快速重建范文

快速重建范文（精选5篇）

快速重建 第1篇

关键词：逆向工程,光条中心提取,中心法,三维重构

0 引言

根据实体轮廓生成几何模型的方法称为逆向工程[1]。逆向工程与现代设计密切相关, 已成为制造业产品开发中的重要手段。实物表面形状数据的获取是逆向工程的基础。通常获取实体表面形状数据的方法分为两大类, 接触式和非接触式测量方法[2]。三坐标测量仪 (coordinate measure machine, CMM) 是逆向工程中使用最为广泛的传统形状测量设备, 但它存需要一定的工作环境、速度慢、效率低且价格昂贵等弱点[3]。随着计算机及光电技术的发展, 光学式非接触测量方法逐渐占据重要地位。近年来基于结构光的非接触三维测量技术得到了快速的发展, 光切法 (light-section method) [3]是近10年发展起来的一种非接触测量方法。由于三维测量技术的主要任务是光条中心的准确、快速的提取, 因此精确提取光条中心是提高测量精度的关键, 光条中心的提取时间决定算法的实时性能。通常使用的光条中心提取方法有极值法、阈值法、重心法和高斯拟合法等[4,5], 但这些方法在图像数据较大时, 很难达到实时性测量的要求。因此有必要研究一种快速提取光条中心的方法。

由于激光的高强度特点, 一般条件下环境噪音对图像中光条强度服从高斯分布这一特征影响很小[6]。因此光条的中心线理论上是图像中光条的中心线, 通常光条边界点能量较弱难以提取, 本文提出取距离峰值较近的像素为光条的虚拟边界, 并采用光条中心提取方法中的中心法提取光条中心。在处理的图像数据较大时传统的中心提取方法的算法时间复杂度较高。难以达到实时检测的效果。本文基于光条边界的连续性和光条在图像中的位置、形状等分布特征。结合光条边界相邻像素点之间的偏置关系, 判断图像中每列 (行) 开始和终止扫描位置, 根据不同的情况, 使用24种方法实现光条中心的快速提取。并比较不同的两种方法重构动车轮毂模型。

1 改进中心法

在实际操作中, 提出了六组光条提取方法。为了说明各组中心提取方法, 绘制图1所示的光条中心每一列扫描示意图。图中共有八种从图像的不同方向和不同位置扫描每一列光条的上、下边界点的方式。在整幅图像的光条提取中, 根据光条位置、方向和光条质量特征通过结合八种方法, 具体有六种实现方法。

(1) 图像的每一列按照图1中的I方法从上往下扫描找到光条的上、下边界点并计算出光条中心点。同理还可以从下往上扫描找到光条中心点。

(2) 图像的每一列按照V方法从上往下扫描找到光条上边界点, 接着从下往上扫描找到光条下边界点, 通过光条上、下边界点计算出光条的中心点, 同理可以改变V方法的扫描先后顺序找出每一列的光条中心点。

(3) 在图像中先设定一个扫描开始上边界, 扫描开始上 (下) 边界一般取大于光条的最大轮廓矩阵, 从扫描开始上边界的点位置按照II向下扫描找到第一列的光条中心, 从第二列开始以后每一列扫描之前判断上一列的光条上、下边界点是否找到, 如果找到, 此时按照在前一列位置向上偏执若干个像素点按照III方法扫描找到光条上、下边界点并计算出光条中心点, 如果没有找到光条上、下边界点或扫描开始上边界点小于图像上边界点则按照II方法扫描找到该列光条的上、下边界点并计算光条中心。以此方法找到每列的光条中心。同理可以从反方向扫描找到光条中心。

(4) 从扫描开始上边界点位置按照II方法向下扫描找到第一列上、下光条边界并求出光条中心, 从第二列开始以后每一列扫描之前判断上一列的光条上、下边界点是否找到, 如果找到, 此时判断该扫描开始上边界点与上一列的光条上边界点的大小, 如果扫描开始上边界点大于上一列的光条上边界点, 则取扫描开始上边界点等于上一列的光条上边界点位置减去偏置的若干个像素按照IV方法找到光条上、下边界点并计算出光条中心点。如果没有找到上一列的光条上、下边界点, 此时的扫描开始上边界等于图像上边界点并按照I方法计算出光条中心。同理可以从反方向扫描找到光条中心。

(5) 从扫描开始上边界点开始按照VI从上向下扫描找到第一列的光条上边界点, 从第二列开始以后每一列扫描之前判断上列光条上边界点是否找到, 如果找到, 此时的扫描开始上边界点等于上一列的光条上边界点的位置加上偏置的若干个像素按照VII方法从上往下扫描找到光条上边界点。如果没有找到光条上边界点, 此时的扫描开始上边界点等于图像上边界点并按照VI方法从上往下找到光条上边界点。同理反方向按照扫描开始下边界点, 按照VI和VII方法从下往上找到光条下边界点。通过找到的光条上下边界点计算出每一列光条中心点。同理可以先找到光条下边界再找光条上边界计算光条中心。

(6) 从扫描开始上边界点开始向下扫描如II方法找到第一列光条的中心点, 从第二列开始以后每一列扫描之前判断上列的光条中心点是否找到, 如果找到, 此时判断该扫描开始上边界点与上一列的光条上边界点的大小, 如果扫描开始上边界点大于上一列的光条上边界点, 则取扫描开始上边界点等于上一列的光条上边界点位置减去偏置的若干个像素点并按照VIII扫描, 如果没有找到上一列的光条中心点, 此时按照II扫描, 通过找到光条上、下边界点来计算出光条的中心点。同理可以先找到光条下边界再找光条上边界计算光条中心。

2 实验方案

为了测试六组方法在各种复杂光条中心提取中的速度, 构造了如图2、3所示的两幅图像, 图像中的光条有凹凸、间断、内孔等复杂特征, 以模拟各种光条特征。图2和图3的大小分别为1024×768和768×1024像素。

上述6组方法中的每组在图2中包含从上往下和从下往上两种扫描方法, 在图3中包含从左向右和从右向左两种扫描方法。因此总共有24种不同的方法。利用Visual C++和OPENCV编程实现上述24方法, 并利用图2和图3图像验证方法的精度和速度, 为了降低偶然因素影响, 将每个方法运行1 000次后取平均值作为最后的实验结果。见表1。

