简介一套牙齿STL网格模型分割算法工程基于投影算法曲面栅格化分割牙齿与牙龈并计算牙龈外轮廓适用于口腔扫描建模与医学图像处理场景供图形学算法研究者借鉴。资源包共54个文件压缩包18.37MB其中40个MATLAB脚本构成核心算法流水线覆盖坐标对齐、三角面片栅格化、梯度边缘检测、阈值分割与区域生长、外轮廓拟合等环节另含4个Java辅助程序、4个mat格式数据样例、README说明及项目配置可在MATLAB环境中直接运行和二次修改。投影算法将模型投影到二维平面形成像素图像利用相邻像素灰度变化判别牙体与牙龈交界再经轮廓追踪得到闭合牙龈边界包内还包含兴趣区提取、孔洞填充、深度图计算等辅助函数体现完整的从模型读取到分割结果可视化的实现思路。读者可据此理解曲面栅格化在三维分割中的应用获取可直接测试的牙科样例数据与配套脚本便于移植到自有数据或扩展为自动化牙科分诊工具。当前已有595人学习下载可作为参考实现。1. 牙齿STL分割为啥绕不过投影栅格化把三维修剪难题压成二维图像问题做了几年口腔数字化网格处理我最大的体会是牙齿STL网格模型分割算法里最难的从来不是“切”本身而是怎么让程序知道从哪儿切。直接在三维修剪邻牙和牙龈几乎是无缝过渡的连续曲面三角形网格上你根本找不到一条明确的边界。投影算法本质就是曲面的栅格化算法把牙颌模型往咬合面方向压成一张深度图——牙龈低、牙冠高高度差立刻把牙齿和牙龈分开分割从“三维几何问题”退化成“二维图像问题”阈值、连通域、形态学、分水岭这些现成工具全都能用上。这条路稳定、快算完分割后还能顺手把牙龈外轮廓一起算出来。这篇笔记写给做口腔CAD/CAM、正畸排牙、牙冠设计的工程师也写给所有拿到牙颌STL就想自动分牙的开发者。2. 投影与栅格化把牙颌曲面掰成可计算的深度图2.1 STL网格读取与法向量一致性分割前的第一道关卡STL格式分二进制和ASCII两种牙科扫描仪导出的大多是二进制体量小、读取快。读取本身没难度但有个前处理很多人会跳过导致后面翻车法向量一致性。扫描件导出的STL经常部分三角形法向量朝外、部分朝内这在渲染时看不出来但后续做区域生长、网格偏置、内外判断时全都会错。我先做一次全局法向量定向再算轴对齐包围盒为栅格化做准备。// 读取二进制STL并对法向量做全局一致性定向 struct Vec3 { float x, y, z; }; struct Tri { Vec3 n; Vec3 v[3]; }; std::vectorTri readBinarySTL(const std::string path) { std::ifstream in(path, std::ios::binary); uint8_t header[80]; in.read((char*)header, 80); uint32_t nTri 0; in.read((char*)nTri, 4); std::vectorTri tris(nTri); for (auto t : tris) { in.read((char*)t.n, 12); in.read((char*)t.v[0], 36); uint16_t attr; in.read((char*)attr, 2); } return tris; }逻辑说明读取后不能直接用要做法向量定向。常见做法是建一个顶点索引到三角形的邻接表从任意三角形开始BFS遇到共享边时检查法向量夹角大于90度就翻转邻居的法向量和顶点绕序。参数说明牙颌模型一般20-50万三角形这个定向是O(n)的单线程1秒内跑完。做完定向后顺手把三角形的顶点绕序统一为逆时针后面所有几何计算都省心。2.2 投影方向选择咬合面视角为什么是默认答案投影方向决定了深度图的形态。牙颌模型在口腔扫描时通常就是咬合面朝上Z轴是天然投影轴。但很多扫描件导出时经过了任意旋转直接投影就会得到一张“斜着看”的图牙冠互相遮挡栅格化出来的深度信息全是错的。所以第一步是姿态矫正。常见做法是PCA对顶点坐标做主成分分析牙颌模型表面变化最小的方向近似咬合面法向把模型旋转到让这个方向对齐Z轴。这一步做不好后面全白搭。