一种单节骨骼轮廓的提取方法及装置与流程
本申请涉及图像处理技术领域，尤其涉及一种单节骨骼轮廓的提取方法及装置。
背景技术：
在针对同一骨骼的x光图像与ct图像进行配准时，需要计算x光图像与由ct图像生成的drr(digitallyreconstructuredradiograph，数字重建放射影像)图像的相似度。
在相关技术中，通常采用基于特征的相似度计算方式，相比于基于像素的计算方法，其鲁棒性和稳定性更高，适合于初始配准环节。可见，稳定可靠的特征提取是基于特征的计算方式的重要前提。
技术实现要素：
有鉴于此，本申请提供一种单节骨骼轮廓的提取方法及装置。
为实现上述目的，本申请提供技术方案如下：
根据本申请的第一方面，提出了一种单节骨骼轮廓的提取方法，包括：
获取包含目标骨骼中任一单节骨骼的节间轮廓的前景区域；
沿预设投影方向对所述前景区域进行投影，以得到所述前景区域在所述预设投影方向上的像素点分布情况，所述预设投影方向用于表示所述节间轮廓的延伸方向；
根据所述像素点分布情况确定对应于所述节间轮廓的直线方程；
确定所述任一单节骨骼的边缘轮廓，并根据所述边缘轮廓与所述节间轮廓的直线方程提取出所述任一单节骨骼的骨骼轮廓。
可选的，所述获取包含目标骨骼中任一单节骨骼的节间轮廓的前景区域，包括：
从所述目标骨骼的图像中截取包含所述任一单节骨骼的单节骨骼图像，所述单节骨骼图像不包含除所述任一单节骨骼以外的其他单节骨骼；
从所述单节骨骼图像中截取包含所述节间轮廓的子区域；
对所述单节骨骼图像进行二值化处理以得到所述前景区域。
可选的，所述预设投影方向垂直于所述目标骨骼的骨骼延伸方向。
可选的，所述根据所述像素点分布情况确定对应于所述节间轮廓的直线方程，包括：
确定所述前景区域中在所述预设投影方向上像素点分布最多的分布位置；
根据所述分布位置与所述预设投影方向，确定对应于所述节间轮廓的直线方程。
可选的，所述确定所述任一单节骨骼的边缘轮廓，包括：
基于所述边缘轮廓与外围区域之间像素点的像素值差异，识别所述边缘轮廓；所述外围区域为所述任一单节骨骼中位于所述边缘轮廓外部的区域。
可选的，所述基于所述边缘轮廓与外围区域之间像素点的像素值差异，识别所述边缘轮廓，包括：
从所述任一单节骨骼的单节骨骼图像的两侧边界开始，沿内侧方向遍历每个像素点的像素值，所述单节骨骼图像不包含除所述任一单节骨骼以外的其他单节骨骼；
将内侧方向上所有首个像素值与上一像素点的像素值之间的变化率超过预设变化率阈值的像素点加入候选边缘轮廓集合；
对所述候选边缘轮廓集合中的像素点进行聚类分析，以删除所述候选边缘轮廓集合中的离散点；
对所述候选边缘轮廓集合中剩余的像素点进行拟合，并将拟合结果作为所述边缘轮廓。
可选的，所述目标骨骼包括脊柱。
根据本申请的第二方面，提出了一种单节骨骼轮廓的提取装置，包括：
获取单元，获取包含目标骨骼中任一单节骨骼的节间轮廓的前景区域；
投影单元，沿预设投影方向对所述前景区域进行投影，以得到所述前景区域在所述预设投影方向上的像素点分布情况，所述预设投影方向用于表示所述节间轮廓的延伸方向；
确定单元，根据所述像素点分布情况确定对应于所述节间轮廓的直线方程；
提取单元，确定所述任一单节骨骼的边缘轮廓，并根据所述边缘轮廓与所述节间轮廓的直线方程提取出所述任一单节骨骼的骨骼轮廓。
可选的，所述获取单元具体用于：
从所述目标骨骼的图像中截取包含所述任一单节骨骼的单节骨骼图像，所述单节骨骼图像不包含除所述任一单节骨骼以外的其他单节骨骼；