实验结果表明:光条中心的轮廓和光条实际中心的轮廓有很好的一致性。图4、5分别为在图2使用方法3和在图3使用方法2提取的光条中心, 由表1实验数据可得, 相同的扫描方法在不同的图像中的运算速度不同, 且图2由于图像存储格式对算法速度有利, 速度比图1明显有优势。方法1在同一幅图像中从下往上、从上往下、从左往右和从右往左扫描所对应的算法时间度不同, 特点是从图像中靠近光条方向处开始扫描的速度大于反方向处开始扫描的速度。方法2和方法3在同一幅图像上无论从哪个方向扫描所得的算法速度大致是一样的。方法3、4、5、6的算法速度大致相同并且与方法1、2相比具有明显的优势。方法3、4、6相比方法5运算速度要快一些。这在图像数据较大时速度优势将更明显。这与最初的使用不同的扫描方法寻找光条中心算法的速度不同和不同图像使用不同的光条提取方法可以提高算法速度的想法得到很好的验证, 同时提出了六种可选择的中心提取方法, 为具有不同特征的光条中心提取提供了多种可选择的快速方法。同时提取的精度可以达到像素级, 可以满足大部分图像的光条中心提。

ms

3 应用实例

将光条提取方法运用于动车轮毂模型的重构项目中, 图6为需要重构的动车1/4轮毂模型。该轮毂模型的半径为19 cm、高为4 cm。搭建实验平台如图7所示, 将轮毂模型放置在运动控制平台上面, 采用线激光, 运动控制平台以1 cm/s移动轮毂, 并触发AVT相机采集轮毂移动位置处的光条图像。拍摄图像格式为640×480灰度图像。根据得到的光条图像, 使用本文中光条中心提取方法。通过相机标定、光条提取、三维重建得到图8所示的轮廓三维图。实验结果表明重建的三维轮廓精度为1 mm。在该项目中采用方法1和4, 方法4:单张图像处理时间为0.256 ms。所有图像处理的总时间为48.596 ms, 方法1:单张图像处理时间为1.375 ms, 所有图像处理的总时间为261.246 ms, 结果表明选择不同的扫描方法在图像数据较大时改进的光条提取算法有明显的优势。

4 结论

根据激光光强符合高斯分布, 取距离峰值较近的灰度值为光条虚拟边界, 并利用光条中心提取中的中心法提取。根据图像相邻边界的连续性, 利用相邻像素行 (或列) 的偏置扫描, 通过从不同的方向扫描每行 (或列) 获取光条中心。结合实际光条的特征使用24种方法具体实现, 并使用Visual C++和OPENCV编程测试不同方法的算法速度和提取光条的质量。实验结果表明, 不同的扫描方法在同一图像和不同的图像上算法时间复杂度表现出较大的差异。在动车轮毂模型的三维重建项目中, 使用该方法提取光条中心, 实验结果表明, 利用方法4总时间比方法1少212.650 ms, 运算速度达到了实时检测的要求。并达到系统所需精度。本文中提出的快速光条提取方法在实时性要求比较高的场合下, 具有较强的使用性。

参考文献

[1]成思源, 余国鑫, 张湘伟.逆向系统曲面模型重建方法研究[J].计算机集成制造系统, 2008, 14 (10) :1934-1939.

[2]杨雪荣, 张湘伟, 成思源, 等.基于可变形模型的光条纹中心提取方法研究[J].中国机械工程, 2009, 20 (3) :334-336.

[3]杨雪荣, 张湘伟, 成思源, 等.三坐标测量机与线结构光传感器集成系统的测量模型[J].中国机械工程, 2009, 20 (9) :1020-1023.

[4]雷海军, 李德华, 王建永, 等.一种结构光条纹中心快速检测方法[J].华中理工大学学报:自然科学版, 2003, 31 (1) :74-76.

[5]刘枝梅, 邓文怡, 娄小平.结构光测量系统中光条中心的提取算法[J].北京机械工业学院学报, 2009, 24 (1) :42-45.

快速重建 第2篇

人脸识别是当今生物识别领域的研究热点,而对于基于人脸识别的视频监控的研究已经成为人脸识别领域最为活跃的方向之一[1,2]。在现阶段,对于成千上万人进行人脸识别的视频监控系统面临着许多的难题:由于图像数据库固定单一,大数据库比对,识别率下降的问题;训练大容量图像数据库,系统开销时间增加,影响了系统的实时性。这些问题不解决,很难使人脸视频监控系统发挥作用[3]。

在视频监控系统中,人脸图像数据库一般是由静态图像组成的,但是普通的静态图像人脸数据库是固定单一的,不能够有效地更新数据库,而人脸一般会随着时间缓慢变化,这样会导致真实的人脸和图像数据库中的人脸的差别越来越大,人脸识别率也会日渐低下。

本文的研究对象是一种新的在线学习模型。该模型的基本原理是基于人脸识别的2DPCA方法,通过视频获取人脸图像,如果经过图像预处理的待识别人脸图像识别成功,且该图像符合图像数据的人脸标准,那么则把待识别的图像加入到图像数据库中,构成新的图像数据库,保证了图像数据库的鲁棒性。但是这样做,训练图像的协方差矩阵的特征值和特征向量就会发生变化,而视频监控系统由于其实时性的要求,不可能花费大量时间去重新训练新的图像数据。因而必须寻找一种方法解决训练图像协方差矩阵特征值和特征向量的的快速更新。本文提出了一种新的基于人脸识别2DPCA特征重建算法,能够有效地解决这一问题。

1人脸识别

1.12DPCA

2DPCA在图像预处理时,不需要像PCA方法那样将图像拉直成向量,而是直接对二值图像进行处理;在进行图像特征提取的时候需要处理一个协方差矩阵,得到其特征值和特征向量,并且选取特征向量组成特征子空间,将原图像投影到特征子空间上以获得投影矩阵。对于一个m×n的图像,2DPCA要处理的是一个m(或n)阶图像协方差阵。

1.2基本原理

假定原始矩阵数组A[M]为$A{}_1,A{}_2,\cdots ,A{}_{{\rm M}}\left({\rm M}={\displaystyle \sum _{s=1}^{c}n}{}_s\right)$,其中c为模式类别,ns为每个类别所拥有的图像;增加一个样本后的矩阵数组A[M+1]为$A{}_1,A{}_2,\cdots ,A{}_{{\rm M}},A{}_{{\rm M}+1}\left({\rm M}={\displaystyle \sum _{s=1}^{c}n}{}_s\right)$(每一幅图像都是m×n大小)。令$\mu {}^{{\rm M}}=\frac{1}{{\rm M}}{\displaystyle \sum _{i=1}^{{\rm M}}A}{}_i$为A[M]的均值矩阵;${{\displaystyle \sum }}^{{\rm M}}=\frac{1}{{\rm M}}{\displaystyle \sum _{i=1}^{{\rm M}}(}A{}_i-\mu )(A{}_i-\mu ){}^{\text{Τ}}$为A[M]的协方差矩阵。令$\mu {}^{{\rm M}+1}=\frac{1}{{\rm M}+1}{\displaystyle \sum _{i=1}^{{\rm M}+1}A}{}_i$为A[M+1]的均值矩阵;同样ΣM+1为A[M+1]的协方差矩阵。

定义准则函数J(X)=XT∑X,最大化该准则函数的单位向量X称为最优投影向量。其物理意义是图像矩阵在X方向上投影后所得特征向量的总体分散程度最大。事实上,该最后投影向量即为图像总体散布矩阵∑的最大特征值所对应的单位特征向量。而最优投影向量组X1,X2,…,Xd可取∑的最大特征值所对应的标准正交的特征向量。P=[X1,X2,…,Xd],P称为最优投影矩阵[4]。

