CN103295025B - 一种三维模型最优视图的自动选择方法 - Google Patents

Abstract

发明公开了一种三维模型最优视图的自动选择方法，包括以下步骤：三维模型集预处理：对输入的三维模型集中的各个三维模型进行预处理，得到所有三维模型的类别，包括姿态校正、尺度归一化以及三维模型类别判断三个步骤，所述三维模型集中每个三维模型设有类别标记；候选视图选取：采样三维模型的各个视图，并提取特征和聚类，得到三维模型的一组候选视图：包括三维模型视图采样、视图特征提取和视图聚类；视图评价：对三维模型的候选视图排序，选择排序靠前的视图为最优视图，包括距离计算和最优视图学习。本发明可以适用于多种类别的三维模型，得到的同类别三维模型的最优视图具有较高的姿态一致性。

Description

一种三维模型最优视图的自动选择方法

技术领域

本发明涉及一种计算机图形形状分析的处理方法，属于计算机图形学技术领域，具体地说是一种三维模型最优视图的自动选择方法。

背景技术

计算机技术的发展使得三维模型在计算机辅助设计、数字娱乐、医学等诸多领域得到了广泛的应用，为了有效地利用由此产生的大量三维模型，需要高效的浏览与认知手段。根据成像原理以及视觉计算理论，三维模型需要映射到二维视图后，才能被人类浏览和认知。人类对物体的认知依赖于视点位置，而使得人类能够最好地认知和理解三维模型的二维视图，称之为该三维模型的最佳视图。三维模型数据集的浏览过程中，应该选用具有代表性的最优视图作为缩略图来展示三维模型。人类能够合理地选择视点位置，得到三维模型的最优视图，但是对于大量的三维模型来说，完全由人工选择是不可行的，因而需要自动选择三维模型最优视图的方法。

由于最优视图和人类的感知有关，难以确切地给出最优视图严格的数学定义，因此近年来出现了多种最优视图的定义以及相应方法。一种是量化人类观察物体的视觉习惯，将二维视图的优劣定义为一个三维模型与视图相关的函数，使得该函数取得最大值的视图就是最优视图。

这种方法根据特征选择的不同主要分为两类：一类是直接分析三维模型得到最优视图，例如文献2：FeixasM,delAceboE,BekaertP,etal.Aninformationtheoryframeworkfortheanalysisofscenecomplexity[J].ComputerGraphicsForum18(3),95–106(1999).定义了基于互信息的场景复杂性评价，来度量场景中点或者面片之间的相关性；文献3：杨利明,王文成,吴恩化.基于视平面上特征计算的视点选择[J].计算机辅助设计与图形学学报,2008,20(9):1097-1103.在视平面上分析曲率特征度量模型的几何特征在视平面上的分布状况，以此计算熵值作为衡量视点优劣的标准；文献4：曹伟国,胡平,李华,等.基于距离直方图的最优视点选择[J].计算机辅助设计与图形学学报,2010,22(9):1515-1521.提出基于距离直方图的三维模型最优视点选择方法，计算距离直方图的香农熵并作为衡量视点优劣的标准。虽然在视点上直接分析三维模型时，可以利用到三维空间中更多的信息，但具有较高计算复杂度，而且未考虑到映射到二维平面的成像原理。另一类是对视点上得到的二维投影视图进行分析，一种是通过可见面比例大小、投影面积大小、曲率等几何特征来度量，另一种是以信息论的角度，使用度量视图携带信息量的函数来评价，如文献5：JoshuaP,PhilipS,AlekseyG,etal.Aplanar-reflectivesymmetrytransformfor3Dshapes[J].ACMTransactionsonGraphics,2006,25:549-559.提出的对称性方法、文献6：YamauchiH,SaleemW,YoshizawaS,Karni,etal.Towardsstableandsalientmulti-viewrepresentationof3Dshapes.InProceedingsoftheIEEEInternationalConferenceonShapeModelingandApplications2006(SMI’06),2006:40.提出的相似性方法使得视觉冗余信息最小化，或者文献7VázquezPP,FeixasM,SbertM,HeidrichW.Automaticviewselectionusingviewpointentropyanditsapplicationtoimage-basedmodelling.ComputerGraphicsForum,2003,22(4):689-700：.提出的视点熵方法、文献8：ShilaneP,FunkhouserT.Distinctiveregionsof3Dsurfaces.ACMTrans.Graphics,2007,26(2):ArticleNo.7.提出的形状差异方法使得感兴趣内容可视性最大化。虽然会丢失一些三维信息，但这种方法的优势在于所有的特征分析在二维离散空间中进行，可以借用图像处理以及图像模式识别的方法，而且计算开销较小。