从所述单节骨骼图像中截取包含所述节间轮廓的子区域；
对所述子区域进行二值化处理以得到所述前景区域。
可选的，所述预设投影方向垂直于所述目标骨骼的骨骼延伸方向。
可选的，所述确定单元具体用于：
确定所述前景区域中在所述预设投影方向上像素点分布最多的分布位置；
根据所述分布位置与所述预设投影方向，确定对应于所述节间轮廓的直线方程。
可选的，所述提取单元具体用于：
基于所述边缘轮廓与外围区域之间像素点的像素值差异，识别所述边缘轮廓；所述外围区域为所述任一单节骨骼中位于所述边缘轮廓外部的区域。
可选的，所述提取单元进一步用于：
从所述任一单节骨骼的单节骨骼图像的两侧边界开始，沿内侧方向遍历每个像素点的像素值，所述单节骨骼图像不包含除所述任一单节骨骼以外的其他单节骨骼；
将内侧方向上所有首个像素值与上一像素点的像素值之间的变化率超过预设变化率阈值的像素点加入候选边缘轮廓集合；
对所述候选边缘轮廓集合中的像素点进行聚类分析，以删除所述候选边缘轮廓集合中的离散点；
对所述候选边缘轮廓集合中剩余的像素点进行拟合，并将拟合结果作为所述边缘轮廓。
可选的，所述目标骨骼包括脊柱。
根据本申请的第三方面，提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令以实现如上述实施例中任一所述单节骨骼轮廓的提取方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述实施例中任一所述单节骨骼轮廓的提取方法的步骤。
由以上技术方案可见，本申请通过沿单节骨骼的节间轮廓的延伸方向对包含节间轮廓的前景区域进行投影，可得到前景区域在延伸方向上的像素点分布情况，从而可基于该分布情况得到表示该节间轮廓的直线方程。
进一步的，本申请利用目标骨骼的边缘轮廓(无论是x光图像还是drr图像上的边缘轮廓)上的灰度值明显低于外围区域的像素值的几何特征，基于边缘轮廓与外围区域之间像素点的像素值差异来识别出边缘轮廓。
最后，通过边缘轮廓和节间轮廓的函数表达式，可形成一闭环曲线，从而提取出单节骨骼的骨骼轮廓。
附图说明
图1是本申请一示例性实施例示出的一种单节骨骼轮廓的提取方法的流程图。
图2是本申请一示例性实施例示出的一种提取边缘轮廓的流程图。
图3a-3e是本申请一示例性实施例示出的一种拟合边缘轮廓的示意图。
图4是本申请一示例性实施例示出的一种提取节间轮廓的流程图。
图5a-5e是本申请一示例性实施例示出的一种拟合节间轮廓的示意图。
图6是本申请一示例性实施例示出的一种提取脊柱轮廓的示意图。
图7是本申请一示例性实施例示出的一种电子设备的结构示意图。
图8是本申请一示例性实施例示出的一种单节骨骼轮廓的提取装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参见图1，图1是本申请一示例性实施例示出的一种单节骨骼轮廓的提取方法的流程图。如图1所示，该方法可以包括以下步骤：
步骤102，获取包含目标骨骼中任一单节骨骼的节间轮廓的前景区域。
在本实施例中，目标骨骼包含多个单节骨骼，可先从目标骨骼的图像中截取包含该任一单节骨骼的单节骨骼图像(不包含除该任一单节骨骼以外的其他单节骨骼)，再从该单节骨骼图像中截取包含节间轮廓的子区域，最后对该子区域进行二值化处理以得到前景区域。通过上述二值化处理，可使得子区域中的前景部分(即前景区域，对应于黑色的像素点)与背景部分(对应于白色的像素点)呈现出明显的黑白效果，从而使得图像中的数据量大大减少，进而可凸显出单节骨骼的轮廓、纹理等特征，有利于后续进行轮廓的识别。