// 用PCA估计咬合面法向返回旋转矩阵 Matrix3f estimateOcclusalNormal(const std::vectorVec3 verts) { Vec3 center(0,0,0); for (auto v : verts) center center v; center center / (float)verts.size(); Matrix3f cov(0,0,0,0,0,0,0,0,0); for (int i 0; i (int)verts.size(); i 10) { // 采样1/10 Vec3 d verts[i] - center; cov.m[0][0] d.x*d.x; cov.m[0][1] d.x*d.y; cov.m[0][2] d.x*d.z; cov.m[1][0] d.y*d.x; cov.m[1][1] d.y*d.y; cov.m[1][2] d.y*d.z; cov.m[2][0] d.z*d.x; cov.m[2][1] d.z*d.y; cov.m[2][2] d.z*d.z; } // 对cov求特征向量最小特征值对应方向即咬合面法向 return rotationMatrixFromEigen(cov); // 返回将法向旋转到Z的矩阵 }逻辑说明顶点协方差矩阵的特征值表示数据沿该方向的方差。牙颌表面沿咬合面方向变化最平缓方差最小所以最小特征值对应的特征向量就是咬合面法向。采样1/10的顶点足以估计这个方向几十万顶点的全量计算没必要。参数说明这里要小心牙弓的弯曲——牙弓本身是弧形如果模型包含完整的上下颌PCA结果可能受牙弓形态干扰稳妥的办法是先取顶点Z值最高的30%区域做PCA这些点集中在牙尖和颊侧更能代表咬合面。旋转后确认牙尖朝上统计中心平面上下两侧的顶点数量多的那一侧朝下。2.3 栅格分辨率与深度图生成0.1mm像素下的形态学基础栅格化就是把每个三角形投影到XY平面落到像素格子里记录像素被覆盖时的Z值作为深度。这里有个关键参数像素尺寸。牙缝宽度一般0.2-0.5mm分辨率必须能分辨牙缝。0.1mm是口腔模型常用的经验值牙颌包围盒大约60x80mm栅格是600x800像素内存占用小后续形态学处理的核也小。分辨率设太大牙缝被糊住邻牙粘成一块设太小计算量和内存翻倍还要额外做降噪。0.1mm在绝大多数场景下不需要调。// 将STL栅格化为高度图三角形光栅化维护每像素最大Z std::vectorfloat rasterizeDepth(const std::vectorTri tris, const BBox box, float pixelMM 0.1f) { int W (int)((box.maxX - box.minX) / pixelMM) 1; int H (int)((box.maxY - box.minY) / pixelMM) 1; std::vectorfloat depth(W*H, -FLT_MAX); for (auto t : tris) { // 三角形顶点换算到像素坐标 float px[3] { (t.v[0].x - box.minX) / pixelMM, (t.v[1].x - box.minX) / pixelMM, (t.v[2].x - box.minX) / pixelMM }; float py[3] { (t.v[0].y - box.minY) / pixelMM, /* ... */ }; // 计算三角形像素包围盒逐像素做重心坐标判断 int minX (int)floorf(fminf(px[0], fminf(px[1], px[2]))); int maxX (int)ceilf(fmaxf(px[0], fmaxf(px[1], px[2]))); // 对每个像素中心做重心坐标测试 // 若在三角形内插值Zdepth[idx] max(depth[idx], z) } return depth; }逻辑说明三角形光栅化的核心是像素中心点的重心坐标判断判断在三角形内就用重心坐标插值Z值。深度图取每像素的最大Z对应从咬合面往下看的“最高表面”——牙尖和切缘会被完整保留。像素没有被任何三角形覆盖时保持-FLT_MAX作为无效区域。