CN106327572A - 一种三维场景中模型合并的方法及装置 - Google Patents

Abstract

本申请公开一种三维场景中模型合并的方法及装置。该方法包括：根据模型材质将三维场景中的第一模型分配到至少一个集合中；根据K‑means算法将每个集合中的所述第一模型分成至少一个聚类；以及将每个聚类中的所述第一模型合并为第二模型。该方法可以自动化合并模型，减少人工管理成本。

Description

一种三维场景中模型合并的方法及装置

技术领域

本发明涉及模型合并领域，具体涉及一种三维场景中模型合并的方法及装置。

背景技术

计算机在制作包括3D模型文件的时候，记录的是模型顶点、边或者面的信息，这些模型并没有成为实际的像素，在实际3D模型的显示过程中，材质信息，光影信息等都是被独立计算，然后显示在屏幕上的。3D渲染就是给场景着色，将场景中的灯光及对象根据材质处理成不同的图像形式，能把模型表现得更加具体。在3D场景渲染中，主要渲染的部件是模型，而模型的渲染批次在手机等移动GPU上对设备性能有很大影响，批次越高渲染效率越低。

3D场景渲染所要解决的技术问题主要有几个：1)模型加载时对手机等移动GPU运行加载性能要求较高；2)不同3D场景之间，虽然模型差异较大，但有部分公用资源；3)3D模型通过gim和mesh文件加载，模型里面可以有子模型；4)待渲染的3D模型数量多，而单个模型的尺寸小；5)3D场景里面不同的模型越多，渲染效率越低，6)在3D模型合并操作时，满足材质相同等条件时，才可将模型合并。

目前为了优化渲染效率，普遍采用的方式是将大部分小模型通过人工挑选的方式合并到一个大模型中，这样就减少了不同模型的数量，使得渲染效率提高。但这种方式有需要人工干预合并方式，管理成本太高；并且可能造成单个场景内模型过多，合并后的顶点数量超出了设备所能支持的顶点数量的限制，从而导致无法在场景中创建模型；或者合并后的模型过大，使得加载过慢。

因此，需要一种新的模型合并的方法及装置。

在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明提供一种三维场景中模型合并的方法以及系统，能够减少人工成本，提高用户体验。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明的一方面，提供一种三维场景中模型合并的方法，包括：根据模型材质将三维场景中的第一模型分配到至少一个集合中；根据K-means算法将每个集合中的第一模型分成至少一个聚类；以及将每个聚类中的第一模型合并为第二模型。

根据本发明的一实施方式，第一模型包括：多个顶点、多个面及模型材质。

根据本发明的一实施方式，根据K-means算法将每个集合中的第一模型分成至少一个聚类包括：根据K-means算法将每个集合中的第一模型分成K个初始聚类，其中K为正整数；计算每个初始聚类中的均方差、每个初始聚类中的第一模型的顶点的总和及每个初始聚类中的第一模型的面的总和；以及分别将均方差阈值与每个初始聚类中的均方差、顶点阈值与顶点的总和及面阈值与面的总和进行比较，以将每个集合中的第一模型分成至少一个聚类。

根据本发明的一实施方式，K＝1。

根据本发明的一实施方式，步骤a)包括：根据K-means算法，基于每个集合中的第一模型之间的欧几里得距离，分成K个初始聚类。

根据本发明的一实施方式，步骤c)包括：当每个初始聚类中的均方差大于均方差阈值时，使K＝K+1，并重新执行步骤a)至步骤c)；当每个初始聚类中的均方差小于或等于均方差阈值时，比较顶点的总和与顶点阈值。

根据本发明的一实施方式，步骤c)还包括：当顶点的总和大于顶点阈值时，使K＝K+1，并重新执行步骤a)至步骤c)；当所述顶点的总和小于或等于顶点阈值时，比较面的总和与面阈值。

