[發明專利]一種用于突出顯示體數據中目標區域的體繪制方法

有效

• 申請號: 201410378697.6
• 申請日: 2014-08-04
• 公開（公告）號: CN104167013B
• 公開（公告）日: 2017-01-11
• 發明（設計）人: 陳莉;孫思遠
• 申請（專利權）人: 清華大學
• 主分類號: G06T15/08
• 分類號: G06T15/08;G06T7/00
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙)11201
• 代理人: 羅文群

1.一種用于突出顯示體數據中目標區域的體繪制方法，其特征在于該方法包括以下步驟：

(1)分別計算體數據的梯度特征、曲率特征、分型特征、光滑度、線型特征和三維不變矩，具體過程如下：

(1-1)設體數據中任意一個體素的梯度特征為G，G＝|g|，G為g的模，g為體數據中體素的梯度向量，f為體數據灰度特征在x、y、z三個方向上的函數映射，灰度特征為體素的數值特征，為的轉置，則體數據的梯度特征為體數據中所有體素的梯度特征按照體素在體數據中的位置排列得到的一個三維矩陣；

(1-2)設體數據中任意一個體素的曲率特征為C_m，κ₁為體素所在位置的主曲率，κ₂為體素所在位置的副曲率，T為幾何張量Z的跡，F為幾何張量Z的弗羅貝尼烏斯范數，幾何張量其中H_e是體素的海森矩陣，P_m是體素所在位置的等值面切平面矩陣，P_m＝I-n_vn_v^t，I為單位矩陣，n_v為體素所在位置的表面向量，n_v^t為n_v的轉置，則體數據的曲率特征為體數據中所有體素的曲率特征按照體素在體數據中的位置排列得到的三維矩陣；

(1-3)設體數據中任意一個體素的分型特征為D，對體數據中任意一個體素v_i，分型特征D=Σr=1kd(Xr-X‾)(Yr-Y‾)Σr=1kd(Xr-X‾)2,]]>其中X_r＝logr，X‾=Σr=1kdXrkd,Yr=logu(B‾(vi,r)),]]>Y‾=Σr=1kdYrkd,u(B‾(vi,r))=Σvj∈U(vi,r)f(vj),]]>U(v_i，r)為體素v_i的鄰域，r為鄰域半徑，f(v_j)為體素v_j的灰度特征，v_j為體素v_i的鄰域U(v_i，r)中任意體素，表示體素v_i的以r為半徑的鄰域中所有體素的灰度特征的和，k_d的取值為2，則體數據的分型特征為體數據中所有體素的分型特征按照體素在體數據中的位置排列得到的三維矩陣；

(1-4)設體數據中任意一個體素的光滑度為S，對體數據中任意一個體素v_i，光滑度其中σ²為體素v_i的鄰域U(v_i，r)中所有體素的灰度特征方差，體素v_i的鄰域半徑r取2，則體數據的光滑度為體數據中所有體素的光滑度按照體素在體數據中的位置排列得到的三維矩陣；

(1-5)設體數據中任意一個體素的線型特征為F_flit，對體數據中任意一個體素v_i，線型特征其中為權值，取值為任意非負實數，r為體素v_i的鄰域半徑，Bkf=Gkf‾,Gkf>Mean(Gkf)0,Gkf≤Mean(Gkf),Gkf=Σvj∈Lkff(vj),]]>其中為均一化后的結果，為體素v_i的鄰域內以鄰域邊界為兩端端點且通過v_i的線段，線段總數為12r²+1，v_j為線段L_k上的一個體素，體素v_i的鄰域半徑r取1，則體數據的線型特征為體數據中所有體素的線型特征按照體素在體數據中的位置排列得到的三維矩陣；

(1-6)設體數據中任意一個體素的三維不變矩為T，三維不變矩T＝μ₂₀₀+μ₀₂₀+μ₀₀₂，其中μ₂₀₀、μ₀₂₀和μ₀₀₂分別為中心距，對任意一個體素v_i，中心距計算通式為：

μpqt=Σvj∈U(vi,r)(x1-x1‾)p(x2-x2‾)q(x3-x3‾)t·f(x1,x2,x3)dx1dx2dx3]]>

其中v_j是體素v_i鄰域U(v_i，r)內的任意一個體素，x₁，x₂，x₃分別為體素v_j在體數據中三個維度的坐標值，分別為體素v_i的鄰域U(v_i，r)的灰度特征重心在體數據中三個維度的坐標值，f(x₁，x₂，x₃)為v_j的灰度特征，體素v_i的鄰域半徑r取4，則體數據的三維不變矩為體數據中所有體素的三維不變矩按照體素在體數據中的位置排列得到的三維矩陣；

(1-7)將原始體數據進行備份，備份的原始體數據記為V_copy；

(2)分別計算上述步驟(1)中得到的六個特征的特征評估量E，E＝ω₁L_n-ω₂R_n+ω₃C_n，其中ω₁，ω₂，ω₃為權值，取值為任意非負實數，L_n、R_n、C_n分別為對特征距離評估量L、特征相關性評估量R、特征價值評估量C進行均一化處理的結果，L、R、C分別為：

其中為用k均值聚類算法對特征P₁聚類后的第i_l個類的重心，P₁為上一次評估時選取的特征評估量E為最大的特征，若當前評估為第一次評估，則特征P₁為灰度特征，k₁為用k均值聚類算法對特征P₁聚類后得到的類的個數，為用k均值聚類算法對特征P₂聚類后的第j_l個類的重心，P₂為待評估的特征，k₂為用k均值聚類算法對待評估的特征P₂聚類后得到的類的個數；

