一种基于三维信息的固态纤维类特征检测方法

1.本发明涉及纤维类为代表的线状结构在固体空间中的分布通过特征检测的三维重建方法再现。


背景技术：

2.由于固体的不透光性，常用的光学方法无法获取其完整的结构信息。传统的固体组织分析一般是通过二维照片推测其三维空间结构，但是这种推测方法主要依赖于经验和主观因素，这就使得推测出来的三维空间结构与真实情况存在一定的差异。因此，要消除这种差异，就需要采用精确度更高、主观性更小、更加科学的方法。
3.三维重建技术可以很好的解决上述问题，医学上利用核磁共振等方法获取特定的物理信息并重建出所有的人体组织和器官；材料学方面应用激光共聚焦扫描获取材料的序列二维图像进而进行三维重建。
4.但是以纤维类为代表的固体领域中，一是无法利用物理方面信息差异去区分其不同，因此无法利用核磁共振测量法；二是绝大部分样品不透明，利用激光共聚焦只能进行表面的扫描取样分析，极大降低了重建的精度，这就阻碍了三维重建技术在纤维类固体方面的普及和应用。
5.纤维类固体可以利用组织切片机进行连续切片，染料染色，显微镜成像。面团这种纤维类结构就可以通过这种三维重建的方法再现，并合理地解释面团膨胀、松弛等现象。这种方法不但可以保证切片组织的连续性和均一性，而且通过特异性染料染色会更加清晰地显示出切片组织的二维图像。利用组织切片法可以很好地解决因固体不透明性给重建带来的技术问题，并通过三维重建技术将纤维类固体的空间结构更加精准地呈现出来，帮助增进研究人员对纤维类固体物质的进一步了解，极大地推动了纤维类固态体系的研究进展和技术创新。


