專利名稱：自動(dòng)3-d對(duì)象檢測(cè)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種優(yōu)化和形狀模型產(chǎn)生技術(shù)，用于利用廣義Hough變換(GHT)在醫(yī)學(xué)圖像中進(jìn)行對(duì)象檢測(cè)。GHT是一種用于檢測(cè)圖像中的分析曲線的公知技術(shù)[3，4]。這個(gè)方法在[1]中提出，該方法的廣義性用在對(duì)象邊界點(diǎn)與參考點(diǎn)之間的距離向量來表示所考慮的對(duì)象。從而無需參數(shù)化表示，這就使該技術(shù)能夠用于任意形狀。
通過使用梯度方向信息，可以識(shí)別在目標(biāo)圖像中模型點(diǎn)與邊緣點(diǎn)之間可能的對(duì)應(yīng)關(guān)系，其可以用于增加定位的精度，并加速處理時(shí)間[1]。GHT公知的缺點(diǎn)是其在較高維度問題和較大圖像情況下所具有的龐大計(jì)算復(fù)雜性和存儲(chǔ)器要求。因此，為了能夠?qū)⑦@個(gè)技術(shù)用于3-D圖像中的對(duì)象檢測(cè)，就必須充分減小其復(fù)雜性。
實(shí)現(xiàn)該目的的一個(gè)方式是限制表示目標(biāo)對(duì)象的形狀模型點(diǎn)的數(shù)量。本發(fā)明提供了一種自動(dòng)化過程，用于優(yōu)化模型點(diǎn)的特定權(quán)重，其進(jìn)而又可以用于從給定(初始)的點(diǎn)集中選擇最重要的模型點(diǎn)子集。另外，其說明了該技術(shù)如何可以用于從無到有地產(chǎn)生新對(duì)象的形狀模型。
在本發(fā)明的優(yōu)選實(shí)施例中，使用已知的邊緣檢測(cè)技術(shù)，例如Sobel邊緣檢測(cè)，來產(chǎn)生邊緣圖像，并且GHT使用已知對(duì)象的形狀來將這個(gè)邊緣圖像變換為概率函數(shù)。在實(shí)踐中，這導(dǎo)致了模板對(duì)象的產(chǎn)生，即廣義形狀模型，并且將在未知圖像中檢測(cè)到的邊緣點(diǎn)與模板對(duì)象進(jìn)行比較，由此能夠確認(rèn)所檢測(cè)的對(duì)象的身份和位置。這是利用在未知圖像中的元素與模板對(duì)象中對(duì)應(yīng)元素之間的匹配概率來實(shí)現(xiàn)的。優(yōu)選地，這是通過以下實(shí)現(xiàn)的推薦一個(gè)參考點(diǎn)，例如模板對(duì)象中的質(zhì)心，以便能夠利用與該質(zhì)心相關(guān)的向量來表示邊界點(diǎn)。
在所檢測(cè)的圖像中，識(shí)別所關(guān)注的邊緣，例如可以借助于Sobel邊緣檢測(cè)，其能夠推導(dǎo)出梯度值和方向，以便更好的識(shí)別圖像中的對(duì)象邊界。然而，這也會(huì)引入噪聲和其它偽像，如果它們沒有被認(rèn)為是目標(biāo)對(duì)象的邊界的可能部分，則就需要抑制它們。
2.1概述 從目標(biāo)圖像收集一組邊緣點(diǎn)，隨后在假定目標(biāo)的質(zhì)心在與模板中的質(zhì)心相似的相對(duì)位置的情況下，必須嘗試定位目標(biāo)質(zhì)心的位置。然而，由于不知道在模型點(diǎn)與所檢測(cè)的邊緣點(diǎn)之間的對(duì)應(yīng)關(guān)系，因此廣義Hough變換通過假設(shè)任何給定的所檢測(cè)的邊緣點(diǎn)會(huì)對(duì)應(yīng)于模板上多個(gè)模型點(diǎn)中的任何一個(gè)，來嘗試確認(rèn)質(zhì)心，并且為每一種可能的情況做出相應(yīng)數(shù)量的質(zhì)心位置預(yù)測(cè)。當(dāng)對(duì)所檢測(cè)的全部邊緣點(diǎn)都重復(fù)了該處理并且累積了全部預(yù)測(cè)值時(shí)，可以將結(jié)果表示為概率函數(shù)，其會(huì)(希望)在質(zhì)心實(shí)際位置上具有最大值，這是因?yàn)檫@個(gè)位置會(huì)接收來自每一個(gè)正確檢測(cè)到的邊緣點(diǎn)的“投票”。當(dāng)然，在許多情況下，在由圖像中不正確檢測(cè)到的點(diǎn)得到的其它區(qū)域中也會(huì)存在投票的累加，但利用相當(dāng)準(zhǔn)確的邊緣檢測(cè)過程，這就不會(huì)成為重大的問題。
