骤S，确定划分后网格中每个顶点法向量计算时的阔值环数；
[0076] 步骤S30,对于网格中的每一个顶点，设定一个自适应邻域面积大小，自适应邻域 面积是为了动态调整每个顶点邻域范围的大小；网格化后的模型是由很多=角形面片组 成，每个=角形面片有=个顶点，所有的该些顶点都成为模型的顶点。从该些点中挑选出一 些有特别特征的点，如突出点，可作为特征点；自适应邻域面积由W下公式计算：
[0077]
[007引上式中，n是划分后的椎体模型上的顶点总数，a-ring(Vi)是指网格化后模型中顶 点Vi周围a环范围（a-ring)，图5展示了a= 1，2, 3时顶点周围a环S角面片的情况。CJ 为顶点Vi周围a环范围内的一个S角面片。area(CP为S角面片Cj的面积。在实际操作 中，a的取值根据模型网格精细程度进行调整，一般取值；[1，4];本实例中，a取值2,自适应 邻域面积为37. 3702。自适应邻域面积是为了确定阔值环数ki。每个顶点参考自适应邻域 面积来获得顶点各自的ki值；
[0079] 步骤S31，根据步骤S30得到的自适应邻域面积，计算顶点Vi的阔值环数ki环邻 域中ki的取值，具体计算过程为：
[0080] a.令ki=1 ;
[008。b.计算顶点Vi周围ki环内所有；角片面的面积之和d;
[008引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;
[0083] 步骤四，计算每个顶点Vi的法向量，计算公式如下：
[0084] 、
[0085] 上式中，ki-ring(Vi)表示顶点Vi周围的ki环邻域范围，Cj为处于该邻域范围内的 每个S角面片，area(cp表示Cj的面积，（Xi，yi，Zi)为计算出来的向量和，吊j表示S角面片 Cj的单位法向量，\为顶点Vi的法向量；
[0086] 步骤五，计算顶点Vi周围ki环范围内其他顶点Vj与该顶点法向量的夹角总和，公 式如下：
[0087]
[008引上式中，ki-ring(Vi)表示顶点Vi周围ki环邻域范围，ki的值为步骤SSI计算出 来的值；Vj.为处于k i环邻域范围内除了V i之外的每个顶点，该里计算时V i被当做核屯、点； cos^为反余弦函数，用于求出Vi和Vj向量的夹角。兩为顶点Vi的法向量，5,为顶点Vj的 法向量，D(Vi)为顶点Vi周围ki环邻域范围内其他所有顶点Vj的法向量与顶点Vi的法向 量夹角总和。
[0089] 步骤六，对所有顶点的按照步骤五计算出的法向量夹角总和进行降序排列；
[0090] 将每个顶点的夹角总和代入快速排序算法进行降序排列，得到法向量夹角和从大 到小的排列结果；由于模型顶点个数在1〇'4左右，顶点个数多且每个顶点的法向量夹角和 混乱无序，因此快速排序相比起其他排序算法能够获得更好的时间和空间上的性能。相比 起其他特征点的阔值响应方法，利用排序能够快速调整特征点拾取个数，更加适合于脊椎 特征点该一新课题的研究。
[0091] 步骤走，对脊椎模型内所有顶点进行非极大值抑制；具体过程为：
[0092] 对于两个顶点距离小于抑制范围r的情况，则保留特征值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；r根据模型大小设置，一般设置为ki环 邻域的半径；本实例中r= 9. 0。
[0093] 步骤八，输出脊椎模型的特征点；
[0094] 把最终筛选出来的特征点展示出来，具体结果见图6。由于单纯显示点无法突出试 验结果，因此试验结果除了显示模型中的特征点外，还显示了特征点1邻域范围内的所有 =角面片，使结果更加直观。
[009引 对比试验；
[0096] 为了突出本方法的有效性，展示了传统特征点自动识别算法狂hou Z化Ai Q S，Liu Q，et al.A novel feature points selection algorithm for 3D triangular mesh models [C]//Signal Processing, 2008. ICSP 2008.9th International Conferenceon.IE邸，2008:1023-1026,简称方法 1)和（Walter,N.,Aubreton,0. ,Laiigant, 0.:Salientpointcharacterizationforlowresolutionmeshes.In:ICIP，pp. 1512 - 1515 (2008)，简称方法2)在本方法实验模型上的应用效果。