步骤104，沿预设投影方向对所述前景区域进行投影，以得到所述前景区域在所述预设投影方向上的像素点分布情况，所述预设投影方向用于表示所述节间轮廓的延伸方向。
在本实施例中，基于目标骨骼由多个单节骨骼拼接而成的结构，各单节骨骼的节间轮廓的延伸方向通常与骨骼延伸方向垂直。因此，可将预设投影方向设定为垂直于目标骨骼的骨骼延伸方向。
步骤106，根据所述像素点分布情况确定对应于所述节间轮廓的直线方程。
在本实施例中，基于目标骨骼由多个单节骨骼拼接而成的结构，各单节骨骼的节间轮廓接近于一条直线；比如人体的脊柱，单节脊柱的节间轮廓近似于直线。因此，可通过直线来拟合节间轮廓。
进一步的，由于前景区域中节间轮廓附近的其他区域的轮廓延伸方向较为多变，而节间轮廓的延伸方向较为固定(体现为近似于一条直线)，因此可利用由投影方向为节间轮廓的延伸方向投影得到的像素点分布情况，来确定出对应于节间轮廓的直线方程。具体的，可确定前景区域中在投影方向上像素点分布最多的分布位置，并根据该分布位置与投影方向，确定出对应于节间轮廓的直线方程。
步骤108，确定所述任一单节骨骼的边缘轮廓，并根据所述边缘轮廓与所述节间轮廓的直线方程提取出所述任一单节骨骼的骨骼轮廓。
在本实施例中，基于对单节骨骼的边缘轮廓和节间轮廓的拟合，而边缘轮廓和节间轮廓可共同形成一个闭环曲线，从而可提取出单节骨骼的骨骼轮廓。而识别边缘轮廓的过程，可根据边缘轮廓与外围区域(外围区域为该任一单节骨骼中位于边缘轮廓外部的区域)之间像素点的像素值差异。
进一步的，可从该任一单节骨骼的单节骨骼图像(单节骨骼图像不包含除该任一单节骨骼以外的其他单节骨骼)的两侧边界开始，沿内侧方向遍历每个像素点的像素值，将内侧方向上所有首个像素值与上一像素点的像素值之间的变化率超过预设变化率阈值的像素点加入候选边缘轮廓集合；再对候选边缘轮廓集合中的像素点进行聚类分析，以删除候选边缘轮廓集合中的离散点，最后对候选边缘轮廓集合中剩余的像素点进行拟合，从而将拟合结果作为边缘轮廓。
由以上技术方案可见，本申请通过沿单节骨骼的节间轮廓的延伸方向对包含节间轮廓的前景区域进行投影，可得到前景区域在延伸方向上的像素点分布情况，从而可基于该分布情况得到表示该节间轮廓的直线方程。
进一步的，本申请利用目标骨骼的边缘轮廓(无论是x光图像还是drr图像上的边缘轮廓)上的灰度值明显低于外围区域的像素值的几何特征，基于边缘轮廓与外围区域之间像素点的像素值差异来识别出边缘轮廓。
最后，通过边缘轮廓和节间轮廓的函数表达式，可形成一闭环曲线，从而提取出单节骨骼的骨骼轮廓。
本申请的单节骨骼轮廓的提取方案分为两个阶段：1)提取边缘轮廓；2)提取节间轮廓。为了便于理解，下面以提取脊柱轮廓为例，结合附图分别对上述两个阶段进行详细说明。
请参见图2，图2是本申请一示例性实施例示出的一种提取边缘轮廓的流程图。如图2所示，该方法可以包括以下步骤：
步骤202，计算垂直方向上的梯度图。
如图3a所示，单节脊柱图像10(可以是x光图像，也可以是drr图像)中的上下两侧轮廓(即边缘轮廓)相对于背景图像，在灰度上有较明显的变化。因此，可基于梯度的方法提取上下两侧轮廓。