把训练图像和待识别图像投影到最优投影矩阵上,然后作相应的分类比较。

2数学模型

2.1问题基本模型

(1) 问题描述

已知:原始矩阵数组A[M]和新加入一幅图像的矩阵数据A[M+1],并且知道A[M]的协方差矩阵∑M和∑M的特征值λM与和特征向量UM;

求解:A[M+1]的协方差矩阵∑M+1以及∑M+1的特征值λM+1和特征向量UM+1。

(2) 计算A[M+1]的平均矩阵μM+1

可以由μM和AM+1得到μM+1:

$\mu {}^{{\rm M}+1}=\frac{{\rm M}}{{\rm M}+1}\mu {}^{{\rm M}}+\frac{A{}_{{\rm M}+1}}{{\rm M}+1}$ (1)

(3) 计算A[M+1]的协方差矩阵∑M+1

$\begin{array}{l}{{\displaystyle \sum }}^{{\rm M}+1}=\frac{1}{{\rm M}+1}{\displaystyle \sum _{i=1}^{{\rm M}}(}A{}_i-\mu {}^{{\rm M}+1})(A{}_i-\mu {}^{{\rm M}+1}){}^{\text{Τ}}+\\ \frac{1}{{\rm M}+1}(A{}_{{\rm M}+1}-\mu {}^{{\rm M}+1})(A{}_{{\rm M}+1}-\mu {}^{{\rm M}+1}){}^{\text{Τ}}(2)\end{array}$

把式(1)代入式(2)的Ai-μM+1和AM+1-μM+1中,并通过矩阵的运算,可以得到:

${{\displaystyle \sum }}^{{\rm M}+1}=\frac{{\rm M}}{{\rm M}+1}{{\displaystyle \sum }}^{{\rm M}}+\frac{{\rm M}{}^2-{\rm M}}{({\rm M}+1){}^3}(A{}_{{\rm M}+1}-\mu {}^{{\rm M}})(A{}_{{\rm M}+1}-\mu {}^{{\rm M}}){}^{\text{Τ}}(3)$

2.2引入矩阵摄动理论

在式(3)中,对前面部分和后面部分的系数分别求导:$\left(\frac{{\rm M}}{{\rm M}+1}\right)´=1,\left(\frac{{\rm M}{}^2-{\rm M}}{({\rm M}+1){}^3}\right)˝=\frac{1}{3({\rm M}+1)}$;由此容易知道,当M>>1时,后面部分$\frac{{\rm M}{}^2-{\rm M}}{({\rm M}+1){}^3}$的结果要远远小于前面部分$\frac{{\rm M}}{{\rm M}+1}$中的结果;因此,可以把后面部分看作是对前面部分的摄动,问题就可以利用矩阵摄动的相关算法来解决。另一方面,当已知∑M的特征值和特征向量时,容易知道$\frac{{\rm M}}{{\rm M}+1}{{\displaystyle \sum }}^{{\rm M}}$的特征值和特征向量为$\frac{{\rm M}}{{\rm M}+1}\lambda {}^{{\rm M}}$和$\frac{{\rm M}}{{\rm M}+1}U{}^{{\rm M}}$;因此,同样可以利用矩阵摄动理论和式(3)来计算∑M+1的特征值λM+1和特征向量UM+1[5]。

2.3问题简化

为了更好地说明问题,可以用矩阵摄动的相关符号来简化上述问题(下标0表示原值)。令:

B=∑M+1 (4)

$B{}_0=\frac{{\rm M}}{{\rm M}+1}{{\displaystyle \sum }}^{{\rm M}}$ (5)

$\text{Δ}B=\frac{{\rm M}{}^2-{\rm M}}{({\rm M}+1){}^3}(A{}_{{\rm M}+1}-\mu {}^{{\rm M}})(A{}_{{\rm M}+1}-\mu {}^{{\rm M}}){}^{\text{Τ}}$ (6)

可以得到:

已知:B=B0+ΔB,以及B0的特征值λ0和特征向量U0;

求解:B的特征值λ和特征向量U。

2.4基于Rayleigh商的近似方法

由于协方差矩阵是矩阵和其转置相乘,故式(4)、式(5)和式(6)中的B、B0和ΔB都是实对称矩阵,也即Hermite矩阵。对于实对称矩阵B,有BU=λU,两边同时左乘UT,通过简单变换,可以得到B的特征值λ的标准Rayleigh商,表示为:

$\lambda =\frac{U{}^{\text{Τ}}BU}{U{}^{\text{Τ}}U}$ (7)

(1) 使用原特征向量的Rayleigh商近似方法(RAL1)

用U0代替式(7)中的U,可以得到需改善精度的特征值$\widehat{{\displaystyle \lambda {}_1}}$:

$\widehat{{\displaystyle \lambda {}_1}}=\lambda {}_0+U{}_0^{\text{Τ}}\text{Δ}BU{}_0$ (8)

(2) 使用单步逆迭代的Rayleigh商近似方法(RAL4)

因为逆迭代方法的突出特点是:即使不知道精确的特征值,但只要近似特征值比较接近真实值,便可以用迭代方法求出精确特征向量。在这个算法中,$\widehat{{\displaystyle \lambda {}_1}}$由式(8)得到:

$\widehat{U}=(B-\widehat{{\displaystyle \lambda {}_1}}{\rm I}){}^{-1}U{}_0$ (9)

然后把$\widehat{U}$代入式(7)就可以得到近似特征值$\widehat{\lambda }$[6]。

这个算法可以同时得到新矩阵的特征值和特征向量,下面将通过具体的算例来说明算法的精度。

3仿真实验

3.1实验环境

实验环境: Intel E5300 CPU,Windows XP 操作系统,2GB内存,ORL人脸数据库,编程环境为MATLAB R2010b。

3.2精度实验

使用MATLAB随机选取合适的B0和ΔB如下所示:

$B{}_0=\left[\begin{array}{cccc}5.5& 21& 2& 23.5\\ 21& 4& 11& 32\\ 2& 11& 29& 18\\ 23.5& 32& 18& 38.5\end{array}\right]$

$\text{Δ}B=\left[\begin{array}{cccc}-0.8& 0.7& 0.3& 0.1\\ 0.7& -0.1& -1.1& -0.6\\ 0.3& -1.1& 1& -0.9\\ 0.1& -0.6& -0.9& 1.8\end{array}\right]$

如表1所示,单步逆迭代的Rayleigh 商近似方法(RAL4)得到的特征值具有很高的精度,而且远远比RAL1高,而且可以同时得到特征值和特征向量,可以满足特征值计算的需求。

人脸数据库:ORL人脸数据库数据库(http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html);

实验选取ORL中所有40个人的前5幅图像作为原始图像数据库,后4幅作为测试图像数据库,第6幅作为新加入的图像。进行C2DPCA(Column-2DPCA)训练并且得到其协方差矩阵的特征值和特征向量。通过实验我们发现当取前8个最大特征值时,识别率为91.87%。