参数说明pixelMM0.1时60x80mm的模型生成600x800的浮点图单线程遍历20万三角形大约需要几秒用OpenMP对三角形并行可以压到1秒内。牙科扫描模型常见有少量孔洞栅格化后会出现黑色空洞可以在生成深度图后用3x3中值滤波填掉这比在三维修网格干净得多。注意深度图里保存的是“视线方向上的最大Z”不是真正的曲面距离。牙龈沟这种凹陷区域在深度图上会被上方的牙尖遮挡这是投影方法固有的信息损失分割方案要在设计时接受这一点。3. 基于栅格图的分割算法高度阈值、连通域与邻牙分离3.1 高度图转二值图牙龈与牙齿的分水岭在哪深度图上牙龈区域平缓、深度值低牙冠区域凸起、深度值高。分牙的第一步就是把牙冠从牙龈背景里分离出来也就是做二值化。阈值怎么取是第一个玄学点固定取最大深度的30%-50%会出问题——尖牙高、前磨牙低同一个比例下前磨牙可能整颗被阈值切没。常见做法是Otsu全局阈值加兜底策略。Otsu自动按深度直方图的类间方差最大分界对全口牙列大体有效。但如果模型里只有一两颗牙Otsu偶尔会把整颗牙全部分成背景或前景这时要切回固定比例。// Otsu自动阈值把深度直方图分成前景/背景两类 float otsuThreshold(const std::vectorfloat depth, int W, int H) { float minD FLT_MAX, maxD -FLT_MAX; for (float d : depth) { if (d 0) continue; minD fminf(minD, d); maxD fmaxf(maxD, d); } int bins 256; float scale bins / (maxD - minD 1e-6f); std::vectorint hist(bins, 0); int total 0; for (float d : depth) { if (d 0) { int b (int)((d - minD) * scale); hist[b]; total; } } float sumAll 0; for (int i 0; i bins; i) sumAll i * hist[i]; float wB 0, sumB 0, bestVar 0; int bestT 0; for (int t 0; t bins; t) { wB hist[t]; if (wB 0) continue; float wF total - wB; if (wF 0) break; sumB t * hist[t]; float mB sumB / wB; float mF (sumAll - sumB) / wF; float var wB * wF * (mB - mF) * (mB - mF); if (var bestVar) { bestVar var; bestT t; } } return minD bestT / scale; }逻辑说明Otsu把深度直方图按类间方差最大劈成两类一类是牙龈背景一类是牙冠前景。对全口牙列大体有效但对局部区域可能过粗——牙列两端的前磨牙深度天然比中切牙低一截同一个全局阈值会把它们错误切掉。参数说明直方图分256个bin足够minD取有效像素最小值返回的阈值直接用于depth threshold得到二值图生成前景掩膜。我一般同时算Otsu和固定比例最大深度的40%当前景面积占比低于10%或高于90%时说明Otsu失控自动切换固定阈值。这个兜底逻辑在临床数据上救过很多次。3.2 连通域标记与种子点筛选把“一颗牙”从牙列里拎出来二值图里牙冠是白色区域但邻牙可能粘连所以先别指望一次连通域就得到单颗牙。第一步是连通域标记把白色像素分成独立块这里用经典的两遍扫描算法8邻域。跑完后得到每个连通域的面积、包围盒、质心。面积是非常好用的过滤器扫描噪点产生的小块通常小于50像素0.1mm分辨率下即0.5平方毫米直接滤掉。