CN103077555A - 一种三维模型构成的自动标注方法 - Google Patents

Abstract

本发明公开了一种三维模型构成的自动标注方法，包括以下步骤：对输入的同类三维模型集进行联合分割以获得初始部件聚类；联合分割过程包括对三维模型集中的每个三维模型进行面片级特征提取，得到三维模型的面片级特征，利用面片级特征对三维模型集中的每个三维模型进行单模型预分割，从而获得三维模型集中的所有三维模型的初始部件集，以及对初始部件进行部件级特征提取，以获得初始部件的部件级特征，并在此基础上采用谱聚类方法对初始部件进行聚类，从而获得多个初始部件聚类；对每个初始部件聚类构建一个统计模型，利用此统计模型采用图割优化方法将待标注的目标模型面片进行分割并获得其标注信息。

Description

一种三维模型构成的自动标注方法

技术领域

本发明涉及一种形状分析的处理方法，属于计算机图形学技术领域，具体地说是一种基于联合分割的三维模型构成的自动标注方法。

背景技术

将三维模型分割并获取其构成部件的标注是形状理解和处理的基础，几何建模、生产制造、三维模型动画及纹理等领域的诸多任务都依赖于部件分割，其中许多问题更需进一步对分割部件进行标注，即，将这些部件识别为已知部件类型的一个实例。这些应用的大多数情况中，采用人工定义方式进行输入三维模型的分割与标注。例如，人体网格纹理合成的应用中，需由人工辨别网格中具有“胳膊”纹理的部分、或具有“腿”纹理的部分等等；另外，一些并不直接要求分割标注的应用，如，3D形状匹配或检索，也可从组成部件及标注的信息中获益。

尽管大量工作针对图像自动标注展开研究，如文献1：鲍泓,徐光美,冯松鹤,须德.自动图像标注技术研究进展.计算机科学,2011,38(7):35-40.，然而，三维模型方面的工作多数仅针对三维模型的整体标注进行研究，如文献2：田枫,沈旭昆,刘贤梅,周凯,杜睿山.一种基于弱标签的三维模型语义自动标注方法,系统仿真学报,2012,24(9):1873-1876,1881，而未涉及三维模型构成部件的自动标注；另外，与三维模型构成标注密不可分的模型分割如文献3：Chen X.,Golovinskiy A.,Funkhouser T.ABenchmark for3D Mesh Segmentation.ACM Transactions on Graphics,2009,28(3).所述也仍为一个开放性研究问题，到目前为止，几乎所有模型分割方法都仅考虑部件自身的几何特征，而不考虑类别信息，难以满足模型部件的后续标注需求，文献4：KalogerakisE.,Hertzmann A.,Singh K..Learning3D mesh segmentation and labeling.ACMTransactions on Graphics,2010,29(4)Article No.102.率先提出一种数据驱动的模型分割与标注方法，他们通过对人工分割标注的模型集进行学习，将模型部件标注问题表示为条件随机场最优化问题，从而实现对未知模型的分割与标注，并验证了人工标注知识对三维模型分割的促进作用，然而，方法依赖于大量人工标注的三维模型集。

另一方面，文献5：Golovinskiy A.,Funkhouser T.Consistent segmentation of3Dmodels.Computers and Graphics(Shape Modeling International09)2009,33(3):262-269.、文献6：徐凯.语义驱动的三维形状分析及建模.[D]国防科学技术大学研究生院.2011.考虑到同类物体的三维模型比单个模型包含更丰富的语义信息，因此提出对同类模型集进行分析，进而获得多个模型一致性分割的联合分割方法，但其并未考虑未知三维模型的自动标注问题。本专利在联合分割的基础上，利用同类模型具有类似部件组成结构这一信息，对未知三维模型的组成部件进行分割与标注，进而实现三维模型的自动标注。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于联合分割的三维模型构成的自动标注方法，用于支持对三维模型的自动分割与标注。

