Descargar la presentación
La descarga está en progreso. Por favor, espere
Publicada porRomán Solar Modificado hace 9 años
1
Inicialización de Superficies Deformables mediante Elipsoides Generalizados R. Dosil, X. M. Pardo, A. Mosquera, D. Cabello Grupo de Visión Artificial Departamento de Electrónica e Computación Universidade de Santiago de Compostela
2
Reconstrucción de imágenes Modelos Deformables : Superficies o curvas elásticas Continuidad y suavidad Buen ajuste local Problema: Ajuste a la frontera más próxima
3
Inicialización de modelos deformables Utilidad: Configuración inicial próxima al objetivo Introducción de conocimiento Método: Identificación y localización de objetos Aproximación a la forma global: modelos a priori
4
Organización I. Segmentación de imágenes 3D II. Inicialización con modelos a priori III. Modelo de elipsoide generalizado IV. Optimización del modelo V. Resultados y conclusiones
5
Segmentación de imágenes 3D Segmentación corte a corte Fácil inicialización Poco robusto Segmentación 3D Mayor coherencia y suavidad Necesidad de inicialización automática
6
Superficie promedio Modelo a priori I. Modelado I.Construcción del modelo a priori a partir de imágenes de prueba Volumen de datos Parches de superficie II. Preprocesado II.Extracción de puntos de frontera del objeto III. Correspondencia Modelo inicial III.Puesta en correspondencia entre modelo y puntos de frontera Inicialización con modelos a priori
7
Elipsoides generalizados Definición: Características: Ecuación implícita Pocos parámetros Información estructural Amplia variedad de formas Secciones simétricas
8
Elipsoides generalizados con deformaciones globales Deformaciones aplicadas: Torsión Afilado Curvado (twisting)(tapering)(bending) Mayor flexibilidad Formas no simétricas
9
Optimización por mínimos cuadrados D : Estimación de la distancia a la superficie Ajuste de la superficie a los puntos de frontera Cálculo del vector q de parámetros del modelo: Modelado: parámetros de forma y transformación rígida Puesta en correspondencia: sólo transformación rígida
10
Aproximaciones a la distancia Funciones de error estudiadas Función interior-exterior: Función interior-exterior modificada: Distancia radial: Utilización de Algoritmos Genéticos: Mínimo global No requiere estimación inicial de la solución Funciones complejas
11
Preprocesado 1. Filtrado de la imagen Suavizado Cálculo del gradiente Cálculo de curvaturas 2. Detección de superficies Detección de puntos de frontera Agrupamiento en parches de superficie 3. Clasificación y selección de parches
12
Preprocesado: detección de puntos de frontera 1. Filtrado Suavizado: filtro 3D separable Siendo h un filtro unidireccional gaussiano. Cálculo de derivadas parciales:
13
Preprocesado: selección de parches de superficie 2.Agrupamiento en parches de superficie Detección de máximos de módulo de gradiente Búsqueda recursiva de puntos adyacentes Criterio de conectividad 26 Umbralización con histéresis 3.Criterios de clasificación de parches área nivel de gradiente promedio descriptores de forma: curvatura media H curvatura gaussiana K
14
Selección por curvatura H > 0H = 0H < 0 K > 0 elíptica cóncava - elíptica convexa K = 0 cilíndrica cóncava plano cilíndrica convexa K < 0 hiperbólica cóncava silla hiperbólica convexa
15
Resultados: Modelado Distribución de puntos de la superficie prototipo. Modelo de superficie
16
Resultados: Inicialización Validación del método de inicialización ante: imágenes ruidosas imágenes incompletas presencia de múltiples estructuras + Imagen sintética:
17
z = 20z = 30z = 41z = 50x = 50y = 50 Imagen sintética degradada Características Variación de contraste Suavizado gaussiano Ruido gaussiano σ = 20
18
z = 20z = 30z = 41z = 50x = 50y = 50 Preprocesado: detección de puntos de frontera
19
Preprocesado: selección de parches de superficie cilindro cóncavo: H>0 e K=0
20
Puesta en correspondencia con un modelo de cilindro z = 50x = 50y = 50 σ = 20 σ = 30 σ = 40
21
Preprocesado en imagen real de tibia superficie hiperbólica cóncava: H>0 e K<0
22
Puesta en correspondencia con un modelo de tibia z = 50z = 100z = 140 z = 165x = 98y = 106
23
Puesta en correspondencia con un modelo de tibia z = 50x = 110y = 82
24
Conclusiones y vías de continuidad Principales aportaciones Modelo a priori de superficie paramétrica Utilización de algoritmos genéticos Selección de parches basada propiedades geométricas Vías de continuidad Mejora da detección de puntos de frontera Aplicación á segmentación de estructuras con ramificaciones
25
Fin de la presentación
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.