虽然基于这种定义，有着众多的评价标准及相应方法，但是三维模型种类多样，使得难以有适用于所有种类三维模型的通用评价标准。此外，这些方法并不考虑在视觉上能够对模型加以区别，然而同类三维模型也会有几何变化，这样也就难以保证同类模型具有人类感官上相似的最优视图，因此，这些方法不适用于对三维数据集的高效浏览。

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，提供一种三维模型最优视图的自动选择方法，用于支持对三维模型最优视图的自动选择。

为了解决上述技术问题，本发明公开了一种三维模型最优视图的自动选择方法，包括以下步骤：

步骤一，三维模型集预处理：对输入的三维模型进行预处理以减少三维模型不同姿态以及缩放尺度的影响，并得到所有模型的类别，包括姿态校正、尺度归一化以及三维模型类别判断三个步骤：所述三维模型集中每个三维模型设有类别标记。

姿态校正过程调整三维模型的坐标系，将三维模型的姿态校正为直立状态，减少三维模型不同姿态的影响。

尺度归一化过程将三维模型的大小归一化为单位长度，减少三维模型不同缩放尺度的影响。

三维模型类别判断过程根据已有三维模型集来确定不在该集合中未分类三维模型的所属类别，对于已在在该集合中的三维模型则略过此步骤。

步骤二，候选视图选取：候选视图选取过程采样三维模型的各个视图，并提取特征和聚类，得到三维模型的少量较有代表性的候选视图：包括三维模型视图采样、视图特征提取和视图聚类三个步骤。

三维模型视图采样过程将连续分布的视点离散化，减小样本空间。

视图特征提取过程提取描述每个视图特征的特征向量。

视图聚类过程将相似度大于阈值的视图聚集在一起，使得视图集合约减为数量较小、然后生成相似度较低的候选视图子集；相似度是视图间欧式距离的倒数，所述阈值根据选择的聚类数量由k-means算法自动得到，阈值取值范围在0～1间的实数。

步骤三，视图评价：对三维模型的候选视图排序，选择排序靠前的视图为最优视图，包括距离计算和最优视图学习两个步骤：

距离计算过程计算候选视图与三维模型集中其他三维模型的距离以及不同三维模型对应的视图；

最优视图学习过程中对每个候选视图训练分类器，并进行交叉验证，按错误率升序排列，排序最靠前的为最优视图。

本发明步骤一中所述姿态校正部分还包括以下步骤：步骤111计算三维模型的中心，将三维模型平移至以该模型的中心为原点的坐标系上。步骤112通过PCA（主成分分析，PrincipalComponentAnalysis）方法（参见文献1：PearsonK.Onlinesandplanesofclosestfittosystemsofpointsinspace[J].PhilosophicalMagazine,1901,2(6):559-572.提出的）计算模型的主轴方向。步骤113将模型所在坐标系的各个坐标轴方向调整为PCA方法得到的主轴方向。

本发明步骤一中所述尺度归一化部分还包括以下步骤：步骤121计算三维模型的中心以及三维模型上的各个顶点到中心的距离。步骤122，以最长的距离作为单位长度对各个顶点进行归一化。

本发明步骤一中所述三维模型类别判断部分还包括以下步骤：步骤131对每个三维模型进行特征提取，得到三维模型的特征。步骤132利用已有三维模型集每个模型的特征和类别标记作为训练集进行有监督学习，得到三维模型类别的分类器。步骤133，对于不在步骤132中已有三维模型集里的三维模型，使用步骤132得到的分类器该三维模型确定所属类别，并加入三维模型集相应类别中，得到完全分好类的三维模型集M＝{M_L,…,M_n}，其中n为三维模型的数量。

本发明步骤二中所述三维模型视图采样部分还包括以下步骤：步骤211生成初始能够包围三维模型的正二十面体，对正二十面体进行曲面细分得到离散化的视点位置。步骤212，在每个视点上取得三维模型的投影，得到三维模型的多个二维视图。