然而，在通常的醫(yī)學(xué)圖像中會(huì)有大量所檢測(cè)的邊緣點(diǎn)，因此，如果每一個(gè)檢測(cè)得到的邊緣點(diǎn)都被認(rèn)為是可能對(duì)應(yīng)于模板中任何一個(gè)邊緣點(diǎn)，則該“投票”過程就會(huì)需要相當(dāng)大的計(jì)算量。因此，GHT利用了這樣的事實(shí)即，每一個(gè)模型點(diǎn)還具有其它特性，例如相關(guān)的邊界方向。這意味著如果能夠?qū)⑦吘壍奶荻确较蚺c每一個(gè)所檢測(cè)的邊緣點(diǎn)相關(guān)聯(lián)，則每一個(gè)所檢測(cè)的邊緣點(diǎn)就只能對(duì)應(yīng)于大致具有相應(yīng)邊界方向的較少數(shù)量的模型點(diǎn)。由此，且考慮到在檢測(cè)梯度方向時(shí)可能會(huì)出現(xiàn)相當(dāng)重大的錯(cuò)誤，只將其邊界方向位于一特定范圍內(nèi)的邊緣點(diǎn)認(rèn)為是可能與任何給定模型點(diǎn)相關(guān)聯(lián)。以這種方式，減小了對(duì)計(jì)算量的要求，并且還通過抑制被判斷為不相關(guān)的圖像部分，來改善結(jié)果的精度。
將投票權(quán)重分配給每一個(gè)模型點(diǎn)，并且根據(jù)相應(yīng)的邊緣方向信息以及在所檢測(cè)的點(diǎn)上的灰度值來調(diào)整該投票權(quán)重。例如，這可以表示為灰度分布直方圖，因?yàn)榭梢杂尚螤钅Ｐ偷南鄳?yīng)區(qū)域確定在指定區(qū)域中的預(yù)期直方圖。
因此，GHT采用了對(duì)象的形狀來將特征(例如邊緣)圖像變換為一組未知的對(duì)象變換參數(shù)構(gòu)成的多維函數(shù)。該函數(shù)在參數(shù)空間上的最大值確定了用于將模型與圖像匹配的，即用于檢測(cè)該對(duì)象的最佳變換。在我們的架構(gòu)中，GHT依賴于兩個(gè)基礎(chǔ)知識(shí)源 -形狀知識(shí)(見2.3節(jié))，常常存儲(chǔ)為所謂的“R表” -與在對(duì)象表面上的灰度值和梯度分布相關(guān)的統(tǒng)計(jì)知識(shí) GHT常常用于2-D圖像中的2-D或3-D對(duì)象檢測(cè)，已知GHT對(duì)于局部封閉(occlusion)、輕微變形和噪聲是魯棒的。然而，許多研究人員還指出，該技術(shù)的較高的計(jì)算復(fù)雜性和龐大的存儲(chǔ)器需求限制了其對(duì)于低維度問題的可用性。因此，當(dāng)前，在使用剛性變換或甚至仿射變換的充分靈活性的情況下將GHT應(yīng)用于在3-D圖像中的對(duì)象檢測(cè)看起來是行不通的。因此，GHT幾乎不用于3-D圖像中的對(duì)象檢測(cè)。
本發(fā)明設(shè)法提供一種方法，通過限制用于表示目標(biāo)對(duì)象形狀的形狀模型點(diǎn)的集合，來限制GHT的較高復(fù)雜性。