当新加入图像时,利用式(5)和式(6),通过Rayleigh商计算可以快速的得到新的特征值和特征向量。加入第一个人的第六幅图像,可以得到识别率为91.87%,虽然识别率没有减少,但是计算的时间却大大减少了。

由于缺少大容量的人脸图像数据库,实验选取ORL中所有40个人的前5幅图像,共200幅图像作为原始图像数据库,当需要400幅图像时,复制这200幅图像,共400幅图像进行2DPCA运算,以此类推。新加入图像还是第一个人的第6幅图片。

如表2所示,当图像数据库越大,2DPCA计算的时间就越大。在实时监控系统中,重新计算特征子空间显然是不符合监控系统的需求的。而本文采取的算法大约只需要0.078s,就可以重新得到新的图像数据库,显然这无论对于系统的实时性还是鲁棒性都有很大的帮助。

仔细观察,可以发现本文算法所需的计算时间是和图像数目无关的。这是因为算法与图像数目有关系的是摄动量ΔB ,而在计算ΔB的式(6)中,计算前面部分时间开销的差异可以忽略。

4结语

本文运用Rayleigh商解决了基于2DPCA视频监控中的实时更新问题,通过仿真实验验证明了算法的有效性。该算法能够解决如下问题:对于由于图像数据库固定单一,大数据库比对,识别率下降的问题,视频监控系统的在线学习模型可以更新图像数据库,有效地保证了图像数据库的鲁棒性;对于重新训练大容量图像数据库,系统开销时间增加,影响了系统的及时性,该算法能够在保证精度的情况下用极短的时间重新得到新的特征子空间。

摘要：视频人脸识别是当今生物识别领域的研究热点。介绍一种新的面向人脸识别的特征重建算法。该算法在开放性视频实时监控系统中,能够快速有效地处理新图像数据库的特征重建问题。算法基于人脸识别的2DPCA方法,利用矩阵摄动和Rayleigh商理论,通过已知数据快速估算出具有很高精度的特征子空间;通过仿真实验,该算法在保证精度的情况下,能够节省大量训练时间,效果较好。

关键词：人脸识别,2DPCA,矩阵摄动,Rayleigh商

参考文献

[1]Chellappa R,Wilson C,Sirohey S.Human and machine recognition offaces:A survey[J].Proceedings of the IEEE,1995,83(5):705.

[2]Zhao W,Chellappa R,Rosenfeld A,et al.Face recognition:A literaturesurvey[J].ACM Computing Survey,2003,35(4):399-458.

[3]徐挺.大容量人脸识别门禁系统的研究[J].计算机仿真,2008,25(6):217-219.

[4]陈伏兵,陈秀宏,张生亮,等.基于模块2DPCA的人脸识别方法[J].中国图象图形学报,2006,11(4):580-585.

[5]黄晓斌,万建伟,王展.基于改进K-L变换的特征提取技术[J].国防科技大学学报,2005,27(1):84-88.

快速重建 第3篇

深埋黄土隧道穿越滑坡体的施工在我国尚属首例, 而深埋黄土隧道穿越滑坡体的地质灾害整治工程在我国亦属首例, 深层黄土地质灾害整治工程施工综合技术亦没有系统化的研究成果。兰新高铁已经开通运营, 因地质灾害导致停运不但对运营单位造成经济损失, 拖延时间过长也必将影响我国高铁建设声誉。短期内需完成隧道内部分工程的重建、配套四电设施的拆除及恢复工程, 对深层黄土地质灾害整治工程施工技术的研究是急待解决的问题, 同时也为中国高铁建设积累经验。

1 工程概况

兰新高铁张家庄隧道位于青海省乐都县境内, 洞身穿越一低中山山体和虎狼沟、双塔沟高阶地段, 地形起伏大, 隧道最大埋深约300m, 通过浅埋沟埋深约50m。隧道起讫里程为DK118+595~DK122+364, 全长3769m, 为双线隧道, 线路纵坡为4.0‰的单面上坡。2016年1月18日, 因受山体地质灾害影响, 隧道出现严重病害, DK120+390~DK120+930段洞身拱部、边墙及仰拱等部位二衬混凝土出现剥离掉块、开裂, 线路左、右侧的CPⅢ均出现了平面位移和高程突变, 位移量级为+22mm~+104mm, 变形量级为-17mm~-52mm。根据张家庄隧道抢险工程指挥部总体部署, 中铁一局集团有限公司承担张家庄隧道DK120+344~DK121+015段无砟道床重建抢险任务。

2 CRTS-I型双块式无砟轨道结构

钢轨采用60kg/m、100m定尺长U71Mn G钢轨, 并满足《高速铁路用钢轨标准》 (TB/T3276-2011) 的相关规定。轨枕采用有挡肩双块式轨枕, 并满足《客运专线铁路双块式无砟轨道双块式轨枕暂行技术条件》 (科技基【2008】74号) 的相关要求。扣件采用WJ-8B型弹性扣件, 并满足《客运专线扣件系统暂行技术条件》 (铁科技函【2006】248号) 的相关要求。重建段为连续式道床板, 板厚260mm、宽2800mm, 采用C40混凝土现场浇筑, 板内双层配筋。

3 施工关键技术

3.1 施工准备

3.1.1 施工调查

针对张家庄隧道无砟轨道的施工特点, 施工前需详细调查交通情况、混凝土搅拌站布置、水源、电源、物料物流组织措施、双块式轨枕存放场地、钢筋加工场地等情况, 为编制物流组织及施工计划提供依据。

3.1.2 材料储备及检验

落实各种材料来源, 保证供货进度与施工进度匹配, 并有一定数量的储备。各类材料应满足设计文件要求, 并在进场前按有关规定进行检验合格。

3.1.3 设备配套

针对张家庄隧道的工况, 在施工中始终本着“满足需求, 略有富余”的原则配备。根据工程量及工期目标要求配置主要设备轨排框架108榀 (702m, 含43kg工具轨1460m) , 10t双轨龙门吊3台, 精调设备2台 (套) , 其它设备在满足工程需要的同时, 略有富裕, 使各设备得到合理的利用, 发挥设备的最大效率。

3.1.4 物流组织

双块式轨枕、轨排框架、工具轨、扣配件、钢筋等均由乐都南站综合维修工区利用轨道平板车运至DK121+015作业点。混凝土及其它材料均由隧道进口运至施工现场。

3.2 CPⅢ轨道控制网测设

3.2.1 施工复测

(1) CPI、CPⅡ平面控制网复测。

采用全球卫星定位系统GPS测量技术进行CPI、CPII平面控制网复测。复测使用的仪器精度及技术指标符合《全球定位系统 (GPS) 铁路测量规程》的有关规定。

(2) 二等水准网的复测。

二等水准控制点采用高精度精密水准仪按二等水准测量的精度要求, 起闭于二等水准基点进行往返水准复核联测。采用DNA03精密水准仪及配套铟瓦标尺。测量精度满足《客运专线无砟轨道铁路工程测量暂行规定》的有关规定。