为了解决上述技术问题，本发明公开了一种基于联合分割的三维模型构成的自动标注方法，包括以下步骤：

步骤一，三维模型集联合分割：对输入的同类三维模型集进行联合分割以获得初始部件聚类，包括单模型预分割和部件谱聚类两个步骤：

单模型预分割将三维模型集中的每个三维模型进行预分割为初始部件集；所述部件为相互连接的面片；

部件谱聚类将单模型预分割过程获得的初始部件集聚类为多个初始部件聚类，聚类数对应于最终三维模型标注部件的总个数，可以由用户给定，也可以根据本发明自动计算；

步骤二，三维模型分割标注：在三维模型集联合分割过程获得的初始部件聚类帮助下，对待标注目标三维模型进行分割与标注，包括统计模型构建和面片标注两个步骤：

统计模型构建将每个初始部件聚类中的部件面片级特征作为观察值，构建描述相应初始部件聚类的混合高斯模型，并根据贝叶斯理论计算待标注目标三维模型每个面片的标注概率；

面片标注则采用图割优化算法同时考虑该目标三维模型每个面片的标注概率以及目标三维模型面片局部特征对目标三维模型进行分割与标注。

本发明步骤一中所述单模型预分割部分还包括以下步骤：步骤111提取三维模型每个面片处的平均测地距离、高斯曲率、形状直径函数、形状上下文4维面片级特征，从而组成4维特征向量。所述三维模型是网格化的三维模型。步骤112将三维模型网格每个面片的上述四个面片级特征值组成的4维特征向量作为面片级特征空间中的一个点坐标，在此空间中采用mean-shift聚类算法进行聚类，从而将三维模型网格上的面片聚类为更大的初始部件。步骤113采用图割优化算法平滑初始部件边界，获得初始部件集S={s₁,…,s_n}，n为初始部件数。

本发明步骤一中所述部件谱聚类部分还包括以下步骤：步骤121，提取三维模型初始部件集S={s₁,…,s_n}中初始部件的部件级特征，包括初始部件s_i的1维面积特征a_i、3维几何形状特征g_i和4维面片级特征直方图特征，共8维部件级特征，1≤i≤n；步骤122，计算三维模型初始部件集S={s₁,…,s_n}中初始部件s_i和初始部件s_j间的距离，1≤j≤n；i、j相等时距离定义为0。步骤123根据部件间的距离，用高斯核构建亲和度矩阵W，并通过对亲和度矩阵W进行特征分解，以计算初始部件集的扩散映射(diffusionmap)，从而将初始部件s映射到扩散空间中一点Ψ_t(s)。步骤124对由扩散映射获得的扩散空间进行聚类，若聚类数k由用户给定，则采用k均值聚类算法进行聚类；否则，采用mean-shift聚类算法，自动计算聚类数k，最终获得初始部件聚类，并将每个聚类的类标注为类C={c₁,c₂,…,c_k}，k为聚类数量。

本发明步骤二中所述统计模型构建部分还包括以下步骤：步骤211对类标注为c_i的聚类，将其中所有初始部件上面片的面片级特征作为观察值，估计混合高斯模型(Gaussian mixture model，GMM)来建模该类，并计算类标注c_i的后验概率p(c_i)为类标号c_i中初始部件面积之和与集合中所有初始部件的总面积之比。步骤212根据贝叶斯理论(Bayes’Theorem)计算待标注目标三维模型网格面片f属于类标注c_i的概率p(c_i|f)。

本发明步骤二中所述面片标注部分将待标注目标三维模型网格面片f属于类标注c_i的概率作为图割优化算法的数据项，图割优化算法的图边权重以及平滑项按步骤113所述进行设置，最终将待标注目标三维模型网格进行分割并标注。

有益效果：本发明具有以下优点：首先，本发明可对同种类型多个模型同时进行一致性分割；其次，本发明可通过对同种类型多个模型的联合分割，提取该类模型的部件形状及其组成信息；最后，本发明可利用从模型集中获取的部件形状及其组成信息，对三维模型进行分割，并实现自动标注。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1是本发明的处理流程示意图。