為了根據(jù)特定模型點(diǎn)重要性而對(duì)特定模型點(diǎn)的貢獻(xiàn)進(jìn)行最佳權(quán)重，以便用于基于GHT的分類，就希望將來自不同模型區(qū)域的信息或者甚至是點(diǎn)合并為單個(gè)決策函數(shù)。因此，提出了將表示多個(gè)模型點(diǎn)(組)的基本模型集合對(duì)數(shù)線性地(log-linearly)合并到最大熵族的概率分布中。針對(duì)預(yù)定的誤差函數(shù)，可以使用最小分類誤差訓(xùn)練來優(yōu)化基本模型權(quán)重。隨后可以通過使用擴(kuò)展Hough模型來執(zhí)行對(duì)未知數(shù)據(jù)的分類，該擴(kuò)展Hough模型包含與模型點(diǎn)分組和基本模型權(quán)重相關(guān)的附加信息。除了提高分類性能之外，如果從形狀模型中移除具有較小權(quán)重的模型點(diǎn)(組)，就可以用這個(gè)技術(shù)來減小Hough變換的計(jì)算復(fù)雜性。
現(xiàn)在將參考附圖來說明本發(fā)明的一些實(shí)施例，其中

圖1A顯示了解剖對(duì)象的3-D網(wǎng)格模型； 圖1B是在未知個(gè)體中相應(yīng)對(duì)象的示范性的檢測(cè)圖像； 圖2A是用于展示廣義Hough變換的原理的簡(jiǎn)化模板對(duì)象，而圖2B是相應(yīng)的未知圖像； 圖3A、3B、4A、4B、5A、5B、6A和6B示出了使用廣義Hough變換的形狀檢測(cè)處理的各個(gè)步驟； 圖7A示出了更復(fù)雜的2-D模板對(duì)象的實(shí)例； 圖7B示出了所檢測(cè)的點(diǎn)的相應(yīng)的表格。
參考圖1A和1B，圖1A是人體的脊椎骨的3-D網(wǎng)格模型，其作為需要在醫(yī)學(xué)圖像中檢測(cè)的對(duì)象的典型實(shí)例，而圖1B是相應(yīng)檢測(cè)圖像的典型實(shí)例，會(huì)意識(shí)到，該檢測(cè)原理實(shí)際上是從多個(gè)更簡(jiǎn)單的模型的歸納出來的，這些更簡(jiǎn)單的模型如同在隨后的圖2到6中所示。
圖2A示出了具有參考點(diǎn)4的簡(jiǎn)單圓形“模板對(duì)象”2，參考點(diǎn)4是圓形2的中心，并且在實(shí)際實(shí)例中可以是更復(fù)雜形狀的質(zhì)心。在圖2B中顯示了相應(yīng)的“檢測(cè)圖像”。
檢測(cè)的各個(gè)階段包括識(shí)別在模板對(duì)象中的一系列邊緣點(diǎn)6、8、10，如圖3A所示；并且將它們相對(duì)于參考點(diǎn)4的位置存儲(chǔ)為例如包含向量值和相應(yīng)邊緣方向信息的表格。
隨后識(shí)別在未知圖像中的一系列邊緣點(diǎn)12、14、16，如圖4B所示，并且如圖5所示的，要由廣義Hough變換解決的問題是確定在未知圖像和模板對(duì)象中的邊緣對(duì)之間的對(duì)應(yīng)關(guān)系。如圖6所示，由廣義Hough變換提出的解決方案是考慮任何指定的所檢測(cè)的點(diǎn)(例如圖6B中的18)位于未知圖像邊緣上的可能性，從而產(chǎn)生由圖6B中虛線20所示出的圓形軌跡，用于得到未知圖像的真實(shí)“質(zhì)心”。會(huì)意識(shí)到，當(dāng)以這種方式考慮全部所檢測(cè)的邊緣點(diǎn)，且指定對(duì)于未知圖像的真實(shí)質(zhì)心的相應(yīng)“投票”時(shí)，該投票的最高累積實(shí)際上會(huì)在質(zhì)心位置22上，全部的相應(yīng)軌跡20都在此相交。
圖7示出了該原理對(duì)于復(fù)雜得多的模板對(duì)象的應(yīng)用，如圖7A所示。在此情況下，會(huì)見到多個(gè)可檢測(cè)邊緣點(diǎn)位于不同區(qū)域中，但具有相似的梯度Ω，這說明了與圖3到6的簡(jiǎn)單模板對(duì)象相比，檢測(cè)這種對(duì)象需要大得多的計(jì)算量。一種應(yīng)付此類對(duì)象的方式是將所檢測(cè)的點(diǎn)按組存儲(chǔ)到所謂的“R表”中，如圖7B所示，其中，將所具體的梯度在不同規(guī)定范圍內(nèi)的點(diǎn)存儲(chǔ)在與各個(gè)范圍相對(duì)應(yīng)的各個(gè)單元中。