根据本发明的一实施方式，步骤c)还包括：当面的总和大于面阈值时，使K＝K+1，并重新执行步骤a)至步骤c)。

根据本发明的一实施方式，还包括：根据第二模型，更改三维场景中的模型引用关系。

根据本发明的一实施方式，材质包括第一模型中使用的绘制方法和贴图的分类。

根据本发明的另一个方面，提供一种三维场景中模型合并的装置：包括：材质分类模块，用于根据模型材质将三维场景中的第一模型分配到至少一个集合中；模型分类模块，用于根据K-means算法将每个集合中的第一模型分成至少一个聚类；模型合并模块，用于将每个聚类中的第一模型合并为第二模型。

根据本发明的一实施方式，第一模型包括：多个顶点、多个面及所述模型材质。

根据本发明的一实施方式，模型分类模块还包括：均方差阈值判断子模块，用于判断聚类中的均方差数值是否超过均方差阈值；顶点阈值判断子模块，用于判断聚类中模型顶点总数是否超过顶点阈值；面阈值判断子模块，用于判断聚类中模型面总数是否超过面阈值；K-means算法子模块，用于根据K-means算法将集合中的模型分成k个初始聚类。

根据本发明的一实施方式，还包括：引用模块，用于根据第二模型，更改三维场景中的模型引用关系。

根据本发明三维场景中模型合并的方法，可以无需人工干预地自动化合并模型，减少了人工管理成本。

另外，根据一些实施例，模型大小可由预先设定的顶点和面数上限控制，不会出现模型过大导致的加载问题。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。

附图说明

通过参照附图详细描述其示例实施例，本发明的上述和其它目标、特征及优点将变得更加显而易见。

图1是根据一示例性实施方式示出的一种三维场景中模型合并的方法流程图。

图2是根据一示例性实施方式示出的另一种三维场景中模型合并的方法流程图。

图3是根据一示例性实施方式示出的另一种三维场景中模型合并的方法流程图。

图4是根据一示例性实施方式示出的再一种三维场景中模型合并的方法流程图。

图5是根据一示例性实施方式示出的一种三维场景中模型合并的装置框图。

图6是根据一示例性实施方式示出的另一种三维场景中模型合并的装置框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明的描述将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、步骤等。在其它情况下，不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本发明的各方面变得模糊。

图1是根据一示例性实施方式示出的一种三维场景中模型合并的方法的流程图。如图1所示，该合并方法10包括：

在步骤S102中，根据模型材质将三维场景中的第一模型分配到至少一个集合中。

在三维场景渲染中，主要渲染的部件是第一模型，例如场景模型。在一个场景渲染中，包含很多个第一模型，这些第一模型数量多而单个第一模型的尺寸又很小，本实施例将数量众多的第一模型，根据材质的不同，分配到不同的集合中。在本实施例中，每个第一模型均包括：多个顶点、多个面及一个模型材质。模型材质包括模型中使用的绘制方法和贴图的分类。如果两个不同模型使用了同一种绘制方法和相同的一张或多张贴图，就可以认为是使用了相同的材质。在本实施例中，绘制方法是有限的分类集合。例如，三维场景中第一模型共有3种材质，在计算时，该三维场景中的第一模型将会被分成3个集合，分别为第一集合、第二集合以及第三集合。

在步骤S104中，根据K-means算法将每个集合中的第一模型分成至少一个聚类。

K-means算法又称为聚类算法，算法目的是把相似的东西分到同一个聚类中，是很典型的基于距离聚类的算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。聚类算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。在K-means算法中，因为距离所分成的不同小簇称为聚类。

在本实施例中，对上文所述的不同的集合，分别利用K-means算法进行分类，将每一个集合再分成若干个聚类。例如，三维场景中第一模型共有3种材质，在计算时，该三维场景中的第一模型将会被分成3个集合，分别为第一集合、第二集合以及第三集合。在本步骤中，将会对第一集合、第二集合以及第三集合分别利用K-means算法进行计算，逐一将上述三个集合再分成若干个聚类。

在步骤S106中，将每个聚类中的第一模型合并为第二模型。

将上文所述的聚类中的模型进行合并，每一个聚类中所有的第一模型均合并在一起，合并生成一个第二类模型。在模型的合并中，合并表示将相同材质但属性不同的相同或不同第一模型，重新组织模型的表示方式。模型属性包括，例如：模型的坐标、朝向、缩放比例。多个第一模型合并之后为第二模型。在对三维场景模型的实际的合并操作中，第一模型的合并是将多个第一模型的边进行合并，顶点也进行合并。