3.2.2 CPⅢ轨道控制网测设技术要点

(1) 使用的仪器精度及性能指标及鉴定情况应满足相关要求。

(2) 控制基标点位布设稳定, 网形建立合理。

(3) 检查并复核测量方法是否得当, 外业数据采集是否准确, 记录是否完整齐全, 计算数据处理方法是否正确和可靠。

(4) 外业观测数据的质量检验, 可通过分析评估程序对测量数据进行处理。

(5) 对平差计算数据处理所采用的数学模型和计算软件进行验证, 用合格的起算数据和相同的数学模型对平差计算成果进行验算。

3.3 轨排的组装及就位

3.3.1 施工放样

结合现场资源配置情况按照左线 (671m) 率先贯通的方法进行。对仰拱面按规范要求进行机械凿毛处理, 并清除仰拱表面的杂物及灰尘, 利用CPⅢ点在仰拱面上放样出轨道中心线及轨枕边线。

3.3.2 底层钢筋安装

(1) 进场的钢筋原材质检合格后集中运到钢筋加工厂进行专业化的加工和制作。加工好之后, 利用汽车平板按规格型号绑扎成束, 运抵工地作业现场。

(2) 参考道床板钢筋布置图在仰拱面上画出道床板底层钢筋安装位置, 安装底层钢筋时控制好钢筋间距, 安装到位后用绝缘卡绑扎牢固, 保护层垫块以每平米至少4个布设。

3.3.3 轨排拼装

使用龙门吊将待用轨枕吊放到轨排组装平台上的轨枕槽上, 对照着定位线匀枕, 轨枕间距偏差控制在5mm以内。人工配合龙门吊使轨排扣件螺栓孔对准轨枕螺栓孔, 然后缓慢平稳的将排架吊放在轨枕上, 确认轨枕位置无偏差后安装扣件并将扣件扣紧。

3.3.4 轨排运输

安装好的轨排放在一侧待用, 轨排堆放一般不超过三层。轨排运输采用平板车运至施工地点使用跨线龙门吊吊装进行定位铺设。

3.3.5 轨排框架就位

利用龙门吊将运输至施工现场的轨排吊装就位, 依照轨道中心点位依次准确就位。轨排就位高程误差控制在-10~0mm, 中线±10mm。轨缝控制在10mm以内, 钢轨接头要平顺, 不得有错台。

3.3.6 轨排粗调

使用全站仪、水准仪、道尺, 按照“先中线后高程”的顺序对轨排进行粗调。高程误差控制在-5mm, 中线误差控制在5mm以内。使用螺柱支腿等轨排架横向、纵向调整机构完成轨排粗调整。

3.3.7 绑扎上层钢筋及电阻测试

(1) 粗调完毕后安装道床板上层纵横向、架立钢筋和接地钢筋, 然后将接地端子焊接在道床两侧接地钢筋上。

(2) 使用欧姆表进行绝缘检测, 要求非接地钢筋中任意两根钢筋的电阻值不小于2MΩ。

3.3.8 模板安装

利用龙门吊将模板吊放到作业面两侧, 用螺栓连接模板, 两侧用三脚架与仰拱面打眼对模板进行固定。

3.3.9 轨排精调

(1) 全站仪观测4对连续的CPⅢ点, 自动平差、计算确定设站位置。根据计算结果调整测站位置后, 必须至少交叉观测后方利用过的4个CPⅢ点。

(2) 在轨道上放置轨检小车, 小车上安装棱镜。全站仪测量轨道状态测量仪顶端棱镜, 用小车自动测量轨距、超高、水平位置等, 同时接收观测数据, 借助专业计算软件计算轨道平面位置、水平、超高、轨距等参数, 及时将误差值反馈给轨道状态测量仪, 根据分析结果合理调增轨道位置。

(3) 采用轨向锁定器对中线偏量进行调整, 直至其达到设计要求。

(4) 用普通六角螺帽扳手旋转竖向螺杆, 对轨道水平、超高进行调整。

(5) 前一站调整完毕后转入下一站, 必须重叠上一站调整过的8~10根轨枕。

4 道床板混凝土施工

4.1 准备工作

浇筑混凝土前, 全面检查浇筑所需的电力线路、运输罐车、振捣棒及各种施工设备等。

4.2 混凝土拌合、输送及浇筑

道床板混凝土浇筑作业在搅拌站统一拌合, 采用运输车运输到施工现场, 试验员现场对混凝土检测合格后, 人工配合进行浇筑。混凝土振捣时, 不能碰触轨排框架及轨排加固设施, 应道床板钢筋空隙插入, 以快插慢拔的方式进行振捣, 振捣间距控制在60cm左右, 振捣过程中发现混凝土表面不再有明显气泡溢出, 且表面平整泛浆, 再开始振捣下一个点。

4.3 道床板收面

表层混凝土振捣完成后, 对混凝土裸露面进行整平。为避免混凝土表面快速散失引起面层开裂, 混凝土入模3h后必须及时进行二次抹面压光。抹面时不能洒水润面, 以免水量控制不当破坏表层混凝土的质量。

4.4 混凝土养护

采用保湿保温养护, 在混凝土浇筑1小时后, 要进行覆盖养护, 减少混凝土表面水分蒸发。混凝土养护采用表面覆盖养护用的土工布, 在表面洒水, 然后用塑料薄膜进行覆盖的方式。一般道床板洒水覆盖养护时间不能小于7天。

4.5 拆模及堵塞螺杆孔

混凝土抗压强度达到5MPa后, 先将连接件松开, 然后轻敲模板, 至模板松动后, 由龙门吊出, 倒运至下一循环, 进行清理。依次逐块拆除、清洗、涂油。

将螺杆孔内的塑料套管清除干净, 人工用M40无收缩水泥砂浆将螺杆孔进行封堵密实, 并将表面抹平。

4.6 成品保护

模板拆除完之后, 在后续施工过程中应防止施工机具及模板等碰撞损坏道床板。

对现场施工人员进行培训, 提高成品保护意识, 防止损坏道床板外观。

5 结束语

根据张家庄隧道无砟道床快速重建施工经验, 经过深入调研, 大胆创新, 加大技术改造力度, 创新施工要点。合理利用有限场地条件, 充分利用有轨运输和无轨运输两种形式, 确保无砟轨道工装进场和施工物流畅通。根据隧道洞内加固工程内容及特点, 安排多工序平行、流水作业, 实现合理搭接, 有节奏、均衡、连续地完成工程项目的施工全过程。经过8天的施工, 顺利完成1342m无砟轨道重建, 工后采集的数据均能满足各项要求, 受到了张家庄隧道抢险指挥部的好评。

摘要：本文通过张家庄隧道无砟道床重建施工实例, 介绍了在高铁隧道无砟道床施工中的一些关键技术, 如施工准备、物流组织、CPⅢ轨道控制网测设、轨排粗 (精) 调及混凝土施工等, 这些关键技术对高铁隧道抢险工程施工技术具有积极的参考价值。

关键词：隧道,无砟道床,重建,快速施工

参考文献

[1]徐庆元, 李斌, 周智辉.CRTS-Ⅰ型板式无砟轨道线路路基不均匀沉降限值研究[J].中国铁道科学, 2012 (02) .