如图3b所示，计算脊柱图像在垂直方向(即图中的竖直方向)上像素值变化的梯度图g。其中，梯度图g的尺寸与单节脊柱图像10的尺寸一致，梯度图g中像素点的亮度表示该像素点的垂直梯度值。举例而言，可通过以下方式计算在垂直方向上的梯度图：
gy＝|f(x,y)-f(x,y-1)|；
其中f(x,y)函数表示在坐标(x,y)位置的像素点的灰度值。
步骤204，生成候选边缘轮廓集合。
承接于上述举例，可设定阈值t用于衡量边缘轮廓处灰度值的变化率。具体的，针对梯度图g中每一列的像素点，自上至下第一个垂直梯度值大于阈值t的像素点记为脊柱的上侧候选轮廓点；同理，自下至上第一个垂直梯度值大于阈值t的像素点记为脊柱的下侧候选轮廓点；上侧候选轮廓点和下侧候选轮廓点共同构成候选边缘轮廓集合。其中，阈值t可根据实际情况灵活设定，例如阈值t可设为10。
如图3c所示，上侧候选轮廓点位于单节脊柱图像10中上侧的虚线框中；类似的，下侧候选轮廓点位于单节脊柱图像10中下侧的虚线框中。
步骤206，删除离散点。
如图3d所示，可采用dbscan(density-basedspatialclusteringofapplicationswithnoise)空间密度聚类算法将候选边缘轮廓集合中的像素点进行聚类分析，以删除离散的像素点，提高后续拟合边缘轮廓的准确度。当然，本申请并不对聚类分析具体采用的算法进行限制。
步骤208，拟合边缘轮廓。
如图3e所示，在删除离散的像素点之后，再对候选边缘轮廓集合中剩余的像素点进行拟合，并将拟合结果作为边缘轮廓。具体而言，将候选边缘轮廓集合中剩余的上侧候选轮廓点进行拟合，从而得到曲线a为上侧轮廓；将候选边缘轮廓集合中剩余的下侧候选轮廓点进行拟合，从而得到曲线b为下侧轮廓。
举例而言，可在随机采样一致性(ransac)框架下采用三次曲线模型对候选边缘轮廓集合中剩余的像素点集合p进行拟合。
1)随机选取四个点p1,p2,p3,p4；其中，p1∈p,p2∈p,p3∈p,p4∈p；
2)用选取的四个点拟合一条三次曲线l＝polyfit(p1,p2,p3,p4)；
3)遍历集合p中的所有点，统计满足一定容忍误差条件δd下符合曲线l模型的点的个数
4)如果n＞0.95×n，n为集合p中所有点的个数，则直接将估计结果作为最终的脊柱两侧轮廓；否则，利用所有的内点重新估计当前曲线，将估计结果作为最终的脊柱两侧轮廓，轮廓提取结束。
5)当循环次数达到最大循环次数时，取n最大情况下的所有内点重新拟合曲线，并将估计结果作为最终的脊柱两侧轮廓。
请参见图4，图4是本申请一示例性实施例示出的一种提取节间轮廓的流程图。如图4所示，该方法可以包括以下步骤：
步骤402，获取包含节间轮廓的前景区域。
在本实施例中，由于脊柱的节间轮廓更接近于一条直线，因此采用一条直线来拟合节间轮廓。其中，首先需要获取包含节间轮廓的前景区域。具体的，可先从脊柱图像中截取单节脊柱图像(即图3a中的单节脊柱图像10)，再利用单节脊柱图像左右边界截取左右两侧包含节间轮廓的子区域，最后再对子区域进行二值化处理以得到前景区域。