本发明步骤二中所述视图特征提取部分还包括以下步骤：步骤221三维模型的二维视图经二值化处理后变成二值图像。步骤222对得到的二值图像提取傅里叶描述子。步骤223对得到的二值图像提取Zernike矩描述子。步骤224合并傅里叶描述子和Zernike矩描述子作为视图的特征。

本发明步骤二中所述三维模型视图聚类部分还包括以下步骤：步骤231，对每个模型的所有视图按照提取的特征，使用k-means算法聚类，考虑到工程中一个物体往往由主视图、俯视图、左视图、右视图、仰视图以及后视图组成的六视图来表示，再加上为其他转面视图如正侧视图等提供的冗余类别，将聚类数设定为10，这样的聚类数也可以得到计算效率和最终效果的平衡，在实际应用中也可以根据自身计算能力对聚类数进行调整。步骤232，将特征向量在欧式距离上最接近聚类中心的视图被选为候选视图，得到每个模型M_i的候选视图集合1≤1≤n。

本发明步骤三中所述距离计算部分还包括以下步骤：步骤311对每个模型M_i的每个候选视图计算到其他模型M_j的各个视图的距离，1≤i≤n，1≤k≤10，1≤j≤n，1≤l≤10。步骤312取得距离的最小值作为当前视图到M_j的距离，并记录对应M_j的视图，作为模型M_j相对于视图的代表视图。

本发明步骤三中所述最优视图学习部分还包括以下步骤：步骤321对三维模型M_i的每个候选视图，以该视图以及其他三维模型相对于视图的代表视图的特征向量和类别标记作为训练集集，训练分类器，并进行交叉验证。步骤322对三维模型的每个视图得到的分类错误率升序排列，排序最靠前二维视图的为所属三维模型的最优视图。

本发明不同于已有的最优视图几何度量标准的大量研究，本发明采用另外一种评价标准：属于同类的三维模型具有相似的特征，这些特征使得不同类的模型能够相互区分，同类模型的最优视图在形状上中也具有相似性。这样，一个三维模型的最优视图就是能将其与所在数据集中其它类别的模型区分开的视图。这样可以联系到数据集中的上下文信息以及数据集中所属类别的语义信息，将语义信息与几何信息进行关联，而这在前一种定义中是被忽视的，三维模型的最优视图选择问题就可以划归为特征选择和形状相似性的机器学习问题，而这些在基于二维视图的三维模型检索问题中得到了大量的研究，差别在于三维模型检索需要最大化形状相似性，而在这里需要增加一些限制，即最大化同类模型的相似性，最小化异类模型的相似性，然后以数据驱动的方法加以解决。采用区分性作为最有视图的选择标准，是的本发明区别于以往传统的主观选择方法，使得本发明的选择方法建立在客观量化的评价标准上，实现了技术上的可重复再现性，满足了工业计算机领域图形图像处理的基本要求。

有益效果：本发明具有以下优点：首先，本发明是一种通用的最优视图选择方法，可以适用于多种类别的三维模型；其次，本发明得到的同类别三维模型的最优视图具有较高的姿态一致性；最后，本发明得到的最优视图随着数据集和分类的不同而变化，适合于三维数据集的高效浏览。

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2是实施例的输入模型集示例示意图。

图3a是三维模型视图采样前选取的视点示意图。

图3b是对三维模型视图采样得到的部分二维视图示意图。

图4a是对三维模型采样得到的二维视图进行聚类的结果示意图。

图4b是对三维模型采样得到的二维视图进行聚类得到的候选视图示意图。

图5a～5d是对三维模型提取得到的最优视图的示意图。

具体实施方式：

如图1所示，本发明公开的一种三维模型最优视图的自动选择方法，具体包括以下步骤：

步骤一，三维模型集预处理：对输入的三维模型进行预处理以减少三维模型不同姿态以及缩放尺度的影响，并得到所有模型的类别，包括姿态校正、尺度归一化以及三维模型类别判断三个步骤。

步骤二，候选视图选取：候选视图选取过程采样三维模型的各个视图，并提取特征和聚类，得到三维模型的少量较有代表性的候选视图：包括三维模型视图采样、视图特征提取和视图聚类三个步骤。

步骤三，视图评价：对三维模型的候选视图排序，选择排序靠前的视图为最优视图，包括距离计算和最优视图学习两个步骤。

本发明的输入三维模型集为含有已分好类且有类别标记的的三维模型集合。

下面具体介绍各个步骤的主要流程：

1.三维模型集预处理

三维模型集预处理：对输入的三维模型进行预处理以减少三维模型不同姿态以及缩放尺度的影响，并得到所有模型的类别，包括姿态校正、尺度归一化以及三维模型类别判断三个步骤。