[2]雷晓燕, 仲志武.高速铁路无砟轨道振动分析[J].铁道工程学报, 2009 (01) .

快速重建 第4篇

关键词：超分辨率,图像块,稀疏编码,PCA

0引言

超分辨率 重建 (Super-Resolution ,SR) 技术是利 用一幅或 多幅低分 辨率图像 生成一幅 高分辨率 图像 。 实际应用 中需要用 到这种分 辨率增强 技术 ,如在高分 辨率显示 设备上显 示由低分 辨率传感 器捕获的 图像时 ,可减少视 觉上的伪 影 。 文中主要 研究单幅 图像的超 分算法 ,输入的低 分图像只 有一幅 ,另外还有 多幅各类 图像组成 的训练集 , 通过字典 训练和图 像重建后 形成预测 的高分图 像 ,是一种基 于学习的 方法 。

FREEMAN W T[1]利用马尔 科夫随机 场 (MRF) 建立高分图像和低分图像间的联系用于超分重建。 CHANG H[2]等应用 “流形学习 ”的理论将 局部线性 嵌入 (Local Linear Embedding , LLE ) 用于超分 重建 , 提出邻域 嵌入 ( Neighbor Embedding , NE ) 法 , 所需训练 样本较少 , 但会导致 过拟合和 欠拟合现 象 。 以此为基 础 ,GAO X[3]等提出将 稀疏编码 邻域选择 算法应用 于图像重 建 , 虽然解决 了NE法的问题 , 但重建复 杂结构图 像时效果 不佳 。 YANG J C[4,5]等将机器 学习引入 到超分重 建中 ,提出利用 字典学习 的稀疏编码超 分算法(Sparse Coding Super Resolution,SCSR)。 ZEYDE R[6]和YANG J[7]等在不同 程度上提 升了超分 速度或效 果 。 在众多的 超分辨率 重建研究 中 ,学者们都 用训练样 本来重建 高分图像 ,但大多数 学者并不 太关注图 像各区域 的区别和 训练样本 的组织问 题 ,而这些方 面可以为 减少超分 过程中的 计算量 , 提高超分 速度 , 打开新的 思路 。

1基于稀疏编码的超分辨率重建

稀疏编码 的目的是 用一组基 元的线性 加权组合 来近似表 示输入信 号x∈Rn。 这些基元 是一些基 础信号 , 往往是从 一个超完 备字典D∈Rn×K(n<K) 中选出的 。 稀疏编码 就是自动 找出较好 的基元组 合的方法 ,因此单幅 图像的超 分辨率重 建问题可 以表示为 :

其中 ,pk为第k个图像块 ,D为超完备 字典 ,qk为稀疏系 数 。 H和S分别为模 糊和下采 样操作数 。 从超分重 建的角度 看 ,S可理解为 将输入低 分图像Y放大s倍后得到 与高分图 像相同尺 寸的超分 图像X*, 并使其与 原始高分 图像X的误差最 小 。

1 . 1稀疏编码 解决方案

一些典型 的超分重 建问题解 法中 ,常将式 (1)稀疏先验 中无确定 解析式的l0- 范数近似 放松至l1- 范数 , 再引入拉 格朗日乘 子式来形 成最小化 表达式[8]:

其中F为特征提 取操作数 ,用来提取 低分输入 图像块的 边角信息 ,正则化参 数 λ 为平衡式 中两项的 常数 。 以稀疏表 示理论为 基础 ,YANG J C[4]和He等人提出 联合字典 学习方法 训练生成 超完备字 典 ,其中字典 训练和图 像重建阶 段分别使 用K-SVD和OMP算法 。 虽然这些 基于稀疏 编码的超 分算法能 得到比较 好的高分 图像 ,但是耗时 较长 ,制约了其 实时应用 。

1 . 2加速超分 辨率重建 的思路

自然图像 中包含高 频和低频 部分 。 前者为边 缘和角等 跳变幅度 较大区域 ,后者为相 对平滑区 域 。 图像放大 时 , 插值法比 应用稀疏 编码的方 法速度快 得多 , 但沿图像 边角会产 生较明显 的伪影 ,如振铃 、锯齿和模 糊等 。 尽管整体 超分效果 不如稀疏 编码法 ,但它在平 滑区域的 超分效果 也非常好 。 YANG J C[4]分别用Bicubic和SCSR放大图像 “Lena” 中的近2500个图像块 , 并对放大 图像块的RMSE值进行对 比 。 结果表明 ,10% 的图像块Bicubic方法比SCSR效果更好 ,28% 的图像块SCSR方法更好 , 分布在图 像的边角 、轮廓部分 , 如Lena的帽檐和 脸颊边缘 。 而其他的62%图像块用 两种方法 的效果基 本相同 。 因此 ,可将特征 提取后的 高频图像 块按照一 定的标准 分成几类 , 再以平衡 超分效果 和速度为 依据 , 用不同的 方法处理 相应类别 的图像块 ,提高图像 整体的超 分速度 。

此外 , 一幅图像 是由成千 上万的图 像块组成 的 , 对于每个 图像块 ,可以通过 减少它的 维度来减 少图像块 处理中的 运算量 。 大量图像 块处理时 ,维度较少 的图像块 累积节约 下来的运 算时间能 为提高超 分重建的 速度作出 较大的贡 献[6]。

2图像块分类处理超分算法

文中提出 的基于图 像块分类 处理的超 分辨率重 建算法是 一种改进 的稀疏编 码超分算 法 (Proposed Sparse Coding Super - Resolution , PSCSR ) , 包括图像 训练和图 像重建两 部分 ,具体算法 如下 :

( 1 ) 超分训练 阶段 :

( 2 ) 超分重建 阶段 :

1根据所选 阈值对将 图像块利 用均值和 方差进行 分类 ,并予以标 记 ;

2Bicubic插值处理 第一类图 像块 ;

3用NE超分放大 第二类图 像块 ;

4利用Dl在第三类 图像块上 计算其稀 疏表示 ;

5将求得的 稀疏系数 和Dh相乘来恢 复第三类 图像的目标高 分图像块

6用取平均 值的方法 在重叠区 域融入

7结合以上3种图像块 处理方法 ,形成目标 高分图像 。

2 . 1图像块降 维

图像块分 类处理超 分算法利 用主成分 分析 (Principal Component Analysis , PCA ) 来对每个 图像块进 行降维处 理 。 PCA是统计模 式识别中 一种典型 的特征提 取方法 , 提取的新 特征是原 始信号特 征的线性 函数 , 建立的低 维子空间 能最好地 反应数据 点集和平 均值之间 的区别 。 空间中的 维度越少 ,图像模式 间的距离 越小 ,可避免高 维空间中 分类的复 杂度 。