举例而言，如图5a所示，可由人为手动截取单节脊柱图像10后，将该单节脊柱图像10输入至实施轮廓提取操作的设备，或者采用其他相关技术中任意提取单节脊柱图像的方式；再根据预定义的比例从单节脊柱图像10的边界处开始截取相应宽度(例如截取宽度为脊柱长度的3/11)的子区域21(单节脊柱图像10包含左右两个边界，以其中任一边界为例)。进一步的，如图5b所示，对子区域21进行二值化处理以得到前景区域22。其中，经二值化处理后的子区域21(即图5b中的二值图像22)中的前景部分(二值图像22中的黑色部分)与背景部分(二值图像22中的白色部分)呈现出明显的黑白效果。换言之，前景区域22对应于图5b中用于表示黑色的像素点(以下简称为黑色像素点；例如，通常二值化后黑色像素点的像素值为0)。需要说明的是，本实施例中所采用的二值化算法可参考相关技术中的记载，在此不再赘述。例如，可采用大金法、双峰法、p参数法、迭代法和otsu法等；当然，本申请并不对此进行限制。
步骤404，沿节间轮廓的延伸方向(垂直于脊柱的延伸方向)投影。
在本实施例中，脊柱方向(即脊柱的延伸方向)可由人为设定，即实施轮廓提取操作的设备可通过接收设定脊柱方向的指令来获取脊柱方向。当然，也可采用相关技术中其他任意用于确定脊柱方向的技术手段，本申请并不对此进行限制。
步骤406，确定像素点分布最多的分布位置。
在本实施例中，由于是沿节间轮廓的延伸方向对前景区域(包含节间轮廓)进行投影，那么得到的投影分布图中呈现的是前景区域中所有像素点在延伸方向(即投影方向)上的分布情况，进而位于投影方向上且经过像素点分布最多的分布位置的直线最适合用于表示节间轮廓。
如图5c所示，投影分布图23中投影最大值点的位置(像素点分布最多的分布位置)为图中点a的位置，也即点a位于节间轮廓上。
步骤408，计算节间轮廓的直线方程。
举例而言，可建立如图5d所示的坐标系：纵坐标与投影方向平行，即与图5c相同方向的坐标系。那么，在斜率(即投影方向)和点a位置已知的情况下，便可计算出在该坐标系下直线d的方程表达式。
如图5e所示，直线d用于表示节间轮廓
如图6所示，基于图3所示实施例得到的边缘轮廓a、b，和图5所示实施例得到的节间轮廓d、c，可形成一闭环曲线，从而可进一步提取出单节脊柱的脊柱轮廓。
图7示出了根据本申请的一示例性实施例的基于主设备侧电子设备的示意结构图。请参考图7，在硬件层面，该电子设备包括处理器702、内部总线704、网络接口707、内存708以及非易失性存储器710，当然还可能包括其他业务所需要的硬件。处理器702从非易失性存储器710中读取对应的计算机程序到内存708中然后运行，在逻辑层面上形成单节骨骼轮廓的提取装置。当然，除了软件实现方式之外，本申请并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
请参考图8，在软件实施方式中，该单节骨骼轮廓的提取装置可以包括：
获取单元81，获取包含目标骨骼中任一单节骨骼的节间轮廓的前景区域；
投影单元82，沿预设投影方向对所述前景区域进行投影，以得到所述前景区域在所述预设投影方向上的像素点分布情况，所述预设投影方向用于表示所述节间轮廓的延伸方向；
确定单元83，根据所述像素点分布情况确定对应于所述节间轮廓的直线方程；
提取单元84，确定所述任一单节骨骼的边缘轮廓，并根据所述边缘轮廓与所述节间轮廓的直线方程提取出所述任一单节骨骼的骨骼轮廓。
可选的，所述获取单元81具体用于：
从所述目标骨骼的图像中截取包含所述任一单节骨骼的单节骨骼图像，所述单节骨骼图像不包含除所述任一单节骨骼以外的其他单节骨骼；
从所述单节骨骼图像中截取包含所述节间轮廓的子区域；
对所述子区域进行二值化处理以得到所述前景区域。
可选的，所述预设投影方向垂直于所述目标骨骼的骨骼延伸方向。
可选的，所述确定单元83具体用于：
