一种基于Harris的脊椎特征点自动识别方法
【技术领域】
[0001] 本发明属于医学图像处理技术领域，设及脊椎部位的特征点识别和标定，特别是 一种基于Harris的脊椎特征点自动识别方法。
【背景技术】
[0002] 特征点检测是图像处理中热口的研究领域。特征点是指在一定范围内区别于该范 围内其他顶点特征的顶点。在=维物体中，特征点可W定义为边，脊，谷，尖点等。特征点识 别是指检测并且标记出给定对象上符合特征点定义的特殊点集。将特征点识别应用到医学 图像能够为医学诊断提供参考数据，避免人为因素导致的失误。目前在顾骨复原等医学领 域已经用到了特征点识别技术。
[0003]脊椎是人体的重要支撑骨骼，随着人们生活和工作行为方式的改变，脊椎疾病发 病率越来越高，脊椎病被列为"世界十大被忽视健康问题"之一，目前仍然缺乏对脊椎特征 点自动识别的研究。特征点识别可W应用到脊椎的诊疗中的病灶定位，椎体测量，虚拟手术 等过程中。起到降低手术过程中人为误操作风险，同时提高手术效率，为医生提供准确患者 体征数据的作用。
[0004]然而由于脊椎结构复杂，目前脊椎特征点识别的主要通过手动和半自动手段进 行。手动方法操作步骤主要是依靠操作者的经验，通过特定仪器，直接在给定的椎体上面标 记出特征点的位置。半自动主要是在手动操作的基础上，计算机通过高斯曲率等方法对人 为手动标记的位置进行微调，从而降低手动特征点标定的误差。该两种方法对操作人员和 仪器的要求高，且效率低。因此，研究脊椎特征点自动标定算法尤为必要。
【发明内容】
[0005]针对上述现有技术中存在的缺陷或不足，本发明的目的在于，提供一种基于Harris的脊椎特征点自动识别方法，该方法能够准确、快速、自动、有效地完成脊椎特征点 的识别过程。
[0006] 为了实现上述任务，本发明采用W下技术方案：
[0007] -种基于Harris的脊椎特征点自动识别方法，包括W下步骤：
[0008] 步骤一，对人体脊椎的CT图像进行=维重建，得到脊椎的=维模型，对该=维模 型进行切割，获得要提取特征点的椎体；
[0009] 步骤二，对要提取特征点的锥体进行网格划分；
[0010]步骤S，获得每个顶点Vi周围阔值环数范围内包括该顶点在内的所有顶点，记为 点集set(Vi);
[0011] 步骤四，确定网格划分后模型顶点Vi法向量；
[0012] 步骤五，对点集set(Vi)进行所有顶点法向量主成份分析，得到分析后点集 set" (Vi);
[001引步骤六，对分析后的点集set" (Vi)的第一第二特征向量，利用最小二乘法进行函 数拟合；
[0014] 步骤走，通过Harris算出拟合后的函数顶点变化值，降序排序，选出排序后前 10 %的顶点作为候选特征点。
[0015] 步骤八，对候选特征点利用非极大值抑制，得到最终特征点。
[0016] 进一步地，所述的步骤一的具体过程如下：
[0017] 脊椎S维模型构建和分割通过商业simpleware软件的ScanIP模块进行，在构建 过程中，主要利用到了前期图像增强，中期图像阔值分割和区域生长算法，后期去噪点=个 步骤保证了模型的准确。
[0018] 进一步地，所述的步骤二的具体过程如下：
[0019] 将单个椎体设置网格相应的参数，利用simpleware软件的ScanIP模块生成模型 的=角面片格式。利用该方式生成的=角面片能够自动优化局部复杂结构的网格划分，在 保证整体网格质量的同时，降低网格数量，简化操作流程。
[0020] 进一步地，所述的步骤S的具体过程如下：
[0021] 步骤S30,对于网格中的每一个顶点，按照下面的公式计算其自适应邻域面积：
[0022]
[0023] 上式中，n是该模型顶点总数，a-ring(Vi)是指网格化后模型中顶点Vi周围a环 范围，Cj为顶点Vi周围a环范围内的一个S角面片，area(Cj)为S角面片Cj的面积，a的 取值为[1，4];
[0024] 步骤S31，按照下述循环算法确定顶点的阔值环数ki:
[00巧]a.令ki= 1 ;
[002引 b.计算顶点Vi周围ki环内所有；角片面的面积之和d;
[0027]C.如果d<自适应邻域面积，则ki=k1+1，并返回步骤b，否则得到ki。
[002引步骤S32,把处于顶点Vi阔值环数范围内的所有顶点记为set(V1)。
[0029] 进一步地，所述的步骤四中，顶点Vi法向量计算公式如下；
[0030]
[0031] 其中Vi是待计算法向量的顶点，；^是顶点Vi的法向量，Ni是V i邻域范围内的顶 "C 点个数，巧;T是模型的中屯、点。
[0032] 进一步地，所述的步骤五的具体过程如下：
[003引a)算出点集set(Vi)的所有法向量中屯、点5;
[0034]b)把点集内所有顶点平移到当I与S维坐标系原点重合，获得新点集set' (Vi);
[0035]c)对新点集set' (Vi)进行主成份分析，获得S个特征值和对应的特征方程；
[0036]d)把最小特征值对应的特征方程旋转到与^维坐标中Z轴（0,0，1)重合， set'（Vi)的点进行同样变换，得到set" (Vi)。
[0037] 进一步地，所述的步骤六的具体过程如下：
[0038]对变换后的set" (Vi)，取其X轴和y轴坐标，利用最小二乘法拟合出函数；