利用本实施例的方法，通过K-means算法进行第一模型的分类，通过分类后的聚类，后续合并算法而可以无需人工干预地自动化合并模型，减少了人工管理成本。

应清楚地理解，本发明描述了如何形成和使用特定示例，但本发明的原理不限于这些示例的任何细节。相反，基于本发明公开的内容的教导，这些原理能够应用于许多其它实施方式。

图2是根据一示例性实施方式示出的另一种三维场景中模型合并的方法的流程图。该合并方法20是对图1所示的合并方法10中步骤S104的进一步说明，即步骤S104进一步包括：

在步骤S202中，根据K-means算法将每个集合中的第一模型分成K个初始聚类。

根据K-means算法，基于每个集合中的第一模型之间的欧几里得距离，将集合中的第一模型分成K个初始聚类。欧几里得距离，也称为欧几里得度量(euclidean metric)，是一个通常采用的距离定义，是指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。

在步骤S204中，计算每个初始聚类中的均方差、每个初始聚类中的第一模型的顶点的总和及每个初始聚类中的第一模型的面的总和。

计算每个聚类中的均方差(MSE，Mean Squared Error)，MSE为各测量值的误差平方和SSE(Sum of Squared Error)的平均值的平方根，即误差平方和的算术平方根，MSE＝sqrt(SSE/n)。计算每个初始聚类中第一模型的顶点的总和。顶点总和指的是合并后单个模型的顶点总数，即一个聚类中所有第一模型的顶点个数的总和。计算每个初始聚类中第一模型的面的总和。面总和指的是合并后单个模型的面总数，即一个聚类中所有第一模型的面数的总和。

在步骤S206中，分别将均方差阈值与每个初始聚类中的均方差、顶点阈值与顶点的总和及面阈值与面的总和进行比较，以将每个集合中的第一模型分成所述至少一个聚类。

将均方差阈值与每个初始聚类中的均方差、顶点阈值与顶点的总和及面阈值与面的总和进行比较，以将每个集合中的第一模型分成不同的聚类。

利用本实施例的方法，第一模型合并之后形成的第二模型的大小可由预先设定的顶点和面数上限控制，不会出现模型过大导致的加载问题。而且，根据本实施例的方法，使用了均方差阈值和K-means方法来控制合并的区域，使得合并的区域都是足够靠近的，这样就可以实现分区域异步加载，提高用户体验。

图3是根据一示例性实施方式示出的另一种三维场景中模型合并的方法流程图。该合并方法30是对图1所示的合并方法10中步骤S104的进一步说明，即步骤S104进一步包括：

在步骤S302中，根据K-means算法将每个集合中的第一模型分成K个初始聚类。

公式为在本实施例中，变量K为K-means算法中，集合被分成的聚类数量，k为正整数。K的初始值为1。即为，本实施例K-means算法进行的第一步，每个集合被分成了一个聚类。

根据后续算法的迭代演算，当k>1时，例如，k＝3时，K-means算法的基本思想是：首先从集合的第一模型中选取3个第一模型作为初始聚类的中心，而对于该集合中所剩下其它第一模型，则根据它们与这些聚类中心(选取出的第一模型)的相似度(距离远近)，分别将它们分配到与其最相似的(聚类中心所代表的)聚类中。

在步骤S304中，计算每个初始聚类中的均方差。

计算每个聚类中的均方差MSE，它是用来度量聚类效果的一个指标。MSE计算的就是一个聚类中的每个第一模型到作为聚类中心的第一模型的平方差，它可以度量聚类的好坏。MSE越小，聚类效果越好。

在步骤S306中，每个初始聚类中的均方差是否大于均方差阈值。

判断每个初始聚类中的均方差是否大于均方差阈值，如果该集合中任意一个聚类的均方差大于均方差阈值，则进行步骤S318；如果该集合的所有的聚类的均方差均不大于均方差阈值则进行步骤S308。均方差阈值为一个预先设定的数值，可根据不同的三维场景以及所运行不同软硬件环境设定。

