Kurzfassung
Methoden zur Oberflächenregistrierung sind häufig zentraler Bestandteil verschiedener Anwendungen basierend auf Tiefenbildkameras. Der Iterative Closest Point (ICP) Algorithmus wird oft für die rigide Feinregistrierung verwendet, bezieht jedoch a-priori Wissen über die für Tiefenbildkameras typischen anisotropen Messfehler nicht in die Transformationsberechnung mit ein. Eine kürzlich vorgestellte, als anisotroper ICP (A-ICP) bezeichnete Erweiterung des ICP kompensiert diese Probleme, konnte wegen der hohen Laufzeit bislang jedoch nicht für zeitkritische Anwendungen eingesetzt werden. In dieser Arbeit zeigen wir, dass man die Laufzeit des A-ICP mittels General Purpose Computation on Graphics Processing Unit (GPGPU)-Implementierung deutlich verringern kann. Eine in silico Studie auf öffentlich verfügbaren Daten lieferte abhängig von der Oberflächengröße einen Geschwindigkeitsgewinn um den Faktor 22 (1000 Punkte pro Oberfläche) bis 149 (50.000 Punkte pro Oberfläche) im Vergleich zur Central Processing Unit (CPU) Implementierung. Des Weiteren zeigen wir anhand einer Softwaredemonstration auf der BVM 2014, dass die GPU-basierte Variante des A-ICP für die Echtzeitvisualisierung im Kontext der mobilen erweiterten Realität geeignet ist.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literaturverzeichnis
Maier-Hein L, Franz AM, dos Santos TR, et al. Convergent iterative closest-point algorithm to accomodate anisotropic and inhomogenous localization error. IEEE Trans Pattern Anal Mach Intell. 2012;34(8):1520–32.
Maier-Hein L, Franz AM, Fangerau M, et al. Towards mobile augmented reality for on-patient visualization of medical images. Proc BVM. 2011; p. 389–93.
Heim E. GPGPU-Implementierung eines KD-Baums f¨ur die Visualisierung medizinischer Daten; 2012. Interdiziplin¨ares Projekt, Universit¨at Heidelberg.
Horn BKP. Closed-form solution of absolute orientation using unit quaternions. J Opt Soc Am A. 1987;4(4):629–42.
Danilchenko A, Fitzpatrick JM. General approach to first-order error prediction in rigid point registration. IEEE Trans Med Imaging. 2011;30(3):679–93.
Kirk DB, Hwu WmW. Programming Massively Parallel Processors: A Hands-On Approach. 1st ed. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc.; 2010.
Nolden M, Zelzer S, Seitel A, et al. The medical imaging interaction toolkit: challenges and advances. Int J Comput Assist Radiol Surg. 2013;8(4):607–20.
Seitel A, Yung K, Mersmann S, et al. MITK-ToF: range data within MITK. Int J Comput Assist Radiol Surg. 2012;7(1):87–96.
Hering J, Gergel I, Kr¨omker S, et al. MITK-OpenCL: Eine Erweiterung f¨ur das Medical Imaging Interaction Toolkit. Proc BVM. 2011; p. 454–8.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2014 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Heim, E. et al. (2014). GPGPU-beschleunigter anisotroper ICP zur Registrierung von Tiefendaten. In: Deserno, T., Handels, H., Meinzer, HP., Tolxdorff, T. (eds) Bildverarbeitung für die Medizin 2014. Informatik aktuell. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-54111-7_10
Download citation
DOI: https://doi.org/10.1007/978-3-642-54111-7_10
Published:
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-642-54110-0
Online ISBN: 978-3-642-54111-7
eBook Packages: Computer Science and Engineering (German Language)