CN106447624A - 一种基于l0范数的三维网格去噪方法 - Google Patents
一种基于l0范数的三维网格去噪方法 Download PDFInfo
- Publication number
- CN106447624A CN106447624A CN201610789943.6A CN201610789943A CN106447624A CN 106447624 A CN106447624 A CN 106447624A CN 201610789943 A CN201610789943 A CN 201610789943A CN 106447624 A CN106447624 A CN 106447624A
- Authority
- CN
- China
- Prior art keywords
- dimensional grid
- norm
- grid
- specially
- denoising method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种基于L0范数的三维网格去噪方法,所述方法包括下列步骤:获取三维网格的边及顶点;根据获取的三维网格的边及顶点设定优化目标;根据优化目标,引入拉普拉斯算子进行三维网格的优化,得到去噪后的三维网格。与现有技术相比,本发明具有计算快速、效率高、计算方便以及实现流畅等优点。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种基于L0范数的三维网格去噪方法。
背景技术
三维网格去噪是图形学处理的一个重要工具。因为依靠现有的三维扫描设备或三维重构算法得到的三维模型,不可避免的存在大量噪声。因此,不论从美学角度还是为了便于后续的图形学处理,都需要对三维网格进行去噪处理。
之前的去噪算法都是各向同性的,也就是说滤波器与表面的几何结构无关。Laplacian
平滑是一个比较基础的平滑算法,可以很有效的滤除噪声,但是并不能保护显著特征,导致网格表面收缩。Taubin从信号处理的角度,提出了一种不收缩的两步滤波算法。然而这种算法也具有计算速度慢、处理效率低等问题。
发明内容
本发明的目的是针对上述问题提供一种基于L0范数的三维网格去噪方法。
本发明的目的可以通过以下技术方案来实现:
一种基于L0范数的三维网格去噪方法,所述方法包括下列步骤:
1)通过OpenMesh获取三维网格的边及顶点;
2)根据步骤1)获取的三维网格的边及顶点设定优化目标;
3)根据优化目标,引入拉普拉斯算子进行三维网格的优化,得到去噪后的三维网格。
所述优化目标具体为:
minp,δ|p-p*|2+α|R(p)|2+β|D(p)-δ|2+λ|δ|0
其中,p为网格顶点,p*为初始网格顶点坐标,R(p)为正则化项,R(p)的第i项对应网格的第i条边的正则项,δ为辅助变量,λ为最终图像的平滑程度,α和β为优化参数。
所述正则化项R(p)具体为:
R(p)=(p1-p2+p3-p4)2
其中,p1、p2、p3和p4分别为三维网格的顶点。
所述步骤3)具体为:
31)固定网格顶点p优化辅助变量δ并进行求解,具体为:
minδβ|D(p)-δ|2+λ|δ|0;
32)固定辅助变量δ优化网格顶点p并进行求解,具体为:
minp|p-p*|2+α|R(p)|2+β|D(p)-δ|2;
33)判断优化参数是否达到迭代条件,若是则结束步骤3),得到优化后的三维网格,若否则返回步骤31)继续迭代。
所述迭代条件具体为:
β≥103。
所述求解通过Eigen库实现。
与现有技术相比,本发明具有以下有益效果:
(1)采用了OpenMesh获取三维网格的顶点和边,一方面减小了获取顶点和边的难度,另一方面这种方法灵活高效,可以快速方便地计算基于面积的边算子。
(2)利用Eigen库进行优化求解,由于Eigen库有效支持线性代数、矩阵和适量运算、数值分析及其相关算法,因此利用Eigen库进行优化求解,在实现过程中速度快且适用性良好,同时便于进行后续的算法扩展。
(3)在优化函数中引入了Laplacian算子,全面的考虑了三维网格的边拓扑和点拓扑,全面的考虑了几何和拓扑因素,增强了三维网格的去噪效果,去噪性能良好。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例提供了一种基于L0范数的三维网格去噪方法,该方法包括下列步骤:
1)通过OpenMesh获取三维网格的边及顶点;
2)根据步骤1)获取的三维网格的边及顶点设定优化目标;
3)根据优化目标,引入拉普拉斯算子进行三维网格的优化,得到去噪后的三维网格。
步骤2)中的优化目标具体为:
minp,δ|p-p*|2+α|R(p)|2+β|D(p)-δ|2+λ|δ|0
其中,p为网格顶点,p*为初始网格顶点坐标,R(p)为正则化项,R(p)的第i项对应网格的第i条边的正则项,δ为辅助变量,λ为最终图像的平滑程度,α和β为优化参数。
上述正则化项R(p)具体为:
R(p)=(p1-p2+p3-p4)2
其中,p1、p2、p3和p4分别为三维网格的顶点。
步骤3)具体为:
31)固定网格顶点p优化辅助变量δ并通过Eigen库进行求解,具体为:
minδβ|D(p)-δ|2+λ|δ|0;
32)固定辅助变量δ优化网格顶点p并通过Eigen库进行求解,具体为:
minp|p-p*|2+α|R(p)|2+β|D(p)-δ|2;
33)判断优化参数是否达到迭代条件β≥103,若是则结束步骤3),得到优化后的三维网格,若否则返回步骤31)继续迭代。
对上述步骤进行具体的实现,首先需要依赖两个重要的库:
a.OpenMesh
OpenMesh是一款强大的处理多边形网格的工具,它具有简单、高效、灵活的特点。多边形网格由几何(顶点)和拓扑(边、面)组成。多边形网格的数据结构因保存拓扑结构方式的不同而分成几类。基于面(face-based)的结构缺少边的显式表达,基于边的(edge-based)结构不够高效,因为缺少边的方向。OpenMesh采用了半边(Halfedge)的数据结构,克服了这种缺点。半边结构将每条边都分成方向相反的两条边,网格中的顶点、边和面都可以更加自然简洁的表示。在实现中,采用OpenMesh可以高效地获取边及其顶点,可以快速方便地计算基于面积的边算子。
b.Eigen
Eigen是一个高层次的C++库,有效支持线性代数,矩阵和矢量运算,数值分析及其相关的算法。
Eigen适用范围广,支持包括固定大小、任意大小的所有矩阵操作,甚至是稀疏矩阵;支持所有标准的数值类型,并且可以扩展为自定义的数值类型;支持多种矩阵分解及其几何特征的求解;它提供了许多专门的功能,如非线性优化,矩阵功能,多项式解算器,快速傅立叶变换等。在实现中,用Eigen的系数矩阵LU分解,求解Ax=b问题。