在步骤S308中，计算每个初始聚类中第一模型的顶点的总和。

计算每个初始聚类中第一模型的顶点的总和。顶点总和指的是合并后单个模型的顶点总数，即一个聚类中所有第一模型的顶点个数的总和。

在步骤S310中，判断每个初始聚类中顶点的总和是否大于顶点阈值

顶点阈值为一个聚类中所有：指的是合并后单个模型的顶点上限，即一个聚类中各个第一模型的顶点个数的总和的上限。如果该集合中任一个聚类中顶点总数大于顶点阈值，则进行步骤S318；如果该集合的所有聚类中顶点总数均不大于顶点阈值则进行步骤S312。顶点阈值为一个预先设定的数值，可根据不同的三维场景以及所运行不同软硬件环境设定。

在步骤S312中，计算每个初始聚类中第一模型的面的总和。

计算每个初始聚类中第一模型的面的总和。面总和指的是合并后单个模型的面总数，即一个聚类中所有第一模型的面数的总和。

在步骤S314中，判断每个初始聚类中面的总和是否大于面阈值

面阈值指的是一个聚类中所有第一模型的面数的总和的上限。如果该集合的任一个聚类中面总数大于面阈值，则进行步骤S318；如果该集合的所有聚类中面总数均不大于面阈值则进行步骤S316。面阈值为一个预先设定的数值，可根据不同的三维场景以及所运行不同软硬件环境设定。

在步骤S316中，用k-means算法计算每一个集合。

对一个集合的第一模型进行上述的计算，最终将集合中的模型分成k的聚类。对于同一个场景下，不同的集合分别利用上述方法进行计算，得到最终的聚类。如图1实施例所述，三维场景模型中第一模型共有3种材质，在计算时，将会分成3个集合，分别为第一集合、第二集合以及第三集合。在本步骤中，将会对第一集合、第二集合以及第三集合分别利用K-means算法进行计算。例如第一集合按照k-means算法分成了3个聚类，第二集合按照k-means算法分成了2个聚类，第三集合按照k-means算法分成了4个聚类，则最终结果是，在该三维场景中，一共存在9个聚类。

在步骤S318中，k＝k+1

当不满足相应的而判断准则时，将k值增加后，返回步骤S302重新进行k-means算法的计算。

图4是根据一示例性实施方式示出的再一种三维场景中模型合并的方法的流程图。在合并方法10、20及30之后，合并方法40还可以进一步包括：在步骤S402中，根据第二模型，更改三维场景中的模型引用关系。

在K-means算法计算前三维场景中，模型的引用关系均为指向第一模型的引用关系。在模型合并结束后，更改模型的引用关系。例如，如果一个三维场景中，最初引用的是a,b,c,d,e这5个第一模型，在利用本发明所述方法进行第一模型分类并合并后，a、c合并为第二模型A，b、d合并为第二模型B，e没有进行合并。这时将这个三维场景中，对第一模型a、c的引用关系改为引用第二模型A；将这个三维场景中，对第一模型b、d的引用关系改为引用第二模型B；第一模型e由于没有进行合并，所以第一模型e的引用关系不变。在利用本发明方法计算之后的三维场景中，模型引用关系可为引用第一模型，也可为引用第二模型。

本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本发明示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

图5是根据一示例性实施方式示出的一种三维场景中模型合并的装置的框图。三维场景中模型合并的装置50包括：材质分类模块502、模型分类模块504、模型合并模块506以及引用模块508。

其中，材质分类模块502，用于根据模型材质将三维场景中的第一模型分配到至少一个集合中。

模型分类模块504，用于根据K-means算法将每个集合中的所述第一模型分成至少一个聚类。

模型合并模块506，用于将每个聚类中的所述第一模型合并为第二模型。

利用本实施例的方法，通过K-means算法进行第一模型的分类，通过分类后的聚类，后续合并算法而可以无需人工干预地自动化合并模型，减少了人工管理成本。

图6是根据一示例性实施方式示出的另一种三维场景中模型合并的装置的框图。与图5所示的装置50的不同之处仅在于，图6所示的装置60的模型分类模块604包括：均方差阈值判断子模块642、面阈值判断子模块644、顶点阈值判断子模块646以及K-means算法子模块648。