2.2檢測(cè)過程 GHT目的是為了將指定的形狀模型與其對(duì)應(yīng)物相匹配而查找最佳變換參數(shù)，該指定的形狀模型位于例如目標(biāo)圖像的原點(diǎn)上。為此，使用了形狀模型M＝{p1m，p2m，…pNmm}的一種幾何變換，其由以下定義 在此A表示線性變換矩陣，t表示轉(zhuǎn)換向量。根據(jù) 假設(shè)在特征圖像中的每一個(gè)邊緣點(diǎn)pie都由某個(gè)模型點(diǎn)pjm的變換產(chǎn)生。
以相反方式看，如果我們的目的是在給定相應(yīng)的模型點(diǎn)pjm和變換矩陣A的情況下確定可能得到特定邊緣點(diǎn)pie的轉(zhuǎn)換參數(shù)t，我們推導(dǎo)出 讓我們暫時(shí)假設(shè)給定了矩陣A。那么，該等式就可以用于確定一對(duì)(Pj”，pf)的轉(zhuǎn)換參數(shù)t。由于給定邊緣點(diǎn)的相應(yīng)模型點(diǎn)同樣是未知的，因此我們可以對(duì)在該點(diǎn)與全部可能的模型點(diǎn)之間的對(duì)應(yīng)關(guān)系進(jìn)行假設(shè)，并針對(duì)在累加陣列(所謂的Hough空間)中的所產(chǎn)生的全部轉(zhuǎn)換參數(shù)假定值進(jìn)行投票?？梢酝ㄟ^要求模型點(diǎn)表面法線方向“與邊緣方向相似”，來對(duì)給定邊緣點(diǎn)的對(duì)應(yīng)模型點(diǎn)的集合進(jìn)行限定。
通過對(duì)在特征圖像中的全部邊緣點(diǎn)如此操作，最佳轉(zhuǎn)換解的投票通常比其它情況累計(jì)得更多。因此，然后可以通過搜索Hough空間中具有最大計(jì)數(shù)的單元，來確定最佳變換參數(shù)。如果變換矩陣A是未知的，同樣必須對(duì)(經(jīng)過量化的)矩陣參數(shù)的每一個(gè)可能的設(shè)定重復(fù)整個(gè)過程。在此情況下，在較高維度的Hough空間中進(jìn)行投票，該較高維度的Hough空間對(duì)于每一個(gè)矩陣參數(shù)都具有附加的維度。
在對(duì)全部邊緣點(diǎn)完成了該投票過程之后，必須對(duì)Hough空間進(jìn)行搜索以找到最佳解。通過合理地限制變換參數(shù)的量化粒度，可以使這個(gè)步驟的復(fù)雜性保持可管理性。然后，使用所確定的變換參數(shù)的“最佳”設(shè)定，將形狀模型變換到其在目標(biāo)圖像中的最佳位置和比例，在此其可以用于進(jìn)一步的處理步驟，如分割。
2.3.形狀模型的產(chǎn)生 GHT主要是基于形狀信息的，因此需要用于每一個(gè)所考慮對(duì)象的幾何模型。由于解剖對(duì)象通常具有非常特定的表面，因此在大多數(shù)情況下，預(yù)期表面形狀模型就足夠用于檢測(cè)。然而，也會(huì)提供與主要內(nèi)部結(jié)構(gòu)(例如心室)有關(guān)的附加信息，以便進(jìn)一步支持對(duì)類似對(duì)象的判別。當(dāng)前，廣義Hough變換的形狀模型產(chǎn)生需要大量用戶交互，并且每一次引入新形狀時(shí)都必須對(duì)其進(jìn)行重復(fù)。當(dāng)前的形狀獲取技術(shù)的另一個(gè)缺點(diǎn)是，所產(chǎn)生的形狀模型僅是很好地適用于單一訓(xùn)練形狀，并未考慮任何形狀可變性。因此，提出了一種用于形狀模型產(chǎn)生的新技術(shù)，其基于對(duì)模型點(diǎn)特定權(quán)重的最小分類誤差訓(xùn)練。該技術(shù)將必要的用戶交互減小到最小程度，僅要求在一小組訓(xùn)練圖像中的形狀的位置，可任選的是，在一小組所關(guān)注的區(qū)域中的形狀的位置。除此之外，所產(chǎn)生的模型包含來自全部訓(xùn)練形狀的形狀可變性。因此，與僅基于單一訓(xùn)練形狀的形狀模型相比，它要魯棒得多。