R＝H(P₁)+H(P₂)-H(P₁，P₂)，其中H(P₁)為特征P₁的信息熵，H(P₂)為待評估特征P₂的信息熵，H(P₁，P₂)為特征P₁和待評估的特征P₂的聯合熵；

C＝H(P₁，P₂)-H(P₁)；

(3)從步驟(2)的六個特征中選取特征評估量E為最大的特征，記為P，用特征P與原始體數據的灰度特征組成一個二維傳輸函數，用該二維傳輸函數對原始體數據中的目標區域進行分離，得到原始體數據中位置在目標區域中的體素，分離過程如下：

(3-1)用特征P與體數據的灰度特征組成一個二維統計直方圖，用歸一化割方法對該直方圖圖像進行分割，得到多個二維統計直方圖圖像子區域，記該多個子區域組成的集合為Y₀；

(3-2)計算原始體數據中所有體素在二維統計直方圖中的坐標，根據該坐標，從原始體數據中分別找到與每個子區域相對應的體素，利用光線投射方法，分別對與每個子區域相對應的體素進行體繪制，得到多個體繪制圖像；

(3-3)從子區域集合Y₀中得到最終子區域集合O_final，過程如下：

(3-3-1)初始化時，最終子區域集合為空集，對Y₀中所有子區域進行從1到w排序，其中w是子區域集合Y₀中子區域的數量；

(3-3-2)從子區域集合Y₀中取出標號最小的子區域y₀，若與子區域y₀相對應的體繪制圖像中只包含目標區域，則將y₀放入最終子區域集合中，并將y₀從Y₀中刪除，將刪除y₀后的Y₀記為Y₁；若與子區域y₀相對應的體繪制圖像中只包含非目標區域，則將y₀從Y₀中刪除，將刪除y₀后的Y₀記為Y₁，若與子區域y₀相對應的體繪制圖像中既包含目標區域又包含非目標區域，則用歸一化割方法對子區域y₀進行分割，得到兩個新的子區域y₁和y₂，分別將y₁和y₂加入到子區域集合Y₀中，將y₀從Y₀中刪除，得到新的子區域集合Y₁，Y₁中y₁標號為N_max+1，y₂標號為N_max+2，其中N_max為子區域集合Y₀中子區域標號的最大值；

重復上述步驟，若子區域集合Y變為空集，則記最終子區域集合為O_final，進行步驟(3-4)；若上述步驟重復次數超過30次，則將Y₃₀中剩余的所有子區域加入到最終子區域集合中，并記最終子區域集合為O_final，進行步驟(3-4)；

(3-4)根據步驟(3-2)得到原始體數據中所有體素的坐標，分別分離出坐標在最終子區域集合O_final中的每個子區域的所有體素，所有體素組成的集合記為V_r，按照體素在原始體數據中的坐標，將V_r中的所有體素加入到原始體數據中，將加入V_r中的所有體素后的原始體數據記為V_n，根據下式對V_n的灰度特征進行處理，得到V_n的新的灰度特征如下：

fnew(vh)=fold(vh),vh∈Vr0,vh∉Vr]]>

其中v_h為V_n中的任意一個體素，f_old(v_h)為V_n中v_h的原來的灰度特征，f_new(v_h)為V_n中v_h的新的灰度特征；

(3-5)對上述V_n中的體素進行判斷，若V_n中的任意體素v_h滿足v_h∈V_r，則進行步驟(4)，若V_n中存在一個體素v_h，滿足則根據下式對步驟(1)的6種特征數據進行處理，得到與每種特征相對應的新的特征值：

Pfeature_new(vh)=Pfeature_old(vh),vh∈Vr0,vh∉Vr]]>

其中v_h為V_n中任意一個體素，P_{feature_old}(v_h)表示v_h的原來特征值，P_{featutr_new}(v_h)表示v_h的新特征值，返回步驟(2)；

(4)利用步驟(3)得到的體數據V_n和步驟(1)中的備份原始體數據V_copy，合成一個傳輸函數，利用該傳輸函數得到體繪制圖像，具體過程如下：

(4-1)將步驟(3)得到的體數據V_n中的體素歸為一個類，記為m₀；

(4-2)根據備份的原始體數據V_copy，將步驟(3)得到的體數據V_n中灰度特征變為0的體素的灰度特征值恢復為原來的灰度特征值，將恢復灰度特征值的體素組成一個集合，記為V_o，用V_o中所有體素的梯度特征和灰度特征組成一個二維統計直方圖，采用歸一化割方法將此直方圖分割成e個子區域，分別記為a₁、a₂…a_e；

(4-3)計算上述V_o中所有體素在梯度特征和灰度特征組成的二維統計直方圖中的坐標，根據V_o中所有體素在該二維統計直方圖中的坐標，將V_o劃分為e個類，分別記為m₁、m₂...m_b...m_e，b＝1，2，...，e，分類方法為：對V_o中任意一個體素v_i，若v_i在該二維統計直方圖中的坐標在子區域a_b內部，則將v_i歸到類m_b中；

(4-4)根據顯示需要，為體數據V_n中的體素的類m₀設置不透明度和顏色，為類m₁、m₂…m_e設置不透明度和互相不同的顏色，不透明度取值范圍為[0，1]，顏色采用紅綠藍顏色模型，紅、綠、藍顏色分量的強度值范圍為[0，255]，根據體數據中每個類的顏色和不透明度，采用光線投射算法得到最終的突出顯示目標區域的體繪制圖像。