// 两遍扫描连通域标记8邻域返回每个像素的标签 std::vectorint connectedComponents(const std::vectoruint8_t binary, int W, int H) { std::vectorint label(binary.size(), 0); std::vectorint parent(1, 0); // 并查集 int nextLabel 0; for (int y 0; y H; y) { for (int x 0; x W; x) { int idx y*W x; if (!binary[idx]) continue; int lL (x 0) ? label[idx-1] : 0; int lU (y 0) ? label[idx-W] : 0; int lUL (x 0 y 0) ? label[idx-W-1] : 0; int lUR (x W-1 y0) ? label[idx-W1] : 0; int m lL; if (lU (m 0 || lU m)) m lU; if (lUL (m 0 || lUL m)) m lUL; if (lUR (m 0 || lUR m)) m lUR; if (m 0) { m nextLabel; parent.push_back(m); } // 合并等价标签 if (lL) unite(parent, lL, m); if (lU) unite(parent, lU, m); if (lUL) unite(parent, lUL, m); if (lUR) unite(parent, lUR, m); label[idx] m; } } // 第二遍并查集路径压缩重标号为连续整数 return relabel(parent, label); }逻辑说明第一遍给每个前景像素暂定标签同时记录等价关系第二遍用并查集合并等价标签得到最终连通域。为什么不用区域生长区域生长要指定种子点而连通域标记无监督一次跑完更适合当前不知道有几颗牙的场景。参数说明8邻域比4邻域更适合牙冠这种连通形状——4邻域会把斜向连接的同一颗牙拆成多块导致后续面积统计失真。得到连通域后按面积筛选再做质心排序。排序按质心沿牙弓方向排列得到从一端到另一端的牙位顺序。这一步得到的连通域不是最终结果——如果邻牙在阈值化后粘连这里会合并成一块需要下一节处理。3.3 粘连牙缝的形态学处理开运算与分水岭的配合邻牙之间如果有轻微接触二值图里就是一块连通的白色区域连通域标记分不开。这一步的常规做法是形态学开运算——先腐蚀后膨胀——把牙缝处的细连接打断。核大小用3x3或5x5牙缝宽度0.2-0.3mm对应2-3个像素5x5开运算基本能把接触点打断。注意开运算会把牙尖磨平一点所以核不能太大。开运算还分不开的大块粘连常见于磨牙区就要上分水岭。分水岭的核心是给每颗牙一个种子点让区域从种子点向外生长碰到边界就停下。种子点从深度图的局部极大值取——牙尖恰好是局部最大深度。// 基于深度图局部极大值提取种子点再做分水岭分离 cv::Mat watershedFromMarkers(cv::Mat depth, float seedThreshold) { // 1. 找局部极大值像素深度大于周围8个像素且大于seedThreshold cv::Mat dilated; cv::dilate(depth, dilated, cv::Mat::ones(3, 3, CV_32F)); cv::Mat localMax (depth dilated) (depth seedThreshold); // 2. 将局部极大值区域标记为不同种子连通域编号 cv::Mat markers connectedComponents(localMax); markers markers 1; // 0留给背景 // 3. 深度图取反牙尖变低洼作为分水岭地形 cv::Mat inv; double maxDepth; cv::minMaxLoc(depth, nullptr, maxDepth); cv::subtract(cv::Scalar::all(maxDepth), depth, inv); cv::watershed(inv, markers); return markers; }逻辑说明分水岭把深度图倒过来看牙尖是谷底牙龈是高地。