1.1.姿态校正

姿态校正过程调整三维模型的坐标系，将三维模型的姿态校正为直立状态，减少三维模型不同姿态的影响。过程如下

步骤1通过对三维模型顶点坐标进行排序，得到三维模型在原坐标系上x轴方向上的最大值x_max及最小值x_min，y轴方向上的最大值y_max及最小值y_min，以及z轴方向上的最大值z_max及最小值z_min。得到三维模型的中心的坐标(x_center，y_center，z_center)＝((x_max-x_min)/2,(y_max-y_min)/2,(z_max-z_min)/2，将三维模型每个顶点的坐标减去中心坐标，顶点间的的连接关系保持不变，设原顶点的坐标为(x，y，z)，那么对应的新的顶点的坐标为(x-x_center，y-y_center，z-z_center)。这样就使得三维模型平移至以该模型的中心为原点的坐标系上。

步骤2通过主成分分析(Principalcomponentanalysis，PCA)方法计算模型的主轴方向，设三维模型顶点坐标组成的矩阵

其中n为三维模型顶点个数，然后计算X中每列坐标的平均值

$x_i=\frac{1}{n}{\mathrm{\Σ}}_{k=1}^n{x}_{\mathrm{ki}},$

其中为i为列号i＝1,2,3，将X中每列减去相应的平均值x_i得到新的矩阵

$B=\left[\begin{array}{ccc}{x}_{11}-x_1& x_{11}-x_1& x_{11}-x_1\\ .& .& .\\ .& .& .\\ .& .& .\\ x_{n1}-x_1& x_{11}-x_1& x_{11}-x_1\end{array}\right],$

得到协方差矩阵

$S=\frac{1}{n-1}{\mathrm{\Σ}}_{k=1}^{n}B\·B^{\′},$

对协方差矩阵S进行对角化

Sq_i＝λ_iq_i,i=1,2,3，

得到3个特征向量q₁,q₂,q₃和特征值λ₁,λ₂,λ₃，特征向量q₁,q₂,q₃分别对应调整后的坐标系的x轴、y轴、z轴方向。

步骤3将模型所在坐标系的各个坐标轴方向调整为主成分分析方法得到的三个主成分轴方向，新的顶点坐标组成的矩阵X′＝x·[q₁,q₂,q₃]。

1.2.尺度归一化。

尺度归一化过程将三维模型的大小归一化为单位长度，减少三维模型不同缩放尺度的影响。过程如下：

步骤1当前坐标系下三维模型的中心即为坐标原点，三维模型上的各个坐标为(x_i,y_i,z_i)的顶点到中心的距离为

$d_i=\sqrt{x_i^2+y_i^2+z_i^2},i=\mathrm{1,2}...n.$

步骤2以d_i中最长的距离d_max作为单位长度，将三维模型上各个顶点的坐标除以该距离，进行尺度归一化，新的顶点坐标组成的矩阵X″=X′./d_max。

1.3.三维模型类别判断

三维模型类别判断过程根据已有三维模型集来确定不在该集合中未分类三维模型的所属类别，对于已在在该集合中的三维模型则略过此步骤。过程如下：

步骤1对每个三维模型进行特征提取，得到三维模型的特征，所提取特征为文献9：VranicDV,SaupeD.3Dmodelretrieval.Proc.oftheSpringConferenceonComputerGraphicsanditsApplications(SCCG2000),Budmerice,2000:89～93.提出的由186维的深度视图特征、150维的轮廓特征、136维的射线特征组成的混合描述子，将这些特征组合起来成为每个三维模型的特征向量。

步骤2利用三维模型集每个已分类模型的特征和相应的类别标记作为训练集，应用AdaBoost算法进行有监督学习，由于三维模型集中有较多类别，因此使用一对多分类策略将多分类问题转为多个二分类问题，在训练时当前类别的样本归为一类，其他剩余的样本归为另一类，得到三维模型类别的分类器。