[0097]参考论文QunD,BinY,YingW.StatisticModeloftheSpinein Three-DimensionGeometry[c]//InformationScienceandEngineering(ISISE),2010In ternationalSymposiumon.IE邸,2010:66-70.)定义本实验模型L3上个特征点，如图 6所示。
[009引图7展示了本方法的结果，在自适应面积=32. 2,抑制区间=10时，正确提取出 30个特征点。
[009引图8展示了方法1的结果，a= 3时，抑制区间=10时正确提取出23个特征点。
[0100] 图9展示了方法2的结果，r= 2.0时，抑制区间=10时正取提取出26个特征点。
[0101] 从结果可W看出，本方法在针对脊椎特殊模型时，能够达到较好地自动特征点标 定效果。方法1除了特征点标定正确率低之外，特征点标定的误差也大于方法2和本方法。 其原因在于方法1的顶点法向量计算方式无法适应模型中屯、点在模型外部的情况。本实验 椎体L3的模型中屯、点处于模型外部，在椎孔中间。
[0102] 同时，方法2除了在正确率和误差上比方法1的结果好。但是方法2的计算效率 低。在计算每个独立球形里面不同=角面片占用体积时，需要根据球形球屯、的不同而重新 计算。
【主权项】
1. 一种脊椎特征点自动识别方法，其特征在于，包括以下步骤： 步骤一，对人体脊椎的CT图像进行三维重建，得到脊椎的三维模型，对该三维模型进 行切割，获得要提取特征点的椎体； 步骤二，对要提取特征点的椎体模型进行网格划分； 步骤三，确定划分后网格中每个顶点法向量计算时的阈值环数； 步骤四，计算每个顶点的法向量； 步骤五，计算每个顶点周围阈值环数范围内其他顶点与该顶点法向量夹角总和； 步骤六，对所有顶点的按照步骤五计算出的法向量夹角总和进行降序排列； 步骤七，对所有顶点进行非极大值抑制； 步骤八，输出脊椎模型特征点。2. 如权利要求1所述的脊椎特征点自动识别方法，其特征在于，所述的步骤三的具体 过程如下： 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：tl 上式中，n是椎体模型上的顶点总数，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环范围内的一个三角面片，area(c』）为三角面片Cj的面积，a的 取值为[1，4]; 步骤S31，按照下述循环算法确定顶点的阈值环数ki: a. 令ki= 1 ; b. 计算顶点Vi周围k1环内所有三角片面的面积之和d; c. 如果d<自适应邻域面积，则ki=k片1，并返回步骤b，否则得到kp3. 如权利要求2所述的脊椎特征点自动识别方法，其特征在于，步骤四中，顶点法向量 的计算公式如下：上式中，ki-ringf^)表示顶点Vi周围的ki环邻域范围，area(c』）表示三角面片Cj的 面积，（x^y^Zi)为计算出来的向量和，元/表示三角面片Cj的单位法向量，\为顶点 法向量。4. 如权利要求2所述的脊椎特征点自动识别方法，其特征在于，步骤五中，法向量夹角 总和DGO的计算公式如下：上式中，ki-ringf^)表示顶点Vi周围ki环邻域范围，vj为处于ki环邻域范围内除了Vi之外的每个顶点，？iv.为顶点Vi的法向量，元为顶点Vj的法向量。5.如权利要求4所述的脊椎特征点自动识别方法，其特征在于，步骤七中，非极大值抑 制的具体过程为： 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。
【专利摘要】本发明公开了一种脊椎特征点自动识别方法，属于医学图像处理领域。构建过程为：通过CT图片进行脊椎三维模型建模和切割；获得要进行特征点识别的特定椎体；对椎体进行网格划分，使得椎体由细小的三角面片构成；对椎体模型的每个顶点，自适应计算每个顶点的邻域面积，称该顶点为其邻域内核心点；计算处于邻域面积内部的顶点法向量；计算核心点所处邻域内所有顶点与核心点法向量夹角总和；对所有核心点的夹角和进行降序排序；对所有核心点根据一定抑制区间进行非极大值抑制；最后获得该椎体的特征点。本发明主要是针对脊椎特定的外形结构进行特征点识别方法。可用于外科医学领域中与脊椎相关的研究。
【IPC分类】G06T7/00, G06K9/36
【公开号】CN104952068
【申请号】CN201510271121
【发明人】鱼滨, 张琛, 苏仲谋
【申请人】西安电子科技大学
【公开日】2015年9月30日
【申请日】2015年5月25日