三维隐边界曲面自适应检测与重构的理论及应用研究

Three-dimensional (3D) model is a key feature in understanding and quantitative analysis of a 3D structure. Thus, detection and reconstruction of 3D models from 3D images has become an important topic in the 3D image analysis area. Currently, large amounts of 3D images with different contents and different types are being generated in different areas. In order to effectively analyze and understand these 3D images, it becomes an urgent problem to develop new 3D model detection and reconstruction method, which is easy-to-use, has high degree of automation, and is applicable to a wide range of 3D images. We note that a 3D model actually is a continuous implicit boundary surface in a 3D image. Thus, we turn to study the adaptive detection and reconstruction technique of implicit boundary surface in 3D images. The problems behind the technique are very complex. They will be studied by drawing on some principle or ideology from the adaptive detection theory of human vision, the contour detection theory of 2D natural images and the reconstruction method of implicit surfaces. The new detection and reconstruction method will be designed by integrating reasonbly a variety of analytical tools and attributes, such as certain visual mechanisms, multi-scale analysis, specific context, surface connectivity, local features of boundary surfaces. By the project, an effective tool will be provided for the understanding and quantitative analysis of different types of 3D images. This may promote the rapid development and wide application of 3D imaging techniques in various application areas.

三维模型是理解与定量分析三维结构所必需的关键特征。因此，其检测与重构已成为三维图像分析中的核心问题。随着各类三维成像技术在多个领域的广泛应用，产生了数量庞大、内容不同的各类三维图像。为了有效地分析这些图像，急需发展易于使用、自动化程度高及适用范围比较广的新三维模型检测与重构技术。项目将对此开展研究。三维模型可看作三维图像中的连续隐边界曲面。因此，将对隐边界曲面的自动或自适应的检测与重构问题进行研究。该问题比较复杂，需要引入新的思路与方法进行探索。将借鉴视觉自适应及鲁棒检测机制、自然图像中复杂背景下的轮廓检测思想以及隐等值面的重构理论对问题进行研究。将基于边界曲面的连通性、局部及区域特征，并利用多尺度分析、特定上下文相关性分析、特定视觉机制等多种手段，对隐边界曲面进行检测与重构。项目的研究可以为不同类型三维图像的理解及分析提供一个有效工具，并促进三维成像技术在各领域的快速发展及应用。

伴随着各类三维成像技术在医学之外的生命科学、工业等领域的广泛应用，产生了数量庞大、内容不同的各类三维图像。如何有效地分析与理解这些不同类型的三维图像成为各应用领域亟待解决的问题。已有的三维模型检测、重构与可视化方法或使用复杂、或在自动化程度及适用范围方面存在限制，并不符合应用需要。为此，本项目拟对易于使用、自动化程度高、适用范围比较广的三维模型自适应检测与重构方法开展研究。这是一个复杂的问题，需要引入新的思路与方法进行探索。.本项目借鉴了人类的视觉及大脑的若干处理机制，研究了三维图像中感兴趣目标的三维曲面模型的检测、重构与可视化问题。通过把人的视觉系统中对比度自适应检测规则与上下文相关性及曲面轮廓检测技术相结合，提出一类三维图像中三维模型的自适应、高精度检测及重构方法。基于目标的连通性、空域拓扑特性等目标整体信息，提出了一类分类能力很强的三维图像分层分类方法。基于该方法，可以把复杂三维图像中多个目标的不同曲面模型进行分离并分别可视化。此外，本项目进一步研究了基于多视觉特征的曲面检测问题，以及基于格式塔自组织认知原理，探索了复杂三维图像的分类及可视化问题。本项目通过借鉴人类的视觉分析及大脑处理机制，为三维图像可视化技术中所涉及的复杂数据模式分析及识别问题提供了一类可行的处理思路，有助于解决复杂三维图像的可视化问题。本项目的研究可以为三维图像的理解及分析及可视化提供有效工具，促进三维成像技术在各领域的快速发展及应用。本项目中的主要研究结果已经在国际一流专业期刊IEEE Trans. Visualization & Computer Graphics发表两篇长论文，并在医学影像分析及可视化领域发表5篇SCI论文。.