步骤3对于不在数据集里的新模型，向分类器输入步骤1中提取的特征，使用步骤2中得到的分类器确定模型所属类别，并加入三维模型集中相应类别。

2.候选视图选取

候选视图选取过程采样三维模型的各个视图，并提取特征和聚类，得到三维模型的少量较有代表性的候选视图：包括三维模型视图采样、视图特征提取和视图聚类三个步骤。

2.1.三维模型视图采样

三维模型视图采样过程将连续分布的视点离散化，减小样本空间。过程如下：

步骤1采用文献3所述的伪均匀法来离散化视点，根据文献10：M.Woo,J.Neider,T.Davis,D.Shreiner.OpenGLProgrammingGuide,Addison-Wesley,1999:2.10.中生成正二十面体的方法，可以得到以坐标原点为体心的正二十面体12个顶点的坐标为 $(0,\±1,\±(1+\sqrt{5})/2),(\±1,\±(1+\sqrt{5})/\mathrm{2,0}),(\±(1+\sqrt{5})/\mathrm{2,0},\±1).$ 通过扩张这个正二十面体体心到每个顶点的距离，可以生成初始能够包围三维模型的正二十面体，对正二十面体循环进行Loop曲面细分，在三角形面片每边的中点处插入新顶点，并将其两两相连，使每个三角形面片剖分为4个三角形面片，Loop曲面细分算法对每个顶点及其相邻顶点计算权重得到新的顶点位置，通过执行2次Loop曲面细分，得到离散化的162个均匀分布的视点位置。

步骤2三维模型表面渲染为黑色，且不加光照，在每个视点上，以视点到模型中心即坐标系原点作为相机的方向，取得三维模型在该方向上的投影，得到三维模型的多个二维视图；

2.2.视图特征提取

视图特征提取过程提取描述每个视图特征的特征向量。过程如下：

步骤1以127为阈值，将三维模型M_i的每个二维视图中灰度值大于127的像素置为1即白色，将灰度值小于或等于127的像素置为0即黑色，经过这样的二值化处理后，每个二维视图变成仅由黑白两色组成的二值图像。

步骤2使用文献11：JohnCanny.AComputationalApproachtoEdgeDetection[J].IEEETrans.PatternAnalysisandMachineIntelligence(S0162-8828)，1986，8(6)：679-698.提出的Canny算子提取对应二值图像的轮廓，对轮廓序列进行傅里叶变换（FastFouriertransform，FFT）得到傅里叶系数令得到平移不变性。令得到缩放不变性。令FC＝|FC|，得到旋转不变性。进行以上归一化操作后，取前m个低频分量作为视图的傅里叶描述子，记为其中1≤i≤n，1≤k≤10，1≤j≤m，｜·｜为取绝对值运算。

步骤3以对应二值图像的中心作为原点，把所有像素的坐标映射到以原点为圆心的单位圆中，得到平移和缩放的不变性。然后，使用0到l阶正交的Zernike多项式展开图像。最后，为了得到旋转不变性，取得系数的振幅作为视图的Zernike矩描述子，记为1≤i≤n，1≤k≤10，1≤j≤l。

步骤4合并傅里叶描述子和Zernike矩描述子作为视图的特征向量，采用文献12：DChen,XTian,YShen,etal.Onvisualsimilaritybased3Dmodelretrieval[J].ComputerGraphicsForum,2003,22(3):223-232.的参数，使用0阶到l＝10阶的35个Zernike矩描述子和前m＝10个傅里叶描述子，三维模型M_i将由n个视图的45维的特征向量表示，记为

$F_i^k=\{F_i^{k1}=\mathrm{\α}\·f{d}_i^{k1},\·\·\·,F_i^{k10}=\mathrm{\α}\·{\mathrm{fd}}_i^{k10},F_i^{k11}=\mathrm{\β}\·\mathrm{zm}{d}_i^{k1},\·\·\·,F_i^{k45}=\mathrm{\β}\·$ $\mathrm{zm}{d}_i^{k35}\},1\≤i\≤n,1\≤k\≤10$

其中α和β分别为傅里叶描述子和Zernike矩描述子的权重,参数α和β采用文献13：ZhangD,LuG.AnIntegratedApproachtoShapeBasedImageRetrieval.Proc.of5thAsianConferenceonComputerVision(ACCV),Melbourne,Australia,Jan.2002,652–657.在实验得到的具有最佳检索性的参数α＝0.7，β＝0.3。