图2a是实施例的输入模型集示例示意图。

图2b是实施例待标注的目标三维模型示意图。

图3a是对图2a输入模型集进行三维模型集联合分割，并对图2a输入模型集中每个三维模型进行三维模型分割标注的结果示意图。

图3b是根据图2a输入三维模型集中获取的部件形状及其信息，对图2b中的待标注目标三维模型进行分割标注的结果示意图。

图4a是对实施例输入模型进行聚类的结果示意图。

图4b是对图4a进一步平滑的结果示意图。

图5是实施例输入模型集合中初始部件集结果示意图。

图6a～6d是对图5所得初始部件结果进行部件谱聚类过程所得对应初始部件聚类示意图。

具体实施方式：

如图1所示，本发明公开的一种基于联合分割的三维模型构成的自动标注方法，具体包括以下步骤：

步骤一，三维模型集联合分割：对输入的同类三维模型集进行联合分割以获得初始部件聚类。

步骤二，三维模型分割标注：在三维模型集联合分割过程获得的初始部件聚类的帮助下，对待标注目标三维模型进行分割并获得其部件标注。

本发明的输入三维模型集为同种类型，具有相似功能部件结构的三维模型集合。

下面具体介绍各个步骤的主要流程：

1.三维模型集联合分割

三维模型集联合分割过程对输入的同类三维模型集进行联合分割以获得初始部件聚类，包括单模型预分割和部件谱聚类两个步骤。

1.1.单模型预分割

单模型预分割过程将三维模型集中的每个三维模型进行预分割，从而获得所有三维模型的初始部件集S={s₁,…,s_n}，其中，n为初始部件数；所述部件为相互连接的面片。过程如下：

步骤1提取三维模型集中三维模型每个面片处的面片级特征，所提取特征为文献7：Hilaga M.,Shinagawa Y.,Kohmura T.,Kunii T.L..Topology matching for fully automati  csimilarity estimation of3d shapes.Proceedings of the28th annual conference on Computergraphics and interactive techniques(New York,NY,USA,2001),SIGGRAPH’01,ACM,pp.203-212.中的平均测地距离(Average Geodesic Distance，AGD)、文献8：Gal R.,Cohen-OrD.Salient geometric features for partial shape matching and similarity.ACM Transactionson Graphics,2006,25(1):130-150中的高斯曲率(Gaussian curvature，GC)、文献9：ShapiraL.,Shalom S.,Shamir A.,Cohen-Or D.,Zhang H.Contextual part analogies in3D objects.International Journal of Computer Vision,2010,89(2-3):309-326.中的形状直径函数(shapediameter function，SDF)、文献10：Belongie S.,Malik J.,Puzicha J.Shape matching andobject recognition using shape contexts.IEEE Transactions On Pattern Analysis andMachine Intelligence,2002,24(4):509-522.中的形状上下文(shape contexts，SC)，从而三维模型每个面片上都计算这四个面片级特征组成4维特征向量。

步骤2将三维模型每个面片的上述四个面片级特征值组成的4维特征向量作为面片级特征空间中的一个点坐标，在此空间中采用mean-shift聚类算法进行聚类，如文献11：Comaniciu D.,MEER P.Mean shift:a robust approach towards feature space analysis.IEEE Transactions On Pattern Analysis and Machine Intelligence,2002,24(5):603-619.所述，从而将三维模型上的面片聚类为更大的初始部件，对三维模型集中的每个三维模型聚类一次。

步骤3采用文献12：Boykov Y.,Veksler O.,Zabih R.Fast Approximate EnergyMinimization via Graph Cuts.IEEE Transactions On Pattern Analysis and MachineIntelligence,2001,23(11):1222-1239.中的图割优化算法平滑初始部件边界，获得初始部件集S={s₁,…,s_n}。首先构建一个图，图节点为网格面片，相邻网格面片之间存在边，图割优化算法则可通过计算该图的最小割的方式，计算三维模型上每个面片的最佳标号f，来最小化能量：

E(f)=E_data(f)+E_smooth(f)

面片p和面片q被标注为标号f_p和标号f_q时边{p,q}的权重W_p,q(f_p,f_q)为：

$W_{p,q}(f_p,f_q)=\left\{\begin{array}{cc}0& f_p=f_q\\ -\ln (1-{\mathrm{\θ}}_{p,q}/\mathrm{\π})l_{p,q}& f_p\≠f_q\end{array}\right.,$

其中，θ_p,q为面片p和面片q的二面角，l_p,q为面片p和面片q公共边{p,q}的长度，数据项E_data(f)为：

$E_{\mathrm{data}}\left(f\right)=\underset{p\∈P}{\mathrm{\Σ}}{D}_p\left(f_p\right),$

其中，p为三维模型上的一个面片，P为三维模型上的所有面片集合，D_p(f_p)则为：

$D_p\left(f_p\right)=\left\{\begin{array}{cc}-\mathrm{\ω}\ln \left(\frac{3}{2m}\right)& c_p=f_p\\ -\mathrm{\ω}\ln \left(\frac{2m-3}{2m(m-1)}\right)& c_p\≠f_p\end{array}\right.,$