技术实现要素：

6.为了增进在食品领域中纤维类固态体系的空间结构的认知，本发明提出一种基于三维信息的固态纤维类特征检测的方法。用于解决了纤维类为代表的固体领域中，无法利用物理方面的信息差异区分其不同，大部分样品的不透明性，难以获取微米级的连续切片的问题。
7.本发明解决技术问题所采取的技术方案为：
8.步骤(1).图像采集和图像预处理；
9.步骤(2).采用图像分割、特征提取将重建目标的特征信息从背景中提取，将提取出的目标进行标号并在一定邻域范围内进行特征匹配；
10.步骤(3).将多张图像的特征数据整合进三维空间；
11.步骤(4).搭建三维重建平台，输出纤维的三维重建模型，从重建后的模型中提取纤维的物理信息。
12.本发明的有益效果：
13.本发明利用激光聚焦能进行表面的扫描取样分析，提出了一种相邻切片图像，一定邻域内重建目标区域的特征检测与匹配算法，通过相邻切片之间重建目标的特征匹配，提高了固态纤维类重建模型的准确性。
14.本发明重建出以纤维类为代表的三维模型，有利于分析微观结构中纤维的形态、大小等物理信息对其本身性质的影响。固态纤维类的三维重建，将纤维类固体的空间结构更加精准地呈现出来，并通过单位转换测量，得到纤维的物理信息，推动了纤维类固体的研究进展和技术创新。
附图说明
15.图1为纤维结构三维重建流程图；
16.图2为特征提取与匹配算法流程图；
17.图3为相邻图像特征配对示意图；
18.图4为移动立方体图。
具体实施方式
19.以下结合说明书附图对本发明做进一步描述。
20.步骤1：采用激光聚焦技术获取连续的样本切片，样本图像的选取在同一倍镜、相同光照条件下进行，切片的间隔连续且相同。对采集的原始图像集进行灰度化、去噪、增强等一系列操作。
21.步骤2：将重建目标从背景中提取，既可以缩短重建时间，又可以提高重建模型的准确性。将纤维从背景提取后，还要存储其坐标、形状、法向量信息。具体步骤如下：
22.(1)根据灰度的不同，采取阈值分割，突出纤维和背景的对比度。并采用边缘提取算法(如：canny算子、sobel算子等)提取纤维的轮廓信息。
23.(2)采用具有尺度变换和特征不变性的关键点检测算法(如：sift算法)提取纤维特征信息。此类算法提取多尺度上的信息，并采用不同的平滑核对图像进行平滑操作。具体操作如下：
24.平滑核采用高斯核，空间尺度由高斯核尺度l(x,y,σ)＝g(x,y,σ)*i(x,y)决定。其中i(x,y)是原图像，l(x,y,σ)是对应尺度下的尺度图像，g(x,y,σ)是高斯核。
25.将图像变换到尺度空间后，为了找到所需的特征点，需要根据尺度轴上的梯度极值判断。尺度空间上的梯度计算公式如下：
26.d(x,y,σ)＝l(x,y,iσ)-l(x,y,σ)
27.＝(g(x,y,iσ)-g(x,y,σ))*i(x,y)
28.将每个特征点的函数d(x,y,σ)进行泰勒展开
[0029][0030]
x是相对于特征点的距离，令其一阶导数和二阶导数导数为零就可以得到极值。采用此类算法找到多个特征点。
[0031]
本实施例将找到的多个目标特征进行标号，如图3所示。第n层图像和第n+1层图像有多个分割出的重建目标，用编号1、2、3....进行编号，并将两幅图像中具有相似特征的目标进行匹配。在进行特征匹配时，不仅要考虑相邻序列图像特定邻域内的特征相似度，还要考虑相邻序列图像是否有多个相似特征的目标。例如，第n层图像特征点2和特征点4都和第n+1层特征点2具有高度相似性，将这些特征点判定为同一纤维目标。特征匹配具体实施过程如下：
[0032]
选取图像中的一个编号目标作为类比对象，将相邻图像中的目标在设定的小距离范围内与其进行比较，如果范围内有目标的特征信息(轮廓、梯度)和类比对象的相似度很高，将被判定为同一目标。否则，扩大距离范围(最大距离不超过目标所在位置到图像边界的最大距离)，再进行特征信息相似度的判断。
[0033]
步骤3：为实现纤维类固体的三维重建，不仅要提取单张图像的特征信息，还要将多张图像的信息进行存储。采用以下方式获取多张图像的坐标、颜色、法向量信息。
[0034]
坐标数据集的获取：通过对激光切片所有图像进行分割处理，得到纤维的三维表面点，每个表面点包含三个分量x，y，z。表面点中坐标(x，y，z)表示第z层图像中位于(x，y)处的一个轮廓点。
[0035]
颜色数据集的获取：根据纤维表面点的坐标值，反查原始图像中该点的颜色值(r、g、b)。
[0036]
法向量数据的获取：法向量的计算精度决定了三维重建模型的精细程度，本实施例根据表面点3个方向的灰度梯度确定该点的法向量。
[0037]
步骤4：搭建三维可视化重建环境，并采用三维重建算法(如：mc(marching cubes)移动立方体算法)进行三维重建。该算法的思路大致如下：
[0038]
(1)获取图像数据。
[0039]
(2)构建立方体、获取三角片。
[0040]
(2.1)求取等值面时，采用线性差值获取等值面和棱边的交点。
[0041]
当交点在x轴向的棱边上，结合图4，则棱边的顶点为m1(i,j,k)，m2(i+1,j,k)，交点为m(x,j,k)，c为等值点；
[0042]
同理可得，当交点在y轴向的棱边上时，棱边顶点m1(i,j,k)，m3(i,j+1,k)，交点为n(i,y,k)，
[0043]
当交点在z轴向的棱边上时，棱边顶点m1(i,j,k)，m4(i,j,k+1)，交点为p(i,j,z)，
[0044]
(2.2)采用中心插值法计算棱边两个顶点的梯度。
[0045][0046]
上式中δx，δy，δz代表立方体的边长。f(x,y,z)代表坐标(x,y,z)下的灰度值，g
x
、gy、gz表示点在坐标(x,y,z)方向上的梯度。
[0047]
(2.3)计算三角形顶点的法向量
[0048][0049]
c为设定的阈值，v2和v1代表端点的灰度值，n2和n1为两个端点的法向量，n为交点的法向量值。
[0050]
(3)三角形面片构成等值面，添加渲染效果，显示模型。
[0051]
通过纤维固体的三维重建模型，可以更直观的研究纤维本身的物理性质，如重建的纤维的直径、长度、曲度等。