从ROI的Z轴堆栈生成高质量3D网格的方法及参数优化问询

我有一组存储为TIFF文件的3D ROI标签堆栈，每个ROI代表单个细胞。我希望生成适用于下游形状分析的表面网格（使用trimesh）。

我尝试过Marching Cubes方法：

from skimage import measure
import trimesh
import numpy as np

mask = labels == lab_id  # binary mask for one ROI
verts, faces, normals, values = measure.marching_cubes(mask.astype(np.float32), level=0.5)
mesh = trimesh.Trimesh(vertices=verts, faces=faces)

但生成的部分网格存在表面缺失、孔洞或多个不连通的“块”；同时尝试的Open3D Poisson表面重建也未能正确捕捉形状。

我还尝试过以下方法：

import trimesh
coords = np.argwhere(mask)  # N x 3 points

pc = trimesh.points.PointCloud(coords)

mesh = pc.convex_hull

但凸包会丢失所有凹面特征，导致每个细胞形态大致相同。

请问从3D ROI堆栈生成美观平滑的封闭轮廓网格，同时保留凹面特征、避免块或表面缺失的推荐方法是什么？我尝试过的两种方法中是否有特定参数可提升网格生成的可靠性？

一、优化Marching Cubes参数与预处理 #

Marching Cubes出现孔洞、表面缺失的核心原因通常是mask存在不连续、噪点，或参数匹配度低，可通过以下步骤修复：

1. 预处理二进制Mask
   先清理mask的瑕疵，避免后续网格生成受干扰：

   from scipy.ndimage import binary_closing, binary_fill_holes, label
   
   # 用3x3x3结构元素做闭运算，填补小缝隙
   mask_clean = binary_closing(mask, structure=np.ones((3,3,3)))
   # 填充内部孔洞
   mask_clean = binary_fill_holes(mask_clean)
   # 只保留最大的连通分量，去除噪点块
   labeled_mask, num_components = label(mask_clean)
   if num_components > 1:
       component_sizes = np.bincount(labeled_mask.ravel())
       largest_component = component_sizes.argmax()
       mask_clean = labeled_mask == largest_component
   

2. 调整Marching Cubes关键参数

   • 设置spacing：如果3D ROI各轴分辨率不一致（比如Z轴分辨率低于XY轴），传入对应比例的spacing，保证网格比例准确，减少扭曲导致的孔洞：

     # 示例：Z轴分辨率2μm，XY轴1μm
     verts, faces, normals, values = measure.marching_cubes(
         mask_clean.astype(np.float32),
         level=0.5,
         spacing=(2.0, 1.0, 1.0)
     )
     

   • 启用allow_degenerate=False：过滤面积为0的退化三角形，减少网格异常结构。

3. 网格后处理修复
   生成初始网格后，用trimesh自带工具修复瑕疵：

   # 移除孤立顶点和退化面
   mesh.remove_unreferenced_vertices()
   mesh.remove_degenerate_faces()
   # 填充简单孔洞
   mesh.fill_holes()
   # 合并重复顶点，消除冗余结构
   mesh.merge_vertices()
   

二、改进点云驱动的表面重建（替代凸包） #

凸包会丢失凹面，改用带法线的点云做泊松重建可保留细节，关键是给点云添加准确法线：

1. 生成带法线的表面点云
   从清理后的mask提取表面点，并计算法线：

   from skimage import measure
   
   # 提取mask表面点
   surface_points = measure.find_contours(mask_clean, level=0.5)[0]
   # 基于邻域点估计法线，k值根据点密度调整
   pc = trimesh.points.PointCloud(surface_points)
   pc.normals = trimesh.points.normals(pc.vertices, k=10)
   

2. 优化Open3D泊松重建参数
   调整参数解决之前重建失败的问题：

   import open3d as o3d
   
   # 转换为Open3D点云格式
   o3d_pc = o3d.geometry.PointCloud()
   o3d_pc.points = o3d.utility.Vector3dVector(pc.vertices)
   o3d_pc.normals = o3d.utility.Vector3dVector(pc.normals)
   # 泊松重建：depth控制分辨率，scale避免表面收缩
   mesh, densities = o3d.geometry.TriangleMesh.create_from_point_cloud_poisson(
       o3d_pc,
       depth=8,  # 数值越大网格越精细，按需调整
       scale=1.1
   )
   # 过滤低密度噪点面
   vertices_to_remove = densities < np.quantile(densities, 0.01)
   mesh.remove_vertices_by_mask(vertices_to_remove)
   # 转换回trimesh格式
   trimesh_mesh = trimesh.Trimesh(vertices=np.asarray(mesh.vertices), faces=np.asarray(mesh.triangles))
   

三、推荐工作流 #

兼顾精度与可靠性的完整流程：

1. 预处理mask（闭运算→填充孔洞→保留最大连通分量）
2. 带spacing参数的Marching Cubes生成初始网格
3. trimesh工具修复网格（去冗余→填孔洞）
4. 可选轻度平滑，避免过度丢失细节：

   mesh.smooth_laplacian(iterations=5, lamb=0.5)
   

内容的提问来源于stack exchange，提问作者Roua Rouatbi