一种基于图像扫描的容积数据采集方法技术

本发明专利技术提供了一种基于图像扫描的容积数据采集方法，包括：基于图像扫描设备对目标物体进行扫描，获取目标物体的表面的图像数据；基于滤波窗口对图像数据进行预处理，得到目标物体的轮廓信息；将轮廓信息输入至训练好的三维重建网络中，得到容积数据；三维重建网络是基于自编码器

【技术实现步骤摘要】
一种基于图像扫描的容积数据采集方法


[0001]本专利技术涉及图像处理
，特别是涉及一种基于图像扫描的容积数据采集方法
。

技术介绍

[0002]在许多领域中，如医疗
、
工业和建筑等，准确获取物体的容积信息对于设计
、
生产和管理工作至关重要
。
[0003]传统的容积数据采集方法通常需要手动测量和计算，耗时且容易出现误差
。
因此，需要一种高效
、
精确的容积数据采集方法来解决这一问题
。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术的目的是提供一种基于图像扫描的容积数据采集方法
。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于图像扫描的容积数据采集方法，包括：
[0007]基于图像扫描设备对目标物体进行扫描，获取所述目标物体的表面的图像数据；所述图像扫描设备的个数至少为1个；
[0008]基于滤波窗口对所述图像数据进行预处理，得到所述目标物体的轮廓信息；
[0009]将所述轮廓信息输入至训练好的三维重建网络中，得到容积数据；
[0010]所述三维重建网络的构建方法包括：
[0011]构建基于自编码器
2D
‑
3D
注意机制的神经网络；
[0012]初始化所述神经网络的参数；
[0013]将输入的训练图像在初始化后的神经网络中进行前馈传导并计算输入的训练图像投影的训练损失值；
[0014]采用误差反向传播的方法，获取所述神经网络中各层参数的变化值并进行相应层的参数更新，直至所述训练损失值低于预设阈值或训练次数达到预设值，得到训练好的三维重建模型
。
[0015]优选地，还包括：
[0016]将采集到的所述容积数据进行处理和分析，生成容积数据报告
。
[0017]优选地，基于滤波窗口对所述图像数据进行预处理，得到所述目标物体的轮廓信息，包括：
[0018]使用滤波窗口检测所述图像数据上的噪声点，得到噪声均值；
[0019]当所述滤波窗口内噪声均值大于预设阈值时，对相应滤波窗口内的图像数据进行去噪；
[0020]滑动所述滤波窗口，返回步骤“当所述滤波窗口内噪声均值大于预设阈值时，对相应滤波窗口内的图像数据进行去噪”，直到遍历完成整个图像数据，得到去噪数据；
[0021]以所述去噪数据上的任意一点为中心取一个邻域窗口，计算邻域窗口中所有像素点的灰度平均值；
[0022]将相应像素点的灰度平均值作为中心像素点的输出，得到均值图像数据；
[0023]计算所述均值图像数据和所述去噪数据之间的相关度，并根据所述相关度得到最优的分割阈值；
[0024]利用所述最优的分割阈值对所述去噪数据进行分割，得到分割后的所述轮廓信息
。
[0025]优选地，使用滤波窗口检测所述图像数据上的噪声点，得到噪声均值，包括：
[0026]根据滤波窗口内各个图像点的均值和中值构建噪声点检测模型；所述噪声点检测模型的公式为：所述噪声点检测模型为：其中，
f(x)
表示像素点
x
的相似噪声值，
u(x)
表示像素点
x
的灰度值，
u
men
(x)
表示以像素点
x
为中心的滤波窗口内所有像素点的灰度均值，表示像素点
x
的梯度均值，为以像素点
x
为中心的滤波窗口内所有像素点的灰度中值，表示像素点
x
在水平方向的梯度值；
[0027]利用所述噪声点检测模型对滤波窗口内各个图像点进行检测得到每个图像点的相似噪声值；
[0028]将大于相似噪声值的相应图像点作为噪点；
[0029]根据噪点个数和滤波窗口内各个图像点的个数确定所述噪声均值
。
[0030]优选地，当所述滤波窗口内噪声均值大于预设阈值时，对相应滤波窗口内的图像数据进行去噪，包括：
[0031]根据滤波窗口内所有像素点的灰度中值计算伪像素方差；其中，所述伪像素方差计算公式为：其中，表示像素点
(a,b)
在滤波窗口的大小为
(2n+1)
×
(2n+1)
的区域内的伪像素方差，
mean(a,b)
表示像素点
(a,b)
在滤波窗口的灰度中值，
x(k,l)
表示在
(k,l)
位置像素点的灰度值；