种子放在谷底水从谷底上涨遇到脊线牙缝处的高度隆起停下脊线成为分割线。为什么局部极大值可以直接当种子因为牙尖在深度图上是严格局部最高点两颗相邻的牙各自有牙尖天然是分开的种子。参数说明seedThreshold取Otsu阈值的1.1倍避免牙龈上的小噪点成为种子3x3邻域判断局部极大值基本够用5x5会漏掉较尖的前磨牙。分水岭完成后标记图里每颗牙是一个独立编号。这时候再结合面积过滤、牙位排序就能把每颗牙的掩膜单独拎出来。到这一步分割主流程就走通了投影栅格化→Otsu阈值→连通域标记→开运算/分水岭分离→面积过滤。每一层都在解决上一层遗留的粘连问题层层递进。4. 牙龈外轮廓计算从栅格边界回到三角网格4.1 等值线提取Marching Squares在深度图上的应用牙龈外轮廓在临床上通常指牙龈和牙冠交界处的边缘线。分割完每颗牙后掩膜的边界是外轮廓的二维近似。但临床定义还经常要求特定高度处的轮廓线比如釉牙骨质界下方0.5mm这时就不能只用掩膜边界而要在深度图上提取等值线。提取等值线最常见的是Marching Squares算法把每个2x2像素块拿出来按四个角是否在阈值之上组合成16种情况用线性插值求出轮廓线段与像素边的交点。这是图像处理的标准操作实现很直接// Marching Squares 单像素块等值线插值 // 返回线段端点的像素坐标二维 bool marchSquare(float v00, float v10, float v01, float v11, float iso, Vec2 outA, Vec2 outB) { int idx 0; if (v00 iso) idx | 1; if (v10 iso) idx | 2; if (v01 iso) idx | 4; if (v11 iso) idx | 8; if (idx 0 || idx 15) return false; // 全空或全满 // 根据idx查表对涉及的边做线性插值 // 例如左边t (iso - v00) / (v10 - v00)插值点 (x0, y0 t) // 查表得到线段端点 outA, outB }逻辑说明每个2x2像素块按四个角是否大于iso值组合成16种情况其中两种全空、全满没有轮廓线其余情况生成一条或两条线段。线性插值在像素分辨率下够用不需要高阶插值。参数说明iso传0.5表示取掩膜边界像素值0/1的中间位置如果要在深度图上取特定高度处的轮廓iso直接传该深度值得到的是“深度等于该值”的等值线。这一步的关键认知是掩膜边界是分割出来的牙冠外圈等值线是任意高度截面。做牙龈外轮廓计算时后者更常用因为临床牙龈轮廓往往带一个垂直位置定义比如“龈缘下0.5mm”。Marching Squares在每个像素块上独立跑天然支持多颗牙的掩膜一起提取。4.2 轮廓平滑与封闭样条拟合和拉普拉斯修边栅格边界天然是锯齿状直接映射到三维会得到一圈折线曲率噪声大没法直接用于后续的CAD设计。常见做法分两步第一步是把轮廓点按边界顺序重排保证点序连续第二步是平滑。轻量级用拉普拉斯平滑质量要求高的场景用B样条拟合。对大多数牙龈轮廓计算来说拉普拉斯平滑已经够用。// 轮廓点拉普拉斯平滑每点向邻点中心移动迭代4次 void smoothContour(std::vectorVec2 pts, int iters 4) { std::vectorVec2 tmp(pts.size()); for (int it 0; it iters; it) { for (int i 0; i (int)pts.size(); i) { Vec2 prev pts[(i pts.size() - 1) % pts.size()]; Vec2 next pts[(i 1) % pts.size()]; tmp[i] (prev pts[i] * 2.0f next) / 4.0f; } pts tmp; } }逻辑说明这个平滑核给当前点2倍权重、两个邻点各1倍等效一个低通滤波器能把高频锯齿抹掉又不至于把牙尖的形态完全磨平。迭代次数很重要3次以下锯齿残留明显8次以上牙尖处轮廓被磨成圆头。