确定所述前景区域中在所述预设投影方向上像素点分布最多的分布位置；
根据所述分布位置与所述预设投影方向，确定对应于所述节间轮廓的直线方程。
可选的，所述提取单元84具体用于：
基于所述边缘轮廓与外围区域之间像素点的像素值差异，识别所述边缘轮廓；所述外围区域为所述任一单节骨骼中位于所述边缘轮廓外部的区域。
可选的，所述提取单元84进一步用于：
从所述任一单节骨骼的单节骨骼图像的两侧边界开始，沿内侧方向遍历每个像素点的像素值，所述单节骨骼图像不包含除所述任一单节骨骼以外的其他单节骨骼；
将内侧方向上所有首个像素值与上一像素点的像素值之间的变化率超过预设变化率阈值的像素点加入候选边缘轮廓集合；
对所述候选边缘轮廓集合中的像素点进行聚类分析，以删除所述候选边缘轮廓集合中的离散点；
对所述候选边缘轮廓集合中剩余的像素点进行拟合，并将拟合结果作为所述边缘轮廓。
可选的，所述目标骨骼包括脊柱。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由上述单节骨骼轮廓的提取装置的处理器执行以实现如上述实施例中任一所述的方法，比如该方法可以包括：获取包含目标骨骼中任一单节骨骼的节间轮廓的前景区域；沿预设投影方向对所述前景区域进行投影，以得到所述前景区域在所述预设投影方向上的像素点分布情况，所述预设投影方向用于表示所述节间轮廓的延伸方向；根据所述像素点分布情况确定对应于所述节间轮廓的直线方程；确定所述任一单节骨骼的边缘轮廓，并根据所述边缘轮廓与所述节间轮廓的直线方程提取出所述任一单节骨骼的骨骼轮廓。
可选的，所述获取包含目标骨骼中任一单节骨骼的节间轮廓的前景区域，包括：
从所述目标骨骼的图像中截取包含所述任一单节骨骼的单节骨骼图像，所述单节骨骼图像不包含除所述任一单节骨骼以外的其他单节骨骼；
从所述单节骨骼图像中截取包含所述节间轮廓的子区域；
对所述子区域进行二值化处理以得到所述前景区域。
可选的，所述预设投影方向垂直于所述目标骨骼的骨骼延伸方向。
可选的，所述根据所述像素点分布情况确定对应于所述节间轮廓的直线方程，包括：
确定所述前景区域中在所述预设投影方向上像素点分布最多的分布位置；
根据所述分布位置与所述预设投影方向，确定对应于所述节间轮廓的直线方程。
可选的，所述确定所述任一单节骨骼的边缘轮廓，包括：
基于所述边缘轮廓与外围区域之间像素点的像素值差异，识别所述边缘轮廓；所述外围区域为所述任一单节骨骼中位于所述边缘轮廓外部的区域。
可选的，所述基于所述边缘轮廓与外围区域之间像素点的像素值差异，识别所述边缘轮廓，包括：
从所述任一单节骨骼的单节骨骼图像的两侧边界开始，沿内侧方向遍历每个像素点的像素值，所述单节骨骼图像不包含除所述任一单节骨骼以外的其他单节骨骼；
将内侧方向上所有首个像素值与上一像素点的像素值之间的变化率超过预设变化率阈值的像素点加入候选边缘轮廓集合；
对所述候选边缘轮廓集合中的像素点进行聚类分析，以删除所述候选边缘轮廓集合中的离散点；
对所述候选边缘轮廓集合中剩余的像素点进行拟合，并将拟合结果作为所述边缘轮廓。
可选的，所述目标骨骼包括脊柱。
其中，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等，本申请并不对此进行限制。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。
- 还没有人留言评论。精彩留言会获得点赞！