[0032]利用所述伪像素方差构建窗口去噪模型；所述窗口去噪模型的公式为：其中，
f(a,b)
表示像素点
(a,b)
在去噪后的灰度值，
D
为可调系数，
x(a,b)
表示像素点
(a,b)
在滤波窗口内的灰度值
。
[0033]优选地，计算所述均值图像数据和所述去噪数据之间的相关度，并根据所述相关度得到最优的分割阈值，包括：
[0034]提取所述去噪数据和所述均值图像数据上在同一位置的灰度值，组成灰度数组；
[0035]利用所述灰度数组构建分割函数；
[0036]获取预设的分割数组，不断调节预设的分割数组，直到分割函数的值最大；
[0037]将分割函数的值最大所对应的分割数组作为所述最优的分割阈值
。
[0038]优选地，所述自编码器
2D
‑
3D
注意机制的神经网络是由残差网络
、
卷积循环神经网络和长短期记忆网络构建而成的
。
[0039]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0040]本专利技术提供了一种基于图像扫描的容积数据采集方法，包括：基于图像扫描设备对目标物体进行扫描，获取所述目标物体的表面的图像数据；所述图像扫描设备的个数至少为1个；基于滤波窗口对所述图像数据进行预处理，得到所述目标物体的轮廓信息；将所述轮廓信息输入至训练好的三维重建网络中，得到容积数据；所述三维重建网络的构建方法包括：构建基于自编码器
2D
‑
3D
注意机制的神经网络；初始化所述神经网络的参数；将输入的训练图像在初始化后的神经网络中进行前馈传导并计算输入的训练图像投影的训练损失值；采用误差反向传播的方法，获取所述神经网络中各层参数的变化值并进行相应层的参数更新，直至所述训练损失值低于预设阈值或训练次数达到预设值，得到训练好的三维重建模型
。
本专利技术首先利用滤波窗口对图像数据进行滤波，可以将目标物体的图像的背景区域剥离出来，使得目标区域的轮廓和纹理更加清晰，且将注意力机制引入自编码器网络中，实现了对目标物体高质量的三维重建，从而提高了容积数据采集的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图像扫描的容积数据采集方法，其特征在于，包括：基于图像扫描设备对目标物体进行扫描，获取所述目标物体的表面的图像数据；所述图像扫描设备的个数至少为1个；基于滤波窗口对所述图像数据进行预处理，得到所述目标物体的轮廓信息；将所述轮廓信息输入至训练好的三维重建网络中，得到容积数据；所述三维重建网络的构建方法包括：构建基于自编码器
2D
‑
3D
注意机制的神经网络；初始化所述神经网络的参数；将输入的训练图像在初始化后的神经网络中进行前馈传导并计算输入的训练图像投影的训练损失值；采用误差反向传播的方法，获取所述神经网络中各层参数的变化值并进行相应层的参数更新，直至所述训练损失值低于预设阈值或训练次数达到预设值，得到训练好的三维重建模型
。2.
根据权利要求1所述的基于图像扫描的容积数据采集方法，其特征在于，还包括：将采集到的所述容积数据进行处理和分析，生成容积数据报告
。3.
根据权利要求1所述的基于图像扫描的容积数据采集方法，其特征在于，基于滤波窗口对所述图像数据进行预处理，得到所述目标物体的轮廓信息，包括：使用滤波窗口检测所述图像数据上的噪声点，得到噪声均值；当所述滤波窗口内噪声均值大于预设阈值时，对相应滤波窗口内的图像数据进行去噪；滑动所述滤波窗口，返回步骤“当所述滤波窗口内噪声均值大于预设阈值时，对相应滤波窗口内的图像数据进行去噪”，直到遍历完成整个图像数据，得到去噪数据；以所述去噪数据上的任意一点为中心取一个邻域窗口，计算邻域窗口中所有像素点的灰度平均值；将相应像素点的灰度平均值作为中心像素点的输出，得到均值图像数据；计算所述均值图像数据和所述去噪数据之间的相关度，并根据所述相关度得到最优的分割阈值；利用所述最优的分割阈值对所述去噪数据进行分割，得到分割后的所述轮廓信息
。4.
根据权利要求3所述的基于图像扫描的容积数据采集方法，其特征在于，使用滤波窗口检测所述图像数据上的噪声点，得到噪声均值，包括：根据滤波窗口内各个图像点的均值和中值构建噪声点检测模型；所述噪声点检测模型的公式为：所述噪声点检测模型为：其中，
f(x)
表示像素点
x
的相似噪声值，
u(x)
表示像素点
x
的灰度值，
u
men
(x)
表示以像素点<...

【专利技术属性】
技术研发人员：尚晨希，
申请(专利权)人：北京海韵晨耕文化传播有限公司，
类型：发明
国别省市：