2 . 2图像块分 类

将低分图 像划分成 有一定重 叠区域的p ×p图像块集 ,则每个高 频图像块 绝对像素 值均值为 :

其中 ,fk( i , j ) 是低分图 像的高频 部分第k个图像块 的绝对像 素值 。 而低分图 像的高频 图像块的 均方差可 表示为 :

低分图像 的每个高 频图像块 为pk, 均值和方 差对记为 (Mk, MNk) , 其中k = 1 , … , mn , 每个图像 块的均值 和方差均 用式(3)和(4)计算 。 根据图像 特点 ,选取一个 均值 、 方差阈值 对 (Mky, MNky) , 与每个图 像块的均 值和方差 对比较 ,并用MSk标记如下 :

这样 ,所有高频 图像块均 按均值和 方差阈值 划分为3类 。 为验证此 分类法 , 实验将 “ Lena ” 划分为若 干个相同 大小的图 像块 , 设置均值 和方差阈 值对为 (40,400), 则图像块 被分为3类 。 为便于标 注 ,第1类图像块 的亮度值 不变 , 第2类和第3类的亮度 分别减少 和增加50。 图1中可看出 , 亮部 ( 第3类 ) 集中在边 角区域 , 暗部集中 在连续变 化区域 (第2类 )。

2 . 3图像块处 理

按照MSk标记的图 像块 , 根据算法2按图像块 类型将不 同区域的 图像块用 不同的方 法进行处 理[9]。

( 1 ) 第1类 : 表示图像 特征的相 对平坦区 域 , 其高频部 分可看作 是高频噪 声 , 只需用最 快的Bicubic算法将这 类图像块 插值形成 相应的高 分图像块 。

( 2 ) 第2类 : 表示图像 的连续变 化区域 , 为平衡超 分速度和 超分效果 ,选用NE法重建高 分图像块 。

( 3 ) 第3类 : 表示图像 边角和纹 理 。 为提升图 像边缘的 锐度和整 体的清晰 度 , 使用相对 精确的SCSR算法来生 成高分图 像块 。

在图像重 建阶段 ,所预测的 高分图像 块拼接起 来重建预 测的高分 图像X*, 在重叠区 域将每个 像素多个 预测值的 平均值作 为最终的 复原值[10]。

3实验结果

实验在一 台英特尔Core i5、1.6 GHz的笔记本 电脑上用MATLAB完成 。 除明确指 出外 ,所设置的 基本参数 都相同 。 图像训练 中总共采 样10 000个低分图 像块 ,大小为5×5, 放大倍数s=3。 利用随机 梯度递减 在字典学 习阶段所 得字典对 尺寸为k=1 024, 正则化参 数取 λ= 0 . 1 。 运用文献 [ 4 ] 中的方法 提取低分 图像的特 征 , F使用4个滤波器进行求导 。

3 . 1超分图像 效果对比

比较结果 图像和原 始高分图 像的相关 性时 ,利用通用 的PSNR计算方法 来量化不 同超分算 法的效果 。 图2中大多数 实验图像 使用PSCSR方法比SCSR的效果稍 有下降 。 因为它在 简化运算 和降维的 处理过程 中会丢失 一些图像 信息 。 但从整体 上看 ,PSCSR的方法的 效果几乎 和SCSR方法相同 。 所有实验 图像的PSCSR效果均优 于NE。 而在第2幅图像 “Zebra” 中 , 由于存在 大量的纹 理细节 , 用SCSR进行图像 放大时产 生了较严 重的伪影 ,其PSNR值比PSCSR还要低 。

图3中为局部 放大的超 分目标图 像 ,除了Bicubic法外 , 其余3种方法的 超分效果 在视觉上 处于同一 水平 。 在 “Zebra” 图像中 ,SCSR算法在恢 复图像边 角的锐度 方面表现最 好 , 但同时伴 随了较为 严重的锯 齿和伪影 ,导致图像 纹理发生 了扭曲和 形变 。 PSCSR方法结果 看起来较 为模糊 , 但是相对 于其他方 法 , 图中斑马 脖子上的 纹理细节 恢复得更 好 。 在另一幅 图像 “Girl”中 ,后3种算法的 超分效果 非常接近 。 图中女孩 的眼睛和 眼珠的轮 廓部分都 能够清晰 地还原出 来 。 这些与图3中的PSNR值表现是 一致的 。

3 . 2超分速度 对比

从表1中可以看 出 , 超分耗时 与图像尺 寸密切相 关 ,图像越大 ,耗时越长 ,反之亦然 。 3种超分方 法的超分 耗时的关 系可以描 述为 :tPSCSR< tNE< tSCSR。 文中提出 的PSCSR方法通过 图像分类 处理和图 像降维来 减少图像 超分过程 中的计算 量 , 理论上可 以以此来 提高超分 速度 。 表1的数据很 好地证明 了这一点 。 PSCSR方法所消 耗的时间 比文中提 到的SCSR、NE等典型算 法都要少 。 5幅测试图 像的超分 速度平均 下来 ,PSCSR能够比SCSR快17.2 s,比NE快12.1 s。

4结论

快速重建 第5篇

CT灌注成像是诊断缺血性脑血管病的常用方法[1]。通过CT灌注成像获得的二维图像对病灶区域情况的表达能力还不够,无法做到视觉效果的逼真展示,不利于医生与病患之间的交流和沟通[2]。与二维图像相比,三维图像具有更强的表达与展示能力,因此实现CT灌注图像的三维立体化对于解决诊断中的不足是十分必要的。血管灌注成像技术只能显示出二维的血管结构,没有能够得到三维影像的设备,在诊断过程中只能根据医生的主观判断去建立三维结构,这样结果很不准确,容易出现错误,更不能对血管进行定量分析[3]。目前,血管三维重建技术主要以二维血管造影图像数据为基础,使用双平面技术[4]完成三维重建。例如Coatrieux等[5]采用矢量跟踪算法,提取血管中轴线和边界,此种方法对用户干预较少,更节省时间。SUN[6]利用血管信息的连续性,根据血管起始点的位置、方向等信息,自动检测血管中轴线和边缘信息。Kitamura等[7]根据正交的双平面造影图像,先估算出二维的血管中心线,再手工标记出与二维中心线关键点相匹配的对应点,最后依靠一定的几何关系反投影,从而得到三维的中心线。Saito等[8]则根据多幅造影图像中造影剂在血管中的流动过程来确定出匹配的血管段,从而可以重建出三维血管。

以上传统的三维重建算法都是基于精确计算的方法,需要通过双视图或者多视图进行重建,重建过程较为繁琐复杂。为了使三维重建更加快速,本文提出一种基于裸眼3D视觉效果的脑血管CT图像快速三维重建的方法,在智能化神经网络融合模型的基础上,对脑血管CT图像病灶部分进行分割处理,再利用3D人体模型数据库对病灶部分进行替换,快速完成脑血管CT的三维重建。重建后基于裸眼3D视觉效果的CT图像具有更强的展示和表达能力。相比传统的三维重建方法,省去了精确分割与计算的复杂过程,实现了CT图像的快速重建。

