主权项 |
一种OCT眼底图像数据配准方法,包括如下步骤:步骤一、采用Canny边缘检测方法对图像进行去噪、边缘检测:对原始图像进行灰度化,对图像进行滤波,然后计算图像的梯度幅值,对梯度幅值进行非极大值抑制,然后用双阈值算法检测和连接边缘;步骤二、图像点云数据的提取及可视化:将经过步骤一处理的图像按照原有的顺序叠加成一个三维体数据,并把每一个边缘点按照其所处的空间位置抽取成三维点云中的一个点,点云点的三维坐标对应叠加得到的三维体数据的空间坐标;步骤三、点云数据边界特征点的提取:将点云中的点按照其空间坐标分配到不同的空间网格中,接着找出所有属于点云边界的空间网格,最后将边界网格中的点云点提取出来作为点云数据的边界特征点;步骤四、采用奇异值分解算法完成点云数据初始配准:令P代表原始集合,Q代表对照集合,参见公式3,定义目标矩阵如下:<img file="FDA0001127692760000011.GIF" wi="1078" he="134" />C<sub>P</sub>和C<sub>Q</sub>分别是原始集合P以及对照集合Q的质心,M代表点云数据集中点云的数量,P<sub>i</sub>和Q<sub>i</sub>分别代表原始集合P与对照集Q合中第i个点,将目标矩阵E采用奇异值分解(Singular Value Decomposition,SVD),则E=UDV<sup>T</sup>。其中U的列是EE<sup>T</sup>矩阵的特征向量,V的列是E<sup>T</sup>E矩阵的特征向量。V<sup>T</sup>是V的转置矩阵且D为对角矩阵,D=diag(d<sub>i</sub>),其中,d<sub>i</sub>为E的奇异值,令<img file="FDA0001127692760000012.GIF" wi="1314" he="130" />则旋转矩阵R=UBV<sup>T</sup>,平移矩阵T=C<sub>Q</sub>‑RC<sub>P</sub>,将所求得的矩阵R和T作用于原始集合P以消除初始条件下原始集合P与对照集合Q可能存在的较大位移误差;步骤五、采用改进迭代最近点算法完成点云数据精确配准:步骤5.1初始化。对于给定的两个点云集合P和Q,指定一个收敛阈值τ,步骤5.2采用公式5算出点云数据中每个点对应的权值,比较阈值ε并将权值较低的点排除,<img file="FDA0001127692760000021.GIF" wi="774" he="133" />Q<sub>B</sub>为集合Q中点P<sub>A</sub>的对应点,Dis(P<sub>A</sub>,Q<sub>B</sub>)代表P<sub>A</sub>和Q<sub>B</sub>间的欧氏距离,Dis<sub>MAX</sub>代表点对间欧氏距离的最大值,欧式距离采用公式6计算得到,步骤5.3迭代以下步骤,直到公式6的最小均方根误差收敛于所给定的阈值τ:步骤5.3.1根据公式6计算出集合P和Q中点云之间的欧式距离,<img file="FDA0001127692760000022.GIF" wi="1291" he="90" />其中,ω<sub>x</sub>,ω<sub>y</sub>,ω<sub>z</sub>分别代表M‑估计在各个坐标方向的权重因素,(x<sub>A</sub>,y<sub>A</sub>,z<sub>A</sub>),(x<sub>B</sub>,y<sub>B</sub>,z<sub>B</sub>)分别为集合P中点A和Q中点B的空间坐标,步骤5.3.2对于排除了权值较低的点的集合P,在集合Q中寻找欧氏距离最近的点作为对应点并存储在最近点集中,步骤5.3.3利用公式7采用最小二乘法计算计算集合P和最近点集间的旋转矩阵R和平移矩阵T,<img file="FDA0001127692760000023.GIF" wi="1349" he="135" />步骤5.3.4将旋转矩阵R和平移矩阵T应用于集合P,得到新的集合,利用公式7计算最小均方根误差是否收敛于所给定的阈值τ,如果是则结束运算,否则利用步骤5.3进行迭代计算。 |