為此，將對(duì)象檢測(cè)任務(wù)描述為分類任務(wù)(見下文)，在該分類任務(wù)中，將輸入特征(例如邊緣圖像)劃分到多個(gè)類中，所述多個(gè)類表示任意形狀模型變換參數(shù)(用于將形狀模型與目標(biāo)圖像相匹配)。所使用的分類器(對(duì)數(shù)線性地)結(jié)合了一組基本知識(shí)源。這些知識(shí)源中的每一個(gè)都與特定的形狀模型點(diǎn)相關(guān)聯(lián)，并表示由該點(diǎn)引入到GHT中的知識(shí)。在最小分類誤差訓(xùn)練中，對(duì)基本(依賴于模型點(diǎn)的)知識(shí)源的各個(gè)權(quán)重進(jìn)行優(yōu)化。在優(yōu)化之后，這些權(quán)重表示某個(gè)特定形狀模型點(diǎn)對(duì)于分類任務(wù)的重要性，并且可以用于消除模型中的不重要的部分(比較2.3.2節(jié)) 2.3.1模型點(diǎn)權(quán)重的最小分類誤差訓(xùn)練 本發(fā)明實(shí)施例的以下實(shí)例說明了使用廣義Hough變換將圖像特征觀測(cè)值xn(一個(gè)完整圖像或一組圖像的特征)劃分到一個(gè)類k∈{1，...，K}中的情況。類k可以表示對(duì)象位置，或者任意的變換參數(shù)。為了完成該分類任務(wù)，使用了一組M個(gè)后驗(yàn)概率基本模型pj(k|xn)，j＝1，...，M。這些基本模型分布表示多個(gè)單個(gè)Hough模型點(diǎn)或多組點(diǎn)，并可以借助于相關(guān)投票頻率從與某些訓(xùn)練體積數(shù)據(jù)有關(guān)的Hough空間投票結(jié)果推導(dǎo)出來 在此，N(j，k，xn)表示在觀測(cè)到特征xn的情況下，用于假設(shè)值k的、模型點(diǎn)(或區(qū)域)j的投票數(shù)量?？商鎿Q地，可以借助于多模式高斯混合來估計(jì)該概率分布。
在接下來的步驟中，將基本模型對(duì)數(shù)線性地合并到最大熵族的概率分布中[3]。這類分布確保了最大客觀性，并已經(jīng)成功的用于各種領(lǐng)域中。
(5) 值Z(Λ，xn)是歸一化常數(shù) 可以將系數(shù)Λ＝(λ1，...，λM)T理解為在該模型組合內(nèi)的模型j的權(quán)重。
與得到相同函數(shù)形式分布的公知的最大熵方案相反，該方案針對(duì)以下判別函數(shù)的分類誤差率對(duì)系數(shù)進(jìn)行優(yōu)化 在這個(gè)等式中，kn表示正確的假設(shè)值。由于在該組合內(nèi)的基本模型j的權(quán)重λj依賴于其提供用于正確分類的信息的能力，因此這個(gè)技術(shù)實(shí)現(xiàn)了任何一組基本模型的最佳結(jié)合。在給定了具有正確類分配的一組訓(xùn)練體積n＝1，...，H的情況下，可以為每一個(gè)體積產(chǎn)生特征序列xn。通過執(zhí)行采用相等權(quán)重(即，)的初步分類，可以確定一組競(jìng)爭(zhēng)類k≠kn。為了量化每一個(gè)競(jìng)爭(zhēng)類k的分類誤差，必須選擇適當(dāng)?shù)木嚯x量度Γ(kn，k)。當(dāng)然，這個(gè)選擇強(qiáng)烈地依賴于類定義。例如，在解是簡(jiǎn)單的2D或3D位置向量的平移分類問題的情況下，可以使用在正確點(diǎn)與其競(jìng)爭(zhēng)者之間的歐幾里得距離。更簡(jiǎn)單的想法是使用二進(jìn)制距離度量，其對(duì)于正確的類是“1”，對(duì)于所有其它情況的是“0”。