[0039]
[0040] 进一步地，所述的步骤走的具体过程如下：
[00川 a.根据拟合后的二维函数，获得Harris的对称矩阵
[0042]
[0043] 其中，f；为拟合函数在X方向上的导，fy为拟合函数在y方向上的偏导。（Xi，yi) 为点集set" (Vi)的坐标。0为高斯窗口大小，设为自适应邻域面积的开方。
[0044]b.计算set" (Vi)中，顶点Vi的变化值；
[0045]h(x，y)=det巧）-k*tHE)2
[004引其中，设入1，入2是矩阵E的特征值，则啦i似=入1*入2,化似二入1+入2,k= 0. 04。
[0047] C.对所有顶点的变化值h(x，y)进行降序排序，选出前10%所对应的作为候选特 征点。
[0048] 进一步地，步骤走中，非极大值抑制的具体过程为：
[0049] 对于两个顶点距离小于抑制范围r的情况，保留特征值D(Vi)最大的点，舍弃特征 值较小的点；特征值D(Vi)最大的点即为特征点。
[0050] 本发明具有W下技术特点：
[0051] 1、特征点提取过程全自动，无需手动提取，算法效率较高。通过输入建模好的椎体 模型，能够自动标记出椎体模型中特征点的位置；此外，每个顶点只需计算一次，算法复杂 度与模型顶点数量成线性关系，算法效率高。
[0052] 2、针对脊椎的结构特点进行专口优化。已有的=维模型特征点自动标定方法中， 顶点向量是定义为顶点与模型中屯、原点的向量差。当模型中屯、原点位于模型外部时，该种 方式定义出来的顶点向量无法准确地表达顶点的变化程度，从而无法筛选出模型中的特征 点。本发明将该种顶点法向量计算方法应用于Harris算法上，有效解决了中屯、点不在模型 内部的问题。
[0053] 3、实验表明，本发明的方法对脊椎模型，尤其是腰椎模型上进行特征点识别上能 够达到较好的效果。
【附图说明】
[0054] 图1为本发明的基于Harris的脊椎特征点自动识别方法流程图；
[00巧]图2为ScanIP模块计算时的示意图；
[0056] 图3为构建出来的腰椎L3S维模型；
[0057] 图4为腰椎L3的网格化后的S维模型；
[0058] 图5为a环邻域范围的说明图；
[0059] 图6 (a)为定义特征点斜俯视图；
[0060] 图6(b)为定义特征点斜仰视图；
[0061] 图6(c)为定义特征点俯视图；
[0062] 图6(d)为定义特征点仰视图；
[0063] 图6 (e)为定义特征点左视图；
[0064] 图6(f)为定义特征点右视图；
[0065] 图6(g)为定义特征点后视图；
[0066] 图6化）为定义特征点前视图；
[0067] 图7 (a)为本方法结果俯视图；
[0068] 图7(b)为本方法结果仰视图；
[0069] 图7(c)为本方法结果左视图；
[0070] 图7(d)为本方法结果右视图；
[0071] 图7(e)为本方法结果后视图；
[0072] 图7(f)为本方法结果前视图；
[0073] 图8 (a)为方法1结果俯视图；
[0074] 图8化）为方法1结果仰视图；
[0075] 图8(C)为方法1结果左视图；
[0076] 图8 (d)为方法1结果右视图；
[0077] 图8 (e)为方法1结果后视图；
[007引图8讯为方法1结果前视图；
[0079] 图9 (a)为方法2结果俯视图；
[0080] 图9化）为方法2结果仰视图；
[0081] 图9(C)为方法2结果左视图；
[0082] 图9 (d)为方法2结果右视图；
[0083] 图9 (e)为方法2结果后视图；
[0084] 图9 (f)为方法2结果前视图；
[0085] W下结合附图和实施例对本发明进行进一步详细说明。
【具体实施方式】
[0086] 参见图1，图1分别展示应用本发明的方法在人体腰椎L3上特征点识别的过 程和结果。该模型在论文（WangY,化B,DaiJ.T虹ee-DimensionalFiniteElement ForceAnalysisandSimulationofHumanSpinalLumbarSegment[J].Journalof ConvergenceInformationTechnology, 2013, 8(4).)中得到验证。
[0087] 步骤一，对人体脊椎的CT图像进行=维重建，得到脊椎的=维模型，对该=维模 型进行切割，获得要提取特征点的椎体；
[008引如图2所示，对CT数据进行增强和阔值提取后，分割出目标椎体的范围，得到如图 3所示的S维模型。具体构建和分割过程，可通过simpleware软件的ScanIP模块进行进行， 在构建过程中，利用前期图像增强，中期图像阔值分割和区域生长算法，后期去噪点S个步 骤保证模型的准确。
[0089] 步骤二，对要提取特征点的锥体进行网格划分；
[0090] 将单个锥体设置网格相应的参数，利用simpleware软件的ScanIP模块生成模型 的=角面片格式。利用该方式生成的=角面片能够自动优化局部复杂结构的网格划分，在 保证整体网格质量的同时，降低网格数量，简化操作流程。本例中，利用ScanIP模块将腰椎 L3表面数据转化为网格后输出Ascii码格式的S化文件。划分后的网格模型如图4所示。
[0091] 步骤S，确定划分后网格中每个顶点阔值环数及其点集；