2.3.视图聚类

视图聚类过程将相似度较高的视图聚集在一起，使得视图集合约减为数量较小、相似度较低的视图子集。过程如下：

步骤1对每个模型的所有视图按照提取的特征，使用k-means算法将二维视图聚成10类，其中两个视图距离为相应的特征向量的欧式距离：

$\mathrm{dist}(V_i^k,V_j^l)=\mathrm{dist}(F_i^k,F_j^l)=\left|\right|F_i^k-F_j^l\left|\right|,$

，其中|｜·｜｜是欧式范数，由此定义两个视图的相似度为

$\mathrm{similarity}(V_i^k,V_j^l)=\frac{1}{\mathrm{dist}(V_i^k,V_j^l)},$

这样将相似度较高的视图聚集在一起。

步骤2将特征向量在欧式距离上最接近聚类中心的视图被选为候选视图。得到每个三维模型Ｍ_i的候选视图集合1≤i≤n。

3.视图评价

视图评价过程对三维模型的候选视图排序，选择排序靠前的视图为最优视图，包括距离计算和最优视图学习两个步骤。

3.1.距离计算

距离计算过程得到候选视图与其他三维模型的距离以及不同模型间相对应的视图。过程如下：

步骤1，每个三维模型M_i的每个候选视图计算到其他三维模型M_j的各个视图的距离，计算公式如下

$\mathrm{dist}(V_i^k,V_j^l)=\mathrm{dist}(F_i^k,F_j^l),$

对每个模型M_i的每个候选视图计算到其他模型M_j的各个视图的距离，1≤k≤10，1≤j≤n，1≤l≤10。

步骤2，取得距离的最小值作为当前视图到M_j的距离，这样，模型M_i的视图与数据库中其他模型M_j的相异性为其特征向量与M_j所有视图特征向量距离的最小值，即：

$\mathrm{dist}(V_i^k,M_j)=\mathrm{dist}(F_i^k,M_j)=\min \left(\mathrm{dist}(F_i^k,F_j^l)\right),$

并记录M_j相对应的视图，作为模型M_j相对于视图的代表视图，。

3.2.最优视图学习

最优视图学习过程中对每个候选视图训练分类器，并进行交叉验证，按错误率升序排列，排序最靠前的为最优视图。过程如下：

步骤1对三维模型M_i的的每个候选视图，以该视图以及其他三维模型相对于视图的代表视图的特征向量和类别标记作为训练集，采用文献14：BreimanL.Randomforests[J].MachineLearning,2001,45:5-32.提出的随机森林算法，将许多决策树作为弱分类器集成为一个强的分类器，训练得到一个二值分类器，其定义为：

对分类器进行5折交叉验证，即将所有视图平均分成5份，每次以1份样本作为验证分类错误率的数据，其余4份作为训练分类器的数据，一共重复5次，对每次交叉验证的分类错误率进行累加，得到每次交叉验证的平均分类错误率。

步骤2对三维模型的每个视图对应的分类器得到的分类错误率按升序进行排列，排序最靠前，也即平均分类错误率最小的分类器对应的二维视图的为所属三维模型的最优视图。

实施例

本实施例中，如图2所示为输入的三维模型集合，通过本发明所述的三维模型最优视图的自动选择方法，可以得到图2中每个三维模型如。具体实施过程如下：

步骤一中，三维模型经过姿态校正过程、尺度归一化过程后，判断出无类别标记的三维模型的类别，并添加相应类别标记。

步骤二中，三维模型视图采样过程生成包围模型的多面体，以顶点作为视点，如图3a所示，在每个视点上取得三维模型的投影，得到三维模型的多个二维视图，如图3b所示，再通过视图特征提取过程提取图3b中每个二维视图的特征，然后，通过视图聚类过程对视图特征进行聚类，得到如图4a所示的聚类结果，最接近聚类中心的视图被选为候选视图，如图4b所示。

步骤三中，通过视图距离计算部分得到图4b中候选视图与其他三维模型的距离以及不同模型间相对应的视图，然后，通过最优视图学习部分得到图5a～图5d所述所示的三维模型最优视图，其中图5a为输入的未分类模型被分类成为飞机类别都得到的最优视图，图5a、图5b所示的飞机类别模型最优视图均为俯视视图，具有相似的视图角度，与飞机类别模型不同，图5c所示的植物类别模型最优视图为侧视图，图5d所示的四足动物类别模型的最优视图为正侧视图，而这些结果与人眼对模型类别的判断也是有利的。