本实施例中,基于面积的边算子以边为中心,仅考虑与边有关的四个点。这仅考虑了边拓扑的因素,没有更全面地考虑顶点的几何因素。所以在优化函数中引入Laplacian算子,将几何和拓扑全面考虑。
新的优化函数可以表示为:
minp{(p)2+R(p)+(D(p))2+L(p)+j0}
基于0范数的三维网格去噪第四章算法实现式中L(p)为Laplacian算子。这并没有改变求解的过程,原方法仍然适用。
具体的算法流程如下:
实现的算法可以表示如下述算法–1:
算法-1基于0范数的三维网格去噪
输入:三维网格p_
输出:去噪后的三维模型p
1:参数初始化:103;0;0;p
2:while_<103)do
3:保持p不变,用式(3–2)解出_。
4:保持_不变,用SparseLU解式(3–7)得到p。
5:___;__/2
6:end while
对上述算法进行代码实现,使用的代码环境配置具体为:Microsoft VisualStudio 2012(x64,推荐使用Release版本);OpenMesh 4.1(官方网址http://www.openmesh.org/);Eigen 3.2.5(官方网址http://eigen.tuxfamily.org/);三维网格可以使用任意支持浏览三维模型的软件打开。编译后的exe为带参数的可执行文件。参数格式如下:
1Meshdenoising<input><output>(<option>)
其中<input>,<output>分别为有噪声的三维网格、去噪后三维网格的文件名。<option>为可选项,不存在时运行我改进的去噪版本,含任意字符时运行原文的去噪版本。
Claims (6)
1.一种基于L0范数的三维网格去噪方法,其特征在于,所述方法包括下列步骤:
1)通过OpenMesh获取三维网格的边及顶点;
2)根据步骤1)获取的三维网格的边及顶点设定优化目标;
3)根据优化目标,引入拉普拉斯算子进行三维网格的优化,得到去噪后的三维网格。
2.根据权利要求1所述的基于L0范数的三维网格去噪方法,其特征在于,所述优化目标具体为:
minp,δ|p-p*|2+α|R(p)|2+β|D(p)-δ|2+λ|δ|0
其中,p为网格顶点,p*为初始网格顶点坐标,R(p)为正则化项,R(p)的第i项对应网格的第i条边的正则项,δ为辅助变量,λ为最终图像的平滑程度,α和β为优化参数。
3.根据权利要求2所述的基于L0范数的三维网格去噪方法,其特征在于,所述正则化项R(p)具体为:
R(p)=(p1-p2+p3-p4)2
其中,p1、p2、p3和p4分别为三维网格的顶点。
4.根据权利要求2所述的基于L0范数的三维网格去噪方法,其特征在于,所述步骤3)具体为:
31)固定网格顶点p优化辅助变量δ并进行求解,具体为:
minδβ|D(p)-δ|2+λ|δ|0;
32)固定辅助变量δ优化网格顶点p并进行求解,具体为:
minp|p-p*|2+α|R(p)|2+β|D(p)-δ|2;
33)判断优化参数是否达到迭代条件,若是则结束步骤3),得到优化后的三维网格,若否则返回步骤31)继续迭代。
5.根据权利要求4所述的基于L0范数的三维网格去噪方法,其特征在于,所述迭代条件具体为:
β≥103。
6.根据权利要求5所述的基于L0范数的三维网格去噪方法,其特征在于,所述求解通过Eigen库实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610789943.6A CN106447624A (zh) | 2016-08-31 | 2016-08-31 | 一种基于l0范数的三维网格去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610789943.6A CN106447624A (zh) | 2016-08-31 | 2016-08-31 | 一种基于l0范数的三维网格去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106447624A true CN106447624A (zh) | 2017-02-22 |
Family
ID=58164048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610789943.6A Pending CN106447624A (zh) | 2016-08-31 | 2016-08-31 | 一种基于l0范数的三维网格去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106447624A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120069A (zh) * | 2019-03-26 | 2019-08-13 | 深圳大学 | 基于拉普拉斯算子的三角网格滤波方法及终端设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080316202A1 (en) * | 2007-06-22 | 2008-12-25 | Microsoft Corporation | Direct manipulation of subdivision surfaces using a graphics processing unit |
US20100290679A1 (en) * | 2007-10-19 | 2010-11-18 | Gasser Christian T | Automatic geometrical and mechanical analyzing method and system for tubular structures |
CN102592136A (zh) * | 2011-12-21 | 2012-07-18 | 东南大学 | 基于几何图像中中频信息的三维人脸识别方法 |
CN104598879A (zh) * | 2015-01-07 | 2015-05-06 | 东南大学 | 基于半刚性区域面部轮廓线的三维人脸识别方法 |
CN105096268A (zh) * | 2015-07-13 | 2015-11-25 | 西北农林科技大学 | 一种点云去噪平滑方法 |
-
2016
- 2016-08-31 CN CN201610789943.6A patent/CN106447624A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080316202A1 (en) * | 2007-06-22 | 2008-12-25 | Microsoft Corporation | Direct manipulation of subdivision surfaces using a graphics processing unit |
