从三维图像中检测物体的系统和方法
【技术领域】
[0001] 本发明属于计算机视觉领域，更具体地讲，涉及一种从三维图像中检测物体的系 统和方法。
【背景技术】
[0002] 物体自动检测是计算机辅助设计（CAD)系统中最初始也是最关键的一个步骤，后 续的处理和分析很多都是基于物体检测的结果而进行的。在一些医学影像中，目标物体可 能存在边界不明显、形状和纹理多变、与周围背景相似度高等问题，这就致使物体的检测存 在极大的困难。另外，对比二维医学影像，三维影像引入了更多的信息，有利于我们对于物 体的检测。然而，从另一个角度来看，它同时也引入了更大的噪声，更多的冗余信息。如何 善加利用这些信息，是三维物体检测中要考虑的问题之一。除此之外，庞大的数据量更是对 算法和系统提出了更高的要求。
[0003] 近年来相关技术主要是器官中肿瘤或病灶的检测以及器官本身的检测等。按照实 现的方式可以分为以下几类：
[0004] (1)基于模型的技术：
[0005] 本类技术对于要检测的物体预先定义一个统一的模型。根据此模型，在输入的数 据上寻找最为匹配的目标。这一类方法具有比较强的针对性，往往适用于结构特点鲜明、形 状纹理变化不是太大的物体的检测，例如内脏器官的检测。
[0006] (2)基于学习的技术：
[0007] 本类技术利用较高层次的图像特征，例如纹理、小波、圆度等。在训练集上训练出 分类器，而后在需要处理的图片上进行检测。其中，一部分技术以像素为单位提取特征进而 分类，称为基于像素的技术；另一部分先对图像进行分割，而后在分割的区域上提取特征进 而分类，称为基于区域的技术。这一类技术适用范围比较广，没有特定的限制，可以作为大 多数物体检测的方法。
[0008] 然而，现有技术存在以下几种问题：
[0009] 现有技术中基于模型类的技术只适用于特定物体的检测，对于形状、内部纹理、外 观尺寸等有较大变化的对象不适用。
[0010] 部分基于学习的现有技术只能进行单个物体的检测，对于多个物体共存的数据则 无法处理。部分基于学习的现有技术速度慢、系统结构复杂，不能实时运行。
[0011] 因此需要一种适用性广泛的物体检测方法。
【发明内容】
[0012] 为了实现上述目的，提供了一种从三维图像中检测物体的系统，包括：基于多通道 Haar特征的检测单元，从输入的三维图像提取多通道三维Haar特征值，并基于提取的多通 道三维Haar特征值获得目标物体的窗口位置和概率；基于相位特征的检测单元，从输入的 三维图像中提取相位特征，并基于提取的相位特征获得具有相位特征的物体的分布概率； 多检测合并单元，合并基于提取的多通道三维Haar特征值获得的目标物体的概率和基于 提取的相位特征获得的具有相位特征的物体的分布概率，并基于合并得到的概率得到目标 物体的位置和大小。
[0013] 优选地，所述三维图像可以为单模三维数据，其中，基于多通道Haar特征的检测 单元将输入的单模三维数据通过多种基本变换得到多通道图像，并且从得到的多通道图像 中提取三维Haar特征值。
[0014] 优选地，所述三维图像可以为多模三维数据，其中，基于多通道Haar特征的检测 单元将输入的多模三维数据使用配准方法进行配准得到多通道图像，并且从得到的多通道 图像中提取三维Haar特征值。
[0015] 优选地，基于多通道Haar特征的检测单元可利用训练好的分类器在多个尺度不 同位置下用滑动窗判别多通道图像中的目标物体，得到目标物体的窗口位置和概率。
[0016] 优选地，多检测合并单元可将基于提取的多通道三维Haar特征值获得的目标物 体的概率和基于提取的相位特征获得的具有相位特征的物体的分布概率进行相乘，以得到 新的概率。
[0017] 优选地，所述系统可还包括：验证单元，在得到的目标物体的位置提取物体特征， 并基于提取的物体特征来对目标物体进行进一步验证。
[0018] 优选地，所述分类器可以是通过将多个基于单个Haar特征的弱分类器级联而得 到的基于多通道Haar特征的强分类器。
[0019] 为了实现上述目的，提供了一种从三维图像中检测物体的方法，包括：从输入的三 维图像提取多通道三维Haar特征值，并基于提取的多通道三维Haar特征值获得目标物体 的窗口位置和概率；从输入的三维图像中提取相位特征，并基于提取的相位特征获得具有 相位特征的物体的分布概率；合并基于提取的多通道三维Haar特征值获得的目标物体的 概率和基于提取的相位特征获得的具有相位特征的物体的分布概率，并基于合并得到的概 率得到目标物体的位置和大小。
[0020] 优选地，所述三维图像可以为单模三维数据，其中，从输入的三维图像提取多通道 三维Haar特征值的步骤包括：将输入的单模三维数据通过多种基本变换得到多通道图像， 并且从得到的多通道图像中提取多通道三维Haar特征值。
[0021] 优选地，所述三维图像可以为多模三维数据，其中，从输入的三维图像提取多通道 三维Haar特征值的步骤可包括：将输入的多模三维数据使用配准方法进行配准得到多通 道图像，并且从得到的多通道图像中提取三维Haar特征值。
[0022] 优选地，基于提取的多通道三维Haar特征值获得目标物体的窗口位置和概率的 步骤可包括：利用训练好的分类器在多个尺度不同位置下用滑动窗判别多通道图像中的目 标物体，得到目标物体的窗口位置和概率。
[0023] 优选地，合并基于提取的多通道三维Haar特征值获得的目标物体的概率和基于 提取的相位特征获得的具有相位特征的物体的分布概率的步骤可包括：将基于提取的多通 道三维Haar特征值获得的目标物体的概率和基于提取的相位特征获得的具有相位特征的 物体的分布概率进行相乘，以得到新的概率。
[0024] 优选地，所述方法可还包括：在得到的目标物体的位置提取物体特征，并基于提取 的物体特征来对目标物体进行进一步验证。
[0025] 优选地，所述分类器可以是通过将多个基于单个Haar特征的弱分类器级联而得 到的基于多通道Haar特征的强分类器。
【附图说明】
[0026] 通过下面结合附图进行的描述，本发明的上述和其他目的和特点将会变得更加清 楚，其中：
[0027] 图1是示出根据本发明实施例的从三维图像中检测物体的系统的结构的框图；
[0028] 图2是示出多通道图像的示例；
[0029] 图3显示了本发明实施例所使用的十种三维Haar特征的示图；
[0030] 图4显示了本发明实施例的基于多通道Haar特征的检测单元的检测结果；
[0031] 图5是显示了基于相位特征的检测单元的检测结果的示图；
[0032] 图6是显示了验证单元的检测结果的示图；
[0033] 图7是示出根据本发明实施例的从三维图像中检测物体的方法的流程图；
[0034] 图8是示出当输入的三维图像为单模三维数据时获得目标物体的窗口位置和概 率的过程的流程图；
[003