1 技术路线流程

本研究的技术路线流程图如图1所示。

(1)对区域性脑血流量(regional cerebral blood flow,r CBF)、局域脑血容量(regional cerebral blood volume,r CBV)、平均通过时间(mean transit time,MTT)和峰值时间(time to peak,TTP)等一系列灌注参数图像进行预处理———提取、增强、匹配等。(2)使用神经网络模型对头颅灌注图像进行初步融合,完成由多幅单参数头颅灌注图像向单幅多参数头颅灌注图像的转变。(3)针对解剖学成像图像纹理的空间关系和多参数信息图像的特征关系,利用代数加权乘积变换方法进行二次融合处理,实现缺血性脑血管病(ischemic cerebral vascular disease,ICVD)患者的CT灌注诊断结果直观显示。(4)在智能化神经网络融合模型的基础上,对脑血管CT图像病灶部分进行分割处理,再利用3D人体模型数据库对病灶部分进行替换,快速地完成脑血管CT三维重建的过程。

(1)、(2)、(3)过程已经通过智能化神经网络融合模型实现[1],因此本文着重研究CT图像快速实现三维重建的方法。通过对融合图像进行去噪、分割、处理,提取病灶部分,从已建立的3D模型数据库中选取相应的部分对病灶部分进行替换,从而快速实现三维重建过程。

2 脑血管 CT 图像的处理与分割

传统的三维重建方法不但要对能够清晰显示的主要血管进行分割,对可见度很低、模糊的细小血管也要做分割处理。要得到理想的图像分割效果需要在此之前对图像进行预处理来提高图像的质量和处理精度,包含去噪部分。然后使用直方图技术、空域频域内的处理、边缘增强、边缘检测、轮廓提取和轮廓跟踪等图像增强技术。这使得图像预处理以及分割的过程比较复杂,而且对于清晰度不高的血管部分,处理和分割效果并不是很好。

2.1 去噪处理

在智能化神经网络融合模型的基础上,病灶部分的大体位置分布即疑似病灶部位已经得到确定,现只关注病灶部分的情况,可以暂不考虑病灶周围其他组织。如图2所示,箭头所指位置为出现堵塞等发病血管位置,方框区域的疑似病灶部分是需要分割的内容。

病灶部分的分割提取,首先要进行去噪,鉴于本研究是基于裸眼3D视觉效果的三维重建,是通过3D人体模型数据库进行填充替换,所以无需进行精确定位和清晰显示,只需要呈现病灶部分的大致分布即可。在去噪处理过程中,选取较大的阈值处理病灶区域图像,如图3所示。病灶部分血管的大致分布得到呈现,因为选取较大的阈值,血管的边缘不够清晰,而且出现了图中圆圈区域所示的血管断节,但是不影响后面的操作。

2.2 病灶部分的边缘检测法分割

通过上述去噪,病灶部分血管的大致分布得到较为清晰呈现,但还需要通过边缘检测法对病灶部分进行进一步分割。边缘检测法是通过对目标边界的检测即边缘检测来实现图像分割的方法。与传统的分割方法不同,本研究只需要得到病灶部分较为粗略的分割,而对于病灶部分以外的组织不进行考虑,因而大大简化了传统分割的步骤,提高了分割的效率。所以只需要选择已有的算子对病灶部分图像进行边缘检测分割。

以Kirsch边缘检测算子为例,其为一种由8个方向卷积核组成的边缘检测算子,图像中的每个点都用8个卷积核进行卷积,每个卷积核都对某个特定边缘方向做出最大相应[9]。如图4所示,对脑血管CT图像进行Kirsch算子边缘检测处理。边缘检测处理之后病灶部分得到分割,达到下一步三维重建的要求。

3 利用 3D 人体模型数据库完成三维重建

通过对脑血管CT图像的处理病灶部分得到分割,但是二维的图像对病灶区域的表现力仍然不够,无法对病情做到形象逼真地展示,不利于医生与患者的交流、沟通、诊断。因此,我们要对图像进行三维重建,提高CT图像的立体可视化。由于已有的三维重建技术要使用双视图或者多视图进行三维重建,过程较为繁琐,而且介于我国的重建技术比较落后,本文基于视觉效果的角度出发,探究一种仅使用一幅视图进行三维重建的方法,使三维重建过程简单、快捷。

3.1 3D 人体模型数据库的建立

可视化技术为人们对不同信息源的大量数据的分析解释带来了方便,在包括医疗领域内的各个领域得到广泛应用。3D技术的发展势必让3D可视化取代2D格式。3D可视化技术在国际上成为研究的热点。数据库概念使在合理时间内快速完成对数据的撷取处理得到实现,并将计算机可视化技术与医疗领域结合。建立3D人体模型数据库,包含人体各个解剖构造、以活人体和尸体的磁共振成像(magnetic resonance imaging,MRI)数据为基础数据来源的人体解剖3D模型数据库。通过数据库的3D视图可以看到骨骼、肌肉、韧带、静脉、动脉以及内脏器官等的3D结构。由于采集大量的数据作存储,我们可以随时通过数据库搜寻所需要的模型。

如图5(a)所示,以脑血管为例,建立脑血管3D模型库,通过模型库脑血管的各个部分组织可以随时分离进行提取,如图5(b)所示。3D模型库的存在(如图5(c)所示),使我们只需提取需要的部分进行下面的替换重建即可,很大程度上简化了操作过程。

3.2三维重建

通过脑血管CT图像病灶部分的分割,图像中病灶部分大致分布走向得到较为清晰呈现。即使病灶部分会出现血管的断点,但是本研究是基于3D人体模型数据库的三维重建,我们可以通过数据库中的血管走向对断点进行处理,然后从3D人体模型数据库中选取我们需要的与病灶部分相应的3D模型对CT图像中的组织进行填充替换。如图6(a)所示,病灶部分得到呈现后的脑血管CT图像,通过从3D人体模型数据库选取相应的3D模型对病灶部分进行填充替换得到具有立体效果的病灶部分图像,如图6(b)所示。通过上面的3D人体模型数据库选取替换的方法,仅通过一幅视图完成脑血管CT图像的三维重建过程,如图6(c)所示,避免了传统双视图、多视图重建方法的繁琐过程,快速完成了图像的三维重建。重建后病灶部分可以用不同的颜色标记,方便医生的诊断。

通过3D人体模型数据库替换完成三维重建,再通过3DMAX软件以虚拟立体摄影的方式生成序列视差图像,经抽样、合成输出到光栅板上,经光栅显示器折射分像再现立体感[10],完成CT图像在裸眼3D显示设备上的立体显示,将病灶部分更加逼真地展示给医生和患者。如图7所示,在治疗过程中三维立体效果的脑血管CT图像中病灶部分与周围组织清晰可见,提高了诊断的便捷性、准确性。

4 结语