参数说明4-5次是安全区如果轮廓点间距不均匀Marching Squares产生的点在某些边上很密、某些边上很疏要先用均匀重采样再平滑否则平滑后轮廓会偏移。平滑前要检查轮廓是否封闭首尾点距离如果大于2个像素说明边界提取有缺口。常见原因是掩膜边界碰到了栅格边缘或者分水岭线把掩膜切出了缺口。这时不能直接补一条直线而是沿最近的边界继续追踪一段再闭合。4.3 回映射到STL三角网格把二维轮廓变成三维切面二维轮廓算完后要落回三维STL上才有实际用途。回映射分两步第一步把轮廓像素坐标转成世界坐标——像素x乘pixelMM加包围盒minXy同理第二步取该像素的深度值作为Z得到初始三维点。但这里有个坑深度图是从咬合面方向看的轮廓如果落在牙冠侧面比如龈缘下0.5mm的轮廓深度插值误差会偏大。所以常见做法是先取栅格深度得到初始三维点再在STL上做最近点投影把点吸附到真实网格表面。暴力找最近三角形太慢要建空间索引// 把二维轮廓点投影回STL表面用均匀栅格索引加速最近点查询 Vec3 projectToMesh(const Vec2 pt, float zInit, const std::vectorTri tris, const GridIndex grid, float cellSize) { Vec3 best; float bestDist FLT_MAX; // 计算pt附近的格子范围只检查这些格子里的三角形 int cx (int)((pt.x - grid.minX) / cellSize); int cy (int)((pt.y - grid.minY) / cellSize); for (int dx -1; dx 1; dx) { for (int dy -1; dy 1; dy) { for (int triIdx : grid.cells[cydy][cxdx]) { Vec3 p closestPointOnTri(pt, zInit, tris[triIdx]); float d distSq(p, pt); if (d bestDist) { bestDist d; best p; } } } } return best; }逻辑说明均匀栅格索引把三角形按包围盒塞进格子查询时只检查目标格子及其周围3x3邻域的三角形把O(n)的最近点查询降到O(1)附近的常数次。栅格化时其实已经建过多边形投影信息但那个是像素级别的这里需要一个面向点的索引。参数说明格子尺寸取三角形平均边长的3-5倍太大则每格塞太多三角形查询退化太小则索引本身内存翻倍。牙颌模型一般取1mm格子索引构建1秒内完成。回映射完成后三维轮廓点集可以输出为曲线文件或用来切分STL。沿轮廓把网格分成牙冠侧和牙龈侧常见做法是把轮廓线与三角形边的交点收集起来沿交点环重新三角化生成切割面。这个环节比较繁琐但轮廓质量决定了切割面的质量值得多花时间调平滑参数。5. 避坑与排查牙齿分割里最容易翻车的五个细节5.1 现象投影方向没对齐深度图出现“悬空”和重叠描述做完PCA旋转后深度图里牙冠区域边缘出现大片无效像素黑色或者同一颗牙在图上出现两个重叠的高亮区域深度值对不上。原因PCA估计的咬合面法向不够准尤其是模型包含完整上下颌牙弓时牙弓弧度会干扰主成分分析旋转后Z轴并没有真正垂直于咬合面。投影方向偏了牙冠侧面互相遮挡深度图就乱了。解决不要对整个模型做PCA只取顶点Z值最高的前30%区域参与PCA。这些点集中在牙尖和咬合面上能更准确估计咬合面法向。另外旋转后做一次校验把模型顶点按Z分两层上层的质心和下层的质心在XY平面上的投影应当基本重合如果不重合说明投影方向仍然偏需要手动指定咬合平面做二次矫正。5.2 现象分辨率设成0.5mm牙缝直接消失描述栅格分辨率设成0.5mm后整排前磨牙连成一片连通域标记得到几大块而不是一颗颗独立的牙。原因牙缝宽度通常0.2-0.5mm0.5mm分辨率下牙缝只占不到一个像素深度图里牙缝被两侧牙冠的投影覆盖直接糊住。这是投影方法的物理极限分辨率必须小于最小特征尺寸的一半。解决把pixelMM调到0.1mm。代价是栅格像素数变成原来的25倍但牙颌模型600x800的栅格在内存上完全不是问题。