US20100290679A1 (en) * | 2007-10-19 | 2010-11-18 | Gasser Christian T | Automatic geometrical and mechanical analyzing method and system for tubular structures |
CN102592136A (zh) * | 2011-12-21 | 2012-07-18 | 东南大学 | 基于几何图像中中频信息的三维人脸识别方法 |
CN104598879A (zh) * | 2015-01-07 | 2015-05-06 | 东南大学 | 基于半刚性区域面部轮廓线的三维人脸识别方法 |
CN105096268A (zh) * | 2015-07-13 | 2015-11-25 | 西北农林科技大学 | 一种点云去噪平滑方法 |
Non-Patent Citations (1)
Title |
---|
LEI HE ET AL: "Mesh Denoising via L0 Minimization", 《ACM TRANS. GRAPH.》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120069A (zh) * | 2019-03-26 | 2019-08-13 | 深圳大学 | 基于拉普拉斯算子的三角网格滤波方法及终端设备 |
CN110120069B (zh) * | 2019-03-26 | 2023-05-23 | 深圳大学 | 基于拉普拉斯算子的三角网格滤波方法及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hernandez et al. | Cellular automata for elementary image enhancement | |
CN103530472B (zh) | 基于重要性采样的三维模型自动化简化方法 | |
JP5451285B2 (ja) | 画像処理装置、画像処理方法 | |
Liu et al. | Boundary recovery for 3D Delaunay triangulation | |
Museth | Hierarchical digital differential analyzer for efficient ray-marching in OpenVDB | |
CN106447624A (zh) | 一种基于l0范数的三维网格去噪方法 | |
CN110120069B (zh) | 基于拉普拉斯算子的三角网格滤波方法及终端设备 | |
Marikhu et al. | A family of quadratic snakes for road extraction | |
Xu et al. | Direct manipulation of free-form deformation using curve-pairs | |
CN109816789A (zh) | 一种基于深度神经网络的三维模型参数化方法 | |
CN105205206B (zh) | 一种复杂平面片交线段的求取方法 | |
CN108876711B (zh) | 一种基于图像特征点的草图生成方法、服务器及系统 | |
Zhang et al. | An improved algorithm based on the gvf-snake for effective concavity edge detection | |
Rahim et al. | Evaluation of adaptive subdivision method on mobile device | |
Wu et al. | A double layer method for constructing signed distance fields from triangle meshes | |
Eftekharian et al. | Distance functions and skeletal representations of rigid and non-rigid planar shapes | |
Abed | Implementation of an Edge Detection Algorithm using FPGA Reconfigurable Hardware. | |
Ma et al. | Distance computation for canal surfaces using cone-sphere bounding volumes | |
Wang et al. | Lattice Boltzmann model of anisotropic diffusion for image denoising | |
Husain et al. | Iterative adaptive subdivision surface approach to reduce memory consumption in rendering process (IteAS) | |
CN113112417A (zh) | 基于三维点云的喷涂工件建模方法 | |
Wang et al. | An image-based collision detection optimization algorithm | |
Wijeweera et al. | Accurate, simple and efficient triangulation of a polygon by ear removal with lowest memory consumption | |
Al-Hamid et al. | Optimization of Object Detection CNN With Weight Quantization and Scale Factor Consolidation | |
CN116228597B (zh) | 基于曲率流的多边形网格模型噪声平滑方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |
|
RJ01 | Rejection of invention patent application after publication |