本发明提供了一种三维模型最优视图的自动选择方法的思路，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 (1)

1.一种三维模型最优视图的自动选择方法，其特征在于，包括以下步骤：

步骤一，三维模型集预处理：对输入的三维模型集中的各个三维模型进行预处理，得到所有三维模型的类别，包括姿态校正、尺度归一化以及三维模型类别判断三个步骤，所述三维模型集中每个三维模型设有类别标记；

姿态校正过程调整三维模型的坐标系，将三维模型的姿态校正为直立状态；

尺度归一化过程将三维模型的大小归一化为单位长度；

三维模型类别判断过程根据已有三维模型集来确定不在三维模型集中未分类三维模型的所属类别；

步骤二，候选视图选取：采样三维模型的各个视图，并提取特征和聚类，得到三维模型的一组候选视图：包括三维模型视图采样、视图特征提取和视图聚类三个步骤：

三维模型视图采样过程将连续分布的视点离散化；

视图特征提取过程提取描述每个视图的特征向量；

视图聚类过程将相似度大于阈值的视图聚集在一起，然后生成候选视图子集；

步骤三，视图评价：对三维模型的候选视图排序，选择排序靠前的视图为最优视图，包括距离计算和最优视图学习两个步骤：

距离计算过程计算候选视图与三维模型集中其他三维模型的距离以及不同三维模型对应的视图；

最优视图学习过程中对每个候选视图训练分类器，并进行交叉验证，按错误率升序排列，排序最靠前的为最优视图；

步骤一中所述姿态校正部分包括以下步骤：

步骤111，计算三维模型的中心，将三维模型平移至以该三维模型的中心为原点的坐标系上；

步骤112，通过PCA方法计算三维模型的主轴方向；

步骤113，将三维模型所在坐标系的各个坐标轴方向调整为PCA方法得到的主轴方向；

步骤一中所述尺度归一化部分包括以下步骤：

步骤121，计算三维模型的中心以及三维模型上的各个顶点到中心的距离；

步骤122，以最长的距离作为单位长度对各个顶点进行归一化；

步骤一中三维模型类别判断部分包括以下步骤：

步骤131，对每个三维模型进行特征提取，得到三维模型的特征；

步骤132，利用已有三维模型集中每个三维模型的特征和类别标记作为训练集进行学习，得到三维模型类别的分类器；

步骤133，对于不在步骤132中已有三维模型集里的三维模型，使用步骤132得到的分类器该三维模型确定所属类别，并加入三维模型集相应类别中，得到完全分好类的三维模型集M＝{M₁，...，M_n}，其中n为三维模型的数量；

步骤二中三维模型视图采样部分包括以下步骤：

步骤211，利用预先定义的正二十面体的坐标生成初始包围三维模型的正二十面体，对正二十面体进行曲面细分得到离散化的视点位置；

步骤212，在每个视点上计算三维模型的投影，得到三维模型的多个二维视图；

步骤二中视图特征提取部分包括以下步骤：

步骤221，将三维模型的二维视图二值化处理后变成二值图像；

步骤222，对得到的二值图像提取傅里叶描述子；

步骤223，对得到的二值图像提取Zernike矩描述子；

步骤224，合并傅里叶描述子和Zernike矩描述子作为视图的特征；

步骤二中视图聚类部分包括以下步骤：

步骤231，对每个三维模型的所有视图按照提取的特征，使用k-means算法聚类，步骤232，将特征向量在欧式距离上最接近聚类中心的视图选为候选视图，得到每个三维模型M_i的候选视图集合1≤i≤n，1≤k≤10；

步骤三中视图距离计算部分包括以下步骤：

步骤311，对每个三维模型M_i的每个候选视图计算到其他三维模型M_j的各个视图的距离，1≤k≤10，1≤j≤n，1≤l≤10；

步骤312，将距离的最小值作为当前候选视图到三维模型M_j的距离，并记录对应三维模型M_j的视图作为三维模型M_j相对于候选视图的代表视图；

步骤三中最优视图学习部分包括以下步骤：

步骤321，对三维模型M_i的每个候选视图以该视图以及其他三维模型相对于该视图的代表视图的特征向量和类别标记作为训练集，训练分类器，并进行交叉验证；

步骤322，对三维模型的每个视图得到的分类错误率升序排列，输出排序最靠前二维视图作为所属三维模型的最优视图。