针对兵马俑图像三维重建时特征误匹配率较高、效率较低的问题, 提出了一种基于两视图兵马俑图像的特征分区匹配方案。该方案在兵马俑图像上, 首先利用学习不变特征变换(Learned Invariant Feature Transform, LIFT)方法提取整幅兵马俑图像的特征; 接着利用提出的基于先验知识的特征点分布曲线分割方法确定兵马俑头部分割线位置, 根据头部分割线将提取的特征分为头部特征和躯干特征; 最终采用欧式距离进行分区特征匹配, 对于匹配结果集合使用随机抽样一致性算法(Random Sample Consensus, RANSAC)滤除误匹配点集。实验结果表明: 在兵马俑图像特征提取及匹配中该方案的正确匹配率可以达到98%, 相比于SIFT和SURF方法正确匹配率提高了20%左右, 特征点的可重复率提高了10%左右, 同时将RANSAC的迭代时间降低了50%, 而且在尺度、光照、角度发生变换时具有较好的鲁棒性。因此本文提出的方案能够很好地实现特征点的正确匹配, 在兵马俑的三维重建中具有很高的使用价值。

针对传统的基于几何度量的配准方法无法配准存在局部变形的医学器官的问题,提出了应用显著纹理特征的经典迭代最近点(ICP)医学图像配准算法。该方法借鉴主动外观模型(AAM)思想对医学图像的显著纹理特征建模,将显著性强的特征点赋予较大权重,率先配准。在传统基于空间距离的图像配准基础上加入显著纹理距离。然后,模拟格式塔心理学提出的人类视觉认知过程,使用线性递减的权重平衡两种“距离”度量方式。该算法前期主要根据几何距离取得整体配准效果,后期依赖图像纹理特征使存在局部变形位置的特征点也能精确配准。最后,在腹腔肝脏图像上进行实验。实验结果表明该算法取得了较好的配准效果,准确率达78.82%,比其他几种流行算法提高了22.22%,且对图像的旋转变化不敏感。提出的算法基本解决了存在局部变形医学器官图像的配准问题,达到了精度高、鲁棒性强的配准效果。

提出了颅骨特征点的全自动标定方法，该方法利用分区统计可变模型及模型相似性匹配的方法来标定颅骨特征点。首先，对颅骨分区样本进行统计建模；利用统计模型的形变控制生成基准模型和生成模型，并建立基准模型和生成模型间的映射关系。然后，定义了模型之间相似性。最后，利用模型相似度和映射关系，间接得到待测模型的特征点。实验结果表明：该方法定位眼眶模型特征点的位置平均误差值为3.232 5 pixel；当距离阈值为10 pixel（模型大小的3%）时，有90%的特征点的位置准确率达到100%。与现有方法相比，本文方法标定的颅骨特征点的准确度和精确度都更高，并且可以标定颅骨模型平滑区域的特征点。