其中，m为步骤2中mean-shift聚类得到的聚类数，c_p为步骤2中mean-shift聚类后面片p所属聚类序号，ω为数据项权重（所述数据项权重ω取值范围为0～1，该值设置较小，则平滑程度较高，一般可以设定为0.1）。

平滑项E_smooth(f)为：

$E_{\mathrm{smooth}}=\underset{\{p,q\}\∈N}{\mathrm{\Σ}}V\{p,q\}(f_p,f_q)$

其中N为所有相邻面片组成的边集，V{p,q}为：

V{p,q}=|f_p-f_q|。

1.2.部件谱聚类

部件谱聚类将单模型预分割过程获得的初始部件聚类为多个初始部件聚类，聚类数k对应于最终三维模型标注部件的总个数，可由用户给定，也可根据本发明自动计算。过程如下：

步骤1提取三维模型初始部件集S={s₁,…,s_n}中初始部件的部件级特征，包括初始部件s_i的面积特征a_i、几何形状特征g_i和面片级特征直方图特征，1≤i≤n。其中，面积特征a_i为：

$a_i=\frac{\underset{f\∈s_i}{\mathrm{\Σ}}{A}_f}{\underset{f\∈M_i}{\mathrm{\Σ}}{A}_f},$

其中，f为面片，M_i为初始部件s_i所属三维模型，面积特征a_i则为初始部件s_i中所有面片的面积和与s_i所在三维模型上所有面片的面积和之比。

几何形状特征g_i为一个三维特征向量：

g_i=[u_lu_pu_s]，

${\mathrm{\μ}}_l=\frac{{\mathrm{\λ}}_1-{\mathrm{\λ}}_2}{{\mathrm{\λ}}_1+{\mathrm{\λ}}_2+{\mathrm{\λ}}_3}{\mathrm{\μ}}_p=\frac{2({\mathrm{\λ}}_2-{\mathrm{\λ}}_3)}{{\mathrm{\λ}}_1+{\mathrm{\λ}}_2+{\mathrm{\λ}}_3}{\mathrm{\μ}}_s=\frac{3{\mathrm{\λ}}_3}{{\mathrm{\λ}}_1+{\mathrm{\λ}}_2+{\mathrm{\λ}}_3},$

其中λ₁λ₂λ₃为对初始部件s_i中所有点进行主成分分析得到的特征值，满足：

λ₁≥λ₂≥λ₃≥0，

面片级特征直方图

则为对步骤111中提取的每个面片级特征值进行统计得到的直方图特征，0≤d≤3，直方图扇区数为100，计算每个面片级特征值的最大最小值范围，将此范围数值平均地划分为100份，分别映射到100个扇区中，统计每个初始部件上各个面片的面片级特征值落在这100个扇区中的数量，作为该初始部件相应面片级特征的直方图特征，从而获得平均测地距离

高斯曲率

形状直径函数

和形状上下文

的4维直方图特征。最终获得共8维部件级特征。

步骤2计算三维模型初始部件集S={s₁,…,s_n}中初始部件s_i和初始部件s_j间的距离，1≤j≤n：

$D(s_i,s_j)=\sqrt{\underset{d=1}{\overset{n_d}{\mathrm{\Σ}}}{\mathrm{EMD}}^2(h_i^d,h_j^d)+{|a_i-a_j|}^2+{\left|\right|g_i-g_j\left|\right|}_2^2},$

其中，

a_i，g_i分别是上述面片级特征直方图特征、面积特征和几何形状特征的部件级特征，EMD是陆地移动距离(Earth Mover’s Distance，EMD)，是衡量两个概率分布不相似性距离的常用度量，如文献13：Rubner Y.,Tomasi C.,Guibas L.J.The EarthMover′s Distance as a Metric for Image Retrieval.International Journal of Computer Vision,2000,40(2):99-121.所述。

步骤3利用高斯核构建亲和度矩阵W：

W_i,j=exp(-D(s_i,s_j)²/2σ²)

其中，σ²为方差，并计算对角矩阵，对角元素D_i,i为：

D_i,i=∑_jW_i,j

从而获得规范化矩阵

M=D^-1W

计算对称矩阵

M_s=D^1/2MD^-1/2

计算对称矩阵M_s的特征分解，获得特征值

λ₀=1>λ₁≥λ₂≥…≥λ_n-1≥0

及相应特征向量{v_j}，计算矩阵M的右特征向量：

ψ_j=v_jD^-1/2

计算初始部件集的扩散映射(diffusion map)得到扩散空间，从而将初始部件s映射到扩散空间中一点Ψ_t(s)：

${\mathrm{\Ψ}}_t\left(s\right)=({\mathrm{\λ}}_1^t{\mathrm{\ψ}}_1\left(s\right),...,{\mathrm{\λ}}_{n-1}^t{\mathrm{\ψ}}_{n-1}\left(s\right))$

