利用改进的分区统计颅面模型重构颅面

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (2): 5-7.

利用改进的分区统计颅面模型重构颅面

朱新懿，耿国华，温超

西北大学信息科学与技术学院，西安 710127

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-01-11 发布日期:2012-01-11

Craniofacial reconstruction based on improved regional statistical craniofacial model

ZHU Xinyi, GENG Guohua, WEN Chao

School of Information Science and Technology, Northwest University, Xi’an 710127, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-01-11 Published:2012-01-11

摘要/Abstract

摘要： 针对初始颅面点集数据量大、分布不均匀，以及分区统计颅面模型算法处理颅面眼、鼻、口三个区域不易连接的问题，提出了改进的分区统计颅面模型算法。通过将颅面分成T区（眼、鼻、口区域）和O区（其他区域），解决了眼、鼻、口区域的连接问题，并用两种不同半径的球覆盖颅面的方法处理初始颅面点集，使颅面两个区域内点集分布均匀。同时引入种族、性别、年龄、胖瘦四个属性表示单个样本模型，利用主成分分析方法建立统计颅面模型。实验结果表明该算法能够取得更好的颅面重构效果。

关键词: 颅面重构, 主成分分析, 统计颅面模型, 特征点, CT图像

Abstract: An improved regional statistical craniofacial model algorithm is proposed for mass unequally spaced point sets from CT images and the smoothness in the seems of the eyes, nose, mouth regions. In this paper, the covering spheres with two different radii are used to sample the points from CT images, so a craniofacial model is decomposed into two regions：T region（eyes, nose, mouth region）and O region（the other region）. Moreover, the information of race, gender, age, bmi is added to represent the craniofacial model. The statistical craniofacial model is constructed using PCA. The improved algorithm has showed great effects compared to original algorithm especially to smoothness of the craniofacial model.

Key words: craniofacial reconstruction, Principal Component Analysis（PCA）, statistical craniofacial model, landmark, CT image

朱新懿，耿国华，温超. 利用改进的分区统计颅面模型重构颅面[J]. 计算机工程与应用, 2012, 48(2): 5-7.

ZHU Xinyi, GENG Guohua, WEN Chao. Craniofacial reconstruction based on improved regional statistical craniofacial model[J]. Computer Engineering and Applications, 2012, 48(2): 5-7.

[1]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[2]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[3]	卫保国，张玉兰，周佳明. 图像匹配中的特征点筛选方法[J]. 计算机工程与应用, 2021, 57(3): 208-214.
[4]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[5]	张东梅，买日旦·吾守尔，古兰拜尔·吐尔洪. 面向高维混合不平衡信贷数据的单类分类方法[J]. 计算机工程与应用, 2021, 57(10): 233-240.
[6]	王国屹，孙永荣，吴雷，曾庆化. 分块检测尺度自适应的圆形目标相关跟踪[J]. 计算机工程与应用, 2020, 56(8): 177-184.
[7]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[8]	邱宁佳，王晓霞，王鹏，周思丞，王艳春. 结合迁移学习模型的卷积神经网络算法研究[J]. 计算机工程与应用, 2020, 56(5): 43-48.
[9]	陶永鹏，景雨，顼聪. 融合超像素和CNN的CT图像分割方法[J]. 计算机工程与应用, 2020, 56(5): 200-205.
[10]	郭克友，马丽萍，胡巍. 基于DCNN的人脸特征点检测及面部朝向计算[J]. 计算机工程与应用, 2020, 56(4): 202-208.
[11]	张毅，王彦博，高奇峰，杨德伟，魏博. 改进FAST-SURF算法在卷烟包件识别定位中的应用[J]. 计算机工程与应用, 2020, 56(3): 252-258.
[12]	黄广俊，邓元龙. 融合改进LBP和SVM的偏光片外观缺陷检测与分类[J]. 计算机工程与应用, 2020, 56(22): 251-255.
[13]	裘静韬，邹俊忠，郭玉成，张见，王蓓. 应用化肝脏病灶分割的预测方案[J]. 计算机工程与应用, 2020, 56(20): 173-178.
[14]	邱宁佳，沈卓睿，王辉，王鹏. 通信垃圾文本识别的半监督学习优化算法[J]. 计算机工程与应用, 2020, 56(17): 121-128.
[15]	杨永鹏，杨真真，李建林，乐俊. 低秩稀疏分解及其在视频和图像处理中的应用[J]. 计算机工程与应用, 2020, 56(16): 21-30.