如果计算时间敏感可以先0.2mm跑一遍看大致粘连情况确认牙缝还在再0.1mm做最终分割。注意不要用0.05mm以下的极端分辨率扫描模型本身精度就0.05mm左右再细只会引入噪点。5.3 现象Otsu阈值把前磨牙整颗切掉描述全口模型跑Otsu分割中切牙、尖牙分得很好但前磨牙区域牙冠直接变成背景一颗牙只剩下牙龈部分。原因Otsu是全局阈值它按整张深度图的直方图找一个最优点。前磨牙深度比中切牙低一截全局阈值取在两类之间时前磨牙的整体深度可能落在阈值之下被判定为背景。解决常见做法是分区处理。把深度图按牙弓方向切成左、中、右三段分别做Otsu每段得到自己的阈值。或者用固定比例兜底当前景面积占比低于10%时降低阈值到最大深度的30%重试。我一般先用全局Otsu如果标记出的连通域个数明显少于预期牙位数比如14颗牙只分出8颗就对前景面积最小的几个区域局部重算阈值。5.4 现象分水岭把一颗磨牙切成两半描述磨牙区开运算后仍有粘连上了分水岭结果一颗磨牙被从牙尖中央劈成两半变成两块独立的掩膜。原因磨牙有多个牙尖通常4-5个每个牙尖都是一个局部极大值都会被当成种子。如果种子之间没有被足够的“高度脊”隔开水从相邻牙尖涨上来会直接汇合但脊线刚好穿过牙冠中央就把一颗牙切成两半了。解决对分水岭结果做后处理合并。分割完成后统计每个掩膜的面积和与相邻掩膜的重叠关系如果两个相邻掩膜的公共边界很短、且它们的深度最大值接近说明是一个牙冠上的两个牙尖就合并成一颗牙。另一个办法是抬高种子阈值seedThreshold从Otsu阈值的1.1倍提到1.3倍把小牙尖的种子滤掉让一个磨牙区域只保留主牙尖的种子。这个参数要按模型调没有普适值我一般先试1.2倍。5.5 现象牙龈轮廓闭合不上有个口子描述平滑后的牙龈轮廓首尾距离超过5个像素直接映射成三维曲线后曲线两端悬空没法用来切割网格。原因轮廓提取时Marching Squares在掩膜边界碰到栅格边缘或分水岭断开处没有生成完整的闭环。深度图上那个位置是无效像素黑色等值线判断时直接把那段跳过去了。解决在平滑前先做一步——把轮廓点序列的首尾连接起来。常规做法是沿无效区域的边界追踪一段把缺口补上如果缺口很窄小于10像素直接线性插值补点问题不大。但要注意这个缺口往往意味着掩膜不完整更稳妥的办法是回到分割阶段把该区域的掩膜用形态学闭运算补一下再重新提取轮廓。闭运算用5x5核先膨胀后腐蚀能把掩膜上的小孔和缺口封住。6. 进阶用合成牙模验证分割质量再把参数调成自适应验证分割算法最忌讳直接拿真实扫描模型一遍一遍试因为真实模型没有“标准答案”你永远不知道分割对没对。我常用的做法是先造合成牙模用参数化曲面生成几颗简化的牙齿——半椭圆球体当牙冠平板当牙龈按真实尺寸摆成牙列中间留0.2-0.5mm牙缝。合成模型是有精确标注的每颗牙的掩膜是已知的可以用来调试整套算法的参数。评估指标用两个最常用的Dice系数和平均表面距离。Dice衡量分割掩膜和真值掩膜的重叠率0.95以上算合格平均表面距离衡量三维分割边界和真值边界的偏差0.3mm以内对应扫描精度说明分割结果有临床可用性。注意Dice适合整体衡量表面距离适合发现局部偏差——Dice好看但某颗牙整体偏了0.5mm表面距离会暴露。参数自适应的方向。我发现栅格分辨率相对好定——按牙缝最小宽度取一半即可模型包围盒大小变化不影响这个选择。真正的玄学在Otsu的兜底阈值和分水岭的种子阈值。我的习惯是把它们和模型统计量挂钩Otsu兜底阈值取最大深度的40%这是经验值但可以进一步细化成“前10%和后10%像素的深度均值之差的比例”这样对高牙尖和低牙尖模型都友好。分水岭种子阈值取Otsu阈值的1.2倍这个比例在绝大多数牙颌模型上不需要动少数需要动的时候一般是扫描模型对牙缝的细节保留比较差。最后说一个我自己的教训早先把平滑迭代数设成10次轮廓磨得非常圆润映射回STL后牙龈边缘比实际位置低了快1mm单颗牙的牙冠设计直接报废。从那以后我理解了一个事——平滑不是越光滑越好是要在保留几何特征和去掉噪声之间找平衡。现在我的习惯是每次调平滑参数后都把结果和原始轮廓叠加看一眼确认偏差在0.2mm以内再往下走。这些参数没有一次调对的都要靠验证循环逼近希望这套思路能帮你在自己的数据上少走几轮弯路。本文还有配套的精品资源点击获取