参见文献14：Nadler B.,Lafon S.,Coifman R.R.,Kevrekidis I.G.Diffusion maps,spectralclustering and eigenfunctions of Fokker-Planck operators.Neural Information ProcessingSystems,2005,Neural Information Processing Systems,1-8.（时间参数t取值范围为1～n，一般可设置为3）

步骤4对由扩散映射获得的扩散空间进行聚类，若聚类数k由用户提供，则采用k均值聚类算法进行聚类，得到初始部件聚类，可利用OpenCV库中的K均值聚类算法实现；否则，采用文献11所述的mean-shift聚类算法进行聚类，自动计算聚类数k。最终获得初始部件聚类，假设每个聚类的类标注为类C={c₁,c₂,…,c_k}。

2.三维模型分割标注

三维模型分割标注过程根据三维模型集联合分割过程获得的初始部件聚类，对待标注目标三维模型进行分割与标注，包括统计模型构建和面片标注两个步骤。

2.1.统计模型构建

在获得初始部件聚类后，对每个初始部件聚类建立一个统计模型。过程如下：

步骤1对类标注为c_i的聚类，将其中所有初始部件上面片的面片级特征作为观察值，估计混合高斯模型(Gaussian mixture model，GMM)来建模该类：

$p\left(f\right|c_i)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\ω}}_{k}g\left(f\right|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)---\left(1\right)$

其中，K为混合高斯模型的分量数，f是步骤111所述4维面片级特征向量，ω_k为混合高斯模型的混合权重，g(f|μ_k,Σ_k)为混合高斯模型第k个分量的高斯概率密度，所有混合高斯模型中的参数（ω_k、μ_k、Σ_k）都可通过期望值最大化(expectation-maximization，EM)算法估计，可采用OpenCV库中的EM算法实现。计算类标注ci的后验概率p(c_i)：为类标号c_i中初始部件面积之和与集合中所有初始部件的总面积之比。

步骤2根据贝叶斯理论(Bayes’Theorem)计算待标注目标三维模型网格面片f属于类标注c_i的概率p(c_i|f)：

p(c_i|f)=p(f|c_i)p(c_i)(2)

2.2.面片标注

面片标注步骤采用图割优化算法同时基于目标三维模型每个面片的标注概率以及目标三维模型面片局部特征对目标三维模型进行分割与标注，将待标注目标三维模型网格面片f属于类标注c_i的概率作为图割优化算法的数据项，图割优化算法的图边权重以及平滑项按步骤113所述进行设置，数据项权重ω取值范围为0～1，该值设置较小，则平滑程度较高，一般可以设定为0.1。

实施例

本实施例中，如图2a所示为输入的模型集合，图2b所示为待标注目标三维模型，通过本发明所述的基于联合分割的三维模型构成的自动标注方法，可将图2a中每个三维模型以及图2b中三维模型处理成如图3a和图3b所述不同类型的部件由不同灰度标注，且标注1～4分别表示4种类型的部件标注，图3b中不同灰度表示不同的标注部件，且由标号1～4分别对应于图2b中的标号1～4示意图。因为本实施例是针对三维模型的申请，三维模型不同构成，只能采用灰度图像进行区分。图中，标号1表示壶柄，标号2表示壶嘴，标号3表示壶身，标号4表示壶底。具体实施过程如下：

步骤一中，单模型预分割过程根据输入模型集合中每个三维模型的面片级特征，将每个三维模型预分割为初始部件集，如图4所示为对输入模型集合中的一个三维模型预分割的结果，不同的初始部件由不同的灰度标识，其中图4a为步骤112的mean-shift聚类算法根据面片级特征对该三维模型面片进行聚类的结果，由不同灰度标识。图4b为进一步通过步骤113的图割优化算法进行平滑的结果，如图5所示则为对输入模型集合中所有三维模型进行单模型预分割所得的初始部件集，不同初始部件由不同的灰度标识；部件谱聚类过程将初始部件聚类为对应初始部件聚类，聚类数对应于最终三维模型标注部件的总个数，本实施例中由用户指定将最终三维模型部件标注为4类，从而部件谱聚类过程将初始部件聚类为如图6a～6d所示的初始部件聚类，其中，图6a～6d分别对应于图3a～图3b中标注1～4的初始部件聚类。

