[发明专利]一种三维多尺度矢量化的建模方法

权利要求书

1.一种三维多尺度矢量化的建模方法，其特征在于，包括以下步骤： 

A1、对不同尺度下的连续断层图像做预处理； 

A2、各种尺度下分别建模； 

A3、数据结构重组：将模型几何数据及其属性值分离出来； 

A4、不同尺度空间的归一化； 

A5、建成三维多尺度矢量化的模型。 

2.根据权利要求1所述的建模方法，其特征在于，所述步骤A3具体执行以下步骤： 

(1)属性数据的向量格式如下： 

p_i＝{x₀，y₀，length，width，voxelsize，slicethickness，name，value，t}，i＝1，2，...，n，p_i为第i个模型的属性数据，n为所有模型的总数；x₀：起始位置的x坐标，y₀：起始位置的y坐标；length：图像矩阵的长度width：图像矩阵的宽度；length*width为图像的分辨率；voxelsize：像素的解析度，其计算公式是voxelsize＝实际测量的长度/像素的长度；slicethickness：断层图像的间距或层厚；name：组织结构的名称；value：分割图像中的灰度值；t为预留的可扩展的特征向量，包括组织结构模型的一些统计信息； 

P＝(p₁p₂...p_i...p_n)，p_i，I＝1∶n，表示某一个组织结构模型属性数据，P为属性数据的向量表示，包含了该尺度下所有组织结构的属性数据； 

(2)几何数据的向量表示如下： 

f_zi(x，y)＝c，每个f_zi代表第zi层上的分割数据，属于一个区域的组织结构图像用值C来代表，x，y分别代表属于C区域的所有像素值的X坐标的向量和Y坐标的向量；整个三维数据集是由所有断层上的分割数据构成；f_z(x，y)＝(f_z1(x，y)f_z2(x，y)f_z3(x，y)...f_zn(x，y))，其中f_z(x，y)代表所有断层图像的整个三维数据集，进一步将此三维数据集表示成x、y、z坐标的函数F(x，y，z)＝(f_z1(x，y)f_z2(x，y)f_z3(x，y)...f_zn(x，y))，将其表示为具有几何数据及该区域内的 标记C所组成的函数F(x，y，z)＝(xyzc)，x、y、z为分割区域的x轴、y轴、z轴坐标，c代表了所有模型灰度值组成的向量；此函数表示了模型的面信息；为了减少存储和计算量将一个区域的像素点的集合表示成为只有边缘轮廓线的像素点的集合，即F′(x′，y′，z′)＝(x′y′z′c)，x′∈x，y′∈z，z′∈z，其中x′，y′，z′分别为分割区域的轮廓线的x轴、y轴、z轴坐标向量，x′，y′，z′，x、y、z均为不同模型的坐标的向量表示，此步骤为二维的矢量化，用坐标点来表示轮廓线，既保持区域的拓扑结构又方便拓扑结构的形变；最后令V＝(x′y′z′1)，V是由x轴、y轴、z轴坐标向量组成的向量，为了方便矩阵运算，加了一个和x′，y′，z′维数相同的全1向量。 

3.根据权利要求1所述的建模方法，其特征在于，所述步骤A4具体执行以下步骤： 

(1)缩放变换： 

在步骤A3中的属性信息中voxelsize代表了每个模型像素的解析度，即一个像素所代表的实际尺寸的大小，voxelsize越小，精度就越高，为了将不同尺度下的模型在同一空间显示，首先以临床断层影像(CT/MRI)为标准，对大尺度(CVH数据集)及小尺度(组织切片图像集)下的几何数据进行缩放，缩放矩阵S定义为其中S_x＝S_y＝(VoxelsizeA或VoxelsizeC)/VoxelsizeB，A、B、C分别代表CVH数据集、CT/MRI断层图像、组织切片图像集，voxelsizeA、voxelsizeB、voxelsizeC代表其对应的像素解析度，S_z＝(slicethicknessA或slicethicknessC)/slicethicknessB，slicethickness为断层图像的层厚。缩放变换表示为V′＝S*V，其中V′为缩放变换后的三维模型坐标的矩阵，V为原始三维模型坐标的矩阵； 

(2)平移变换： 

平移变换可以表示为V′＝V+T，其中d_xd_yd_z分别代表了在X，Y， Z轴方向上的偏移量； 

(3)旋转变换： 

模型间的旋转变换表示为V′＝R*V，模型的坐标矩阵绕X，Y，Z轴旋转角度为θ的旋转矩阵分别为R_x(θ)、R_z(θ)、R_y(θ)，其中 

。