均方差阈值判断子模块642，用于判断聚类中的均方差数值是否超过均方差阈值；

顶点阈值判断子模块644，用于判断聚类中模型顶点总数是否超过顶点阈值；

面阈值判断子模块646，用于判断聚类中模型面总数是否超过面阈值；

K-means算法子模块648，用于根据K-means算法将所述集合中的模型分成k个初始聚类。

利用本实施例的方法，第一模型合并之后形成的第二模型的大小可由预先设定的顶点和面数上限控制，不会出现模型过大导致的加载问题。而且，根据本实施例的方法，使用了均方差阈值和K-means方法来控制合并的区域，使得合并的区域都是足够靠近的，这样就可以实现分区域异步加载，提高用户体验。

需要注意的是，上述附图中所示的框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (14)

1.一种三维场景中模型合并的方法，其特征在于，包括：

根据模型材质将三维场景中的第一模型分配到至少一个集合中；

根据K-means算法将每个集合中的所述第一模型分成至少一个聚类；以及

将每个聚类中的所述第一模型合并为第二模型。

2.如权利要求1所述的方法，其特征在于，所述第一模型包括：多个顶点、多个面及所述模型材质。

3.如权利要求1所述的方法，其特征在于，根据K-means算法将每个集合中的所述第一模型分成至少一个聚类包括：

a)根据K-means算法将每个集合中的所述第一模型分成K个初始聚类，其中K为正整数；

b)计算每个初始聚类中的均方差、每个初始聚类中的所述第一模型的顶点的总和及每个初始聚类中的所述第一模型的面的总和；以及

c)分别将均方差阈值与所述每个初始聚类中的均方差、顶点阈值与所述顶点的总和及面阈值与所述面的总和进行比较，以将每个集合中的所述第一模型分成所述至少一个聚类。

4.如权利要求3所述的方法，其特征在于，K＝1。

5.如权利要求3或4所述的方法，其特征在于，步骤a)包括：根据K-means算法，基于每个集合中的所述第一模型之间的欧几里得距离，分成所述K个初始聚类。

6.如权利要求5所述的方法，其特征在于，步骤c)包括：

当所述每个初始聚类中的均方差大于所述均方差阈值时，使K＝K+1，并重新执行步骤a)至步骤c)；

当所述每个初始聚类中的均方差小于或等于所述均方差阈值时，比较所述顶点的总和与所述顶点阈值。

7.如权利要求6所述的方法，其特征在于，步骤c)还包括：

当所述顶点的总和大于所述顶点阈值时，使K＝K+1，并重新执行步骤a)至步骤c)；

当所述顶点的总和小于或等于所述顶点阈值时，比较所述面的总和与所述面阈值。

8.如权利要求7所述的方法，其特征在于，步骤c)还包括：

当所述面的总和大于所述面阈值时，使K＝K+1，并重新执行步骤a)至步骤c)。

9.如权利要求1或2所述的方法，其特征在于，还包括：根据所述第二模型，更改所述三维场景中的模型引用关系。

10.如权利要求1或2所述的方法，其特征在于，所述材质包括所述第一模型中使用的绘制方法和贴图的分类。

11.一种三维场景中模型合并的装置，其特征在于，包括：

材质分类模块，用于根据模型材质将三维场景中的第一模型分配到至少一个集合中；

模型分类模块，用于根据K-means算法将每个集合中的所述第一模型分成至少一个聚类；以及

模型合并模块，用于将每个聚类中的所述第一模型合并为第二模型。

12.如权利要求11所述的装置，其特征在于，所述第一模型包括：多个顶点、多个面及所述模型材质。

13.如权利要求12所述的装置，其特征在于，所述模型分类模块包括：

均方差阈值判断子模块，用于判断聚类中的均方差数值是否超过均方差阈值；

顶点阈值判断子模块，用于判断聚类中模型顶点总数是否超过顶点阈值；

面阈值判断子模块，用于判断聚类中模型面总数是否超过面阈值；

K-means算法子模块，用于根据K-means算法将所述集合中的模型分成k个初始聚类。

14.如权利要求12所述的装置，其特征在于，还包括：引用模块，用于根据所述第二模型，更改所述三维场景中的模型引用关系。