步骤二中，统计模型构建过程则对图6a～6d中的4个初始部件聚类构建混合高斯模型，从而根据贝叶斯算法计算图2b目标三维模型每个面片标注为这4类的概率，再通过面片标注过程对图2b目标三维模型每个面片进行标注，最终获得如图3b所示的标注结果。

本发明提供了一种基于联合分割的三维模型构成自动标注方法的思路，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (5)

1.一种三维模型构成的自动标注方法，其特征在于，包括以下步骤：

步骤一，三维模型集联合分割：对输入的同类三维模型集进行联合分割获得初始部件聚类，包括单模型预分割和部件谱聚类两个步骤：

单模型预分割将三维模型集中的每个三维模型进行预分割为初始部件集；所述部件为相互连接的面片；

部件谱聚类将单模型预分割过程获得的所有初始部件聚类为对应初始部件聚类，聚类数对应于最终三维模型标注部件的总个数；

步骤二，三维模型分割标注：根据初始部件聚类，对待标注目标三维模型进行分割与标注，包括统计模型构建和面片标注两个步骤：

统计模型构建步骤将每个初始部件聚类中的部件面片级特征作为观察值，构建描述相应初始部件聚类的混合高斯模型，并根据贝叶斯算法计算待标注目标三维模型每个面片的标注概率；

面片标注步骤采用图割优化算法同时基于目标三维模型每个面片的标注概率以及目标三维模型面片局部特征对目标三维模型进行分割与标注。

2.根据权利要求1所述的一种三维模型构成的自动标注方法，其特征在于，步骤一中所述单模型预分割部分包括以下步骤：

步骤111，提取三维模型每个面片的4维面片级特征，包括平均测地距离、高斯曲率、形状直径函数、形状上下文，从而组成每个面片的4维特征向量；

步骤112，将三维模型每个面片的4维特征向量作为面片级特征空间中的一个点坐标，在此空间中采用mean-shift聚类算法进行聚类，从而将三维模型上的面片聚类为更大的初始部件；

步骤113，采用图割优化算法平滑初始部件边界，获得初始部件集S={s₁,…,s_n}，n为初始部件数。

3.根据权利要求2所述的一种三维模型构成的自动标注方法，其特征在于，步骤一中所述部件谱聚类部分包括以下步骤：

步骤121，提取三维模型初始部件集S={s₁,…,s_n}中初始部件的部件级特征，包括初始部件s_i的1维面积特征a_i、3维几何形状特征g_i和4维面片级特征直方图特征，共8维部件级特征，1≤i≤n；

步骤122，计算三维模型初始部件集S={s₁,…,s_n}中初始部件s_i和初始部件s_j间的距离，1≤j≤n；

步骤123，根据部件间的距离，用高斯核构建亲和度矩阵W，并通过对亲和度矩阵W进行特征分解，计算初始部件集的扩散映射得到扩散空间，从而将初始部件s映射到扩散空间中一点Ψ_t(s)；

步骤124，对由扩散映射获得的扩散空间进行聚类，若聚类数k由用户给定，则采用k均值聚类算法进行聚类；否则，采用mean-shift聚类算法，自动计算聚类数k，最终获得初始部件聚类，并将每个聚类的类标注为类C={c₁,c₂,…,c_k}。

4.根据权利要求3所述的一种三维模型构成的自动标注方法，其特征在于，步骤二中所述统计模型构建部分包括以下步骤：

步骤211，对类标注为c_i的聚类，将其中所有初始部件上面片的面片级特征作为观察值，使用混合高斯模型建模聚类c_i，并计算聚类c_i的后验概率p(c_i)为聚类c_i中初始部件面积之和与聚类集合中所有初始部件的总面积之比；

步骤212，根据贝叶斯算法计算待标注目标三维模型面片f属于聚类c_i的概率p(c_i|f)。

5.根据权利要求4所述的一种三维模型构成的自动标注方法，其特征在于，步骤二中所述面片标注步骤将待标注目标三维模型网格面片f属于聚类c_i的概率作为图割优化算法的数据项，图割优化算法的图边权重以及平滑项按步骤113所述进行设置，最终将待标注目标三维模型进行分割并标注。

Images