隨后，所述模型合并參數(shù)應(yīng)使得對(duì)于代表性訓(xùn)練數(shù)據(jù)的分類誤差計(jì)數(shù)E(Λ)最小化， 以確保對(duì)于獨(dú)立測(cè)試組的最優(yōu)性。由于這個(gè)優(yōu)化標(biāo)準(zhǔn)是不可微的，因此其由經(jīng)平滑的分類誤差計(jì)數(shù)來近似 在此，S(k，n，Λ)是經(jīng)平滑的指標(biāo)函數(shù)。如果分類器(見下文)選擇假設(shè)值k，則S(k，n，Λ)就應(yīng)接近于1，如果分類器拒絕假設(shè)值k，其就應(yīng)接近于0。具有這些特性的可能的指標(biāo)函數(shù)是 在此，η是適合的常數(shù)。從相對(duì)于A[3]的最優(yōu)化ES(Λ)，獲得迭代的梯度下降方案 這個(gè)迭代方案減小了有利于較差假設(shè)(即與正確假設(shè)之間的距離較大)的模型點(diǎn)或組的權(quán)重， (均勻分布) 同時(shí)增大了有利于優(yōu)良假設(shè)的基本模型的權(quán)重。
采用一組經(jīng)過優(yōu)化的權(quán)重，用擴(kuò)展Hough模型來執(zhí)行對(duì)新(未知的)圖像的分類，所述擴(kuò)展Hough模型包含與模型點(diǎn)位置、分組(即在模型點(diǎn)與基本模型之間的關(guān)聯(lián))、以及基本模型權(quán)重(由最小分類誤差訓(xùn)練獲得)有關(guān)的信息。該分類算法如下來進(jìn)行 1.使用輸入特征x來應(yīng)用GHT，以填充Hough空間累加器。
2.使用累加器信息(例如用等式(3))，為全部基本模型j和類k確定pj(k|x)。
3.使用從最小分類誤差訓(xùn)練獲得的λj來計(jì)算每個(gè)類k的判別函數(shù)(7)。
決定具有最高判別函數(shù)的類。
因此，在本發(fā)明優(yōu)選方法的操作中，在假設(shè)具有多個(gè)訓(xùn)練值的情況下，用于形狀易變的模型的自動(dòng)產(chǎn)生的算法如下進(jìn)行 1.對(duì)全部訓(xùn)練體積進(jìn)行特征檢測(cè)(即Sobel邊緣檢測(cè))； 2.對(duì)于每一個(gè)訓(xùn)練體積要求用戶指明一個(gè)或多個(gè)對(duì)象位置； 3.使用兩個(gè)輸入?yún)?shù)(1)點(diǎn)的數(shù)量，(2)取決于到中心的距離的集中度下降，來產(chǎn)生模型點(diǎn)的球形隨機(jī)散布圖； 4.將該圖的中心移動(dòng)到每一個(gè)指定的對(duì)象位置，僅保留在至少一個(gè)體積中與輪廓點(diǎn)重合的點(diǎn)。刪除在任何體積中沒有重合的點(diǎn)； 5.執(zhí)行一個(gè)過程，用于為分類任務(wù)自動(dòng)確定特定模型點(diǎn)(或模型點(diǎn)區(qū)域)的重要性； 6.移除不重要的模型點(diǎn)。
所產(chǎn)生的形狀易變模型及其模型權(quán)重可以直接用于例如基于廣義Hough變換的分類[1]。
在可替換的情形下，用戶在一個(gè)訓(xùn)練體積中定義“所關(guān)注區(qū)域”。將該區(qū)域的多個(gè)特征(例如輪廓點(diǎn))用作初始模型點(diǎn)組，選擇性的是，由表示噪聲疊加的額外模型點(diǎn)對(duì)該初始模型點(diǎn)組進(jìn)行擴(kuò)展。隨后，該組(經(jīng)過擴(kuò)展的)模型點(diǎn)代替該球形隨機(jī)散布圖，用于該有判別力的模型加權(quán)過程。
參考文獻(xiàn)
1.D.H.Ballard，″Generalizing the hough transform to detect arbitrary shapes，″Tech.Rep.2，1981.
