计算每个所述输出对象和所述目标对象之间的误差；内插模块，用于基于所述输出对象序列的相邻输出对象之间的期望预定义的变化，识别所述输出对象序列中的至少一个无效输出对象，所述无效输出对象具有初始模型参数；以及输出模块，用于将表示所述输出对象序列的数据提供给输出。
20.根据权利要求19所述的系统，还包括所述内插模块的内插算法，用于从所述序列的一对相邻边界输出对象计算内插模型参数，所述相邻边界输出对象位于无效输出对象的任一侧，所述内插模型参数用来替换所述初始模型参数。
21.根据权利要求20所述的系统，其中，从包括位置、尺度、旋转、以及形状和纹理的组中选择所述内插模型参数。
22.根据权利要求20所述的系统，其中，基于预定义参数阀值外的所述初始模型参数来确定所述无效输出对象。
23.根据权利要求20所述的系统，其中，基于预定义误差阀值外的所述第一误差来确定所述无效输出对象。
24.根据权利要求20所述的系统，其中，存在多个相邻的无效输出对象。
25.根据权利要求20所述的系统，其中，所述内插算法的内插以预定义内插关系为基础，以及以所述相邻边界输出对象对和所述序列中的所述无效输出对象之间的分离量为基础。
26.根据权利要求20所述的系统，其中，所述搜索模块使用所述内插模型参数作为输入将所述第一模型对象再次应用于所述图像，以生成新的输出对象来替换所述序列中的所述无效输出对象。
27.根据权利要求19所述的系统，其中，从包括时间和空间的组中选择所述序列。
28.一种利用统计表观模型解译数字图像的方法，所述外貌模型具有至少一个模型参数，所述方法包括下列步骤提供多维第一模型对象，所述多维第一模型对象包括相关第一统计关系，并且被配置用于变形为近似于所述数字图像中的多维目标对象的形状和纹理；提供多维第二模型对象，所述多维第二模型对象包括相关第二统计关系，并且被配置用于变形为近似于所述数字图像中的所述目标对象的形状和纹理，所述第二模型对象具有不同于所述第一模型对象的形状和纹理；将所述第一模型对象应用于用于生成近似于所述目标对象的所述形状和纹理的多维第一输出对象的图像；计算所述第一输出对象和所述目标对象之间的第一误差；将所述第二模型对象应用于用于生成近似于所述目标对象的所述形状和纹理的多维第二输出对象的图像；计算所述第二输出对象和所述目标对象之间的第二误差；比较所述第一误差和所述第二误差，使得选择具有最小显著误差的所述输出对象的一个；以及将表示所述所选输出对象的数据提供给输出。
29.一种用于使用统计表观模型解译数字图像的计算机程序产品，所述表观模型具有至少一个模型参数，所述计算机程序产品包括计算机可读介质；对象模块，存储在所述计算机可读介质中，其被配置为具有多维第一模型对象，所述多维第一模型包括相关第一统计关系且被配置用于变形为近似于所述数字图像中的多维目标对象的形状和纹理；多维第二模型对象，所述多维第二模型对象包括相关第二统计关系且被配置用于变形为近似于所述数字图像中的所述目标对象的所述形状和纹理；搜索模块，存储在所述计算机可读介质上，用于将所述第一模型对象应用于用于生成近似于所述目标对象的所述形状和纹理的多维第一输出对象的图像，并计算所述第一输出对象和所述目标对象之间的第一误差，以及用于将所述第二模型对象应用于用于生成近似于所述目标对象的所述形状和纹理的多维第二输出对象的图像，并计算所述第二输出对象和所述目标对象之间的第二误差，所述第二模型对象具有不同于所述第一模型对象的形状和纹理；选择模块，连接至所述搜索模块，用于比较所述第一误差和所述第二误差，使得选择具有最小显著误差的所述输出对象中的一个；以及输出模块，连接至所述选择模块，用于将表示所述所选输出对象的数据提供给输出。
30.一种用于利用统计表观模型解译数字图像的方法，所述表观模型具有至少一个模型参数，所述方法包括以下步骤提供多维模型对象，所述多维模型对象包括相关统计关系，并被配置用于变形为近似于所述数字图像中的多维目标对象的形状和纹理；将所述模型对象应用于用于生成近似于所述目标对象的所述形状和纹理的多维输出对象的对应序列的图像；计算每个所述输出对象和所述目标对象之间的误差；以及基于所述序列的相邻所述输出对象之间的期望预定义变化，识别所述输出对象序列中的至少一个无效输出对象，所述无效输出对象具有初始模型参数；以及将表示所述输出对象序列的数据提供给输出。
全文摘要
本发明公开了一种具有用于解译数字图像的统计表观模型的图像处理系统及方法。表观模型具有至少一个模型参数。该系统和方法包括二维第一模型对象，其包括相关第一统计关系，并被配置用于变形为近似于数字图像中的二维第一目标对象的形状和表观。还包括搜索模块，用于选择第一模型对象并将其应用于该图像，用于生成近似于第一目标对象的形状和纹理的二维第一输出对象，搜索模块计算第一输出对象和第一目标对象之间的第一误差。还包括输出模块，用于向输出端提供表示第一输出对象的数据。该处理系统使用内插来改进图像分割以及为各种目标对象结构最优化多个模型。还包括与模型参数有关的模型标记，使得将标记加在解法图像上以协助病人诊断。
文档编号G06T7/20GK1926573SQ200480042367
公开日2007年3月7日 申请日期2004年1月30日 优先权日2004年1月30日
发明者维托里奥·阿科马齐, 迭戈·博尔德加里, 埃伦·简, 彼得·泰特, 保罗·盖尔 申请人:思代软件公司