2.P.Beyerlein，″Diskriminative Modellkombination in Spracherkennungssystemenmit gro″sem Wortschatz″，Dissertation，Lehrstuhl fur Informatik VI，RWTH Aachen，1999
3.P.V.C.Hough，″Method and means for recognizing complex patterns，″tech.rep.，1962.
4.R.0.Duda and P.E.Hart，″Use of the Hough transform to detect lines andcurves in pictures，″tech.rep.，1972.
權(quán)利要求
1、一種使用廣義Hough變換來檢測(cè)解剖對(duì)象的方法，包括以下步驟
a)產(chǎn)生模板對(duì)象；
b)識(shí)別在所述模板中的一系列邊緣點(diǎn)，并將它們的相對(duì)位置數(shù)據(jù)和附加識(shí)別信息存儲(chǔ)在表中；
c)對(duì)所述對(duì)象執(zhí)行邊緣檢測(cè)處理，并存儲(chǔ)與在所述對(duì)象中的所檢測(cè)的點(diǎn)相對(duì)應(yīng)的相對(duì)位置數(shù)據(jù)和附加識(shí)別信息；
d)將經(jīng)修改的Hough變換用于所述所檢測(cè)的數(shù)據(jù)，以便識(shí)別所述對(duì)象的與所述模板中的邊緣相對(duì)應(yīng)的所檢測(cè)的點(diǎn)，其中，根據(jù)在所述所檢測(cè)的數(shù)據(jù)的附加識(shí)別信息與為所述模板存儲(chǔ)的附加識(shí)別信息之間的預(yù)定的對(duì)應(yīng)關(guān)系來修改每一個(gè)所檢測(cè)的點(diǎn)的投票權(quán)重，并且其中，還通過使用與模型點(diǎn)分組和基本模型權(quán)重有關(guān)的更多預(yù)定信息來精煉對(duì)所檢測(cè)的點(diǎn)的分類。
2、如權(quán)利要求1所述的方法，其中，通過將表示多組模型點(diǎn)的基本模型集合對(duì)數(shù)線性地合并到最大熵族的概率分布中，來得到所述模型點(diǎn)分組信息。
3、如權(quán)利要求1或2所述的方法，其中，使用針對(duì)預(yù)定誤差函數(shù)的最小分類誤差訓(xùn)練，來優(yōu)化所述基本模型權(quán)重。
4、一種用于對(duì)未識(shí)別的檢測(cè)圖像進(jìn)行分類的方法，包括以下步驟
a)使用輸入特征x來應(yīng)用廣義Hough變換，以填充Hough空間累加器；
b)使用采用了
的所述累加器的
信息，為全部基本模型j和類k確定pj(k|x)；
c)使用從最小分類誤差訓(xùn)練獲得的λj來計(jì)算每個(gè)類k的判別函數(shù)；以及
d)選擇具有最高判別函數(shù)的類。
5、如權(quán)利要求1所述的方法，其中，所述附加識(shí)別信息包括在每一個(gè)點(diǎn)上的梯度值和/或在每一個(gè)點(diǎn)上的灰度值。
6、一種如先前任意一項(xiàng)權(quán)利要求所述的方法，其中，在各組附加識(shí)別信息之間的所述預(yù)定對(duì)應(yīng)關(guān)系包括范圍關(guān)系，由此，如果與在所述模板中具有相應(yīng)相對(duì)位置數(shù)據(jù)的邊緣點(diǎn)的所述附加識(shí)別信息相比，所述所檢測(cè)的點(diǎn)的所述附加識(shí)別信息在預(yù)定范圍之外，就修改所述投票權(quán)重。
7、一種如先前任意一項(xiàng)權(quán)利要求所述的方法，其中，每一個(gè)點(diǎn)的所述相對(duì)位置數(shù)據(jù)包括相對(duì)于所述模板中參考點(diǎn)的距離和方向數(shù)據(jù)。
8、一種如先前任意一項(xiàng)權(quán)利要求所述的方法，其中，將來自不同模型區(qū)域的信息合并到單個(gè)決策函數(shù)中，以便能夠使用擴(kuò)展Hough模型執(zhí)行對(duì)未知數(shù)據(jù)的分類，所述擴(kuò)展Hough模型包含與模型點(diǎn)分組和基本模型權(quán)重相關(guān)的附加信息。
9、一種用于產(chǎn)生在自動(dòng)3-D對(duì)象檢測(cè)中使用的形狀可變的模型的方法，包括以下步驟
a)對(duì)全部訓(xùn)練體積進(jìn)行特征檢測(cè)；
b)人工指明一個(gè)或多個(gè)對(duì)象位置；
c)使用以下輸入?yún)?shù)
i)點(diǎn)的數(shù)量
ii)取決于到中心的距離的集中度下降，
來產(chǎn)生隨機(jī)散布d)將所述圖的中心依次移動(dòng)到每一個(gè)指定的對(duì)象位置，并且移除沒有在至少一個(gè)對(duì)象體積中重合的點(diǎn)；
e)為分類任務(wù)自動(dòng)確定特定模型點(diǎn)或區(qū)域的重要性；以及
f)移除不重要的模型點(diǎn)。
全文摘要
本發(fā)明涉及用于在3-D圖像中自動(dòng)檢測(cè)并分割解剖對(duì)象的系統(tǒng)。一種使用廣義Hough變換來檢測(cè)解剖對(duì)象的方法，包括步驟a)產(chǎn)生模板對(duì)象；b)識(shí)別在所述模板中的一系列邊緣點(diǎn)，并將它們的相對(duì)位置數(shù)據(jù)和附加識(shí)別信息存儲(chǔ)在表中；c)對(duì)所述對(duì)象執(zhí)行邊緣檢測(cè)處理，并存儲(chǔ)與所述對(duì)象中的所檢測(cè)的點(diǎn)相對(duì)應(yīng)的相對(duì)位置數(shù)據(jù)和附加識(shí)別信息；d)將經(jīng)修改的Hough變換用于所述所檢測(cè)的數(shù)據(jù)，以便識(shí)別所述對(duì)象的與所述模板中的邊緣相對(duì)應(yīng)的所檢測(cè)的點(diǎn)，其中，根據(jù)在所述所檢測(cè)的數(shù)據(jù)的附加識(shí)別信息與為所述模板存儲(chǔ)的附加識(shí)別信息之間的預(yù)定的對(duì)應(yīng)關(guān)系來修改每一個(gè)所檢測(cè)的點(diǎn)的投票權(quán)重，并且其中，還通過使用與模型點(diǎn)分組和基本模型權(quán)重有關(guān)的更多預(yù)定信息來改善對(duì)所檢測(cè)的點(diǎn)的分類。
文檔編號(hào)G06T7/00GK101341513SQ200680047972
公開日2009年1月7日 申請(qǐng)日期2006年12月18日 優(yōu)先權(quán)日2005年12月22日
發(fā)明者H·施拉姆 申請(qǐng)人:皇家飛利浦電子股份有限公司