CN106952267B - 三维模型集共分割方法及装置 - Google Patents

三维模型集共分割方法及装置 Download PDF

Info

Publication number
CN106952267B
CN106952267B CN201710088613.9A CN201710088613A CN106952267B CN 106952267 B CN106952267 B CN 106952267B CN 201710088613 A CN201710088613 A CN 201710088613A CN 106952267 B CN106952267 B CN 106952267B
Authority
CN
China
Prior art keywords
propagation model
consistent
super
preset condition
similarity
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.)
Active
Application number
CN201710088613.9A
Other languages
English (en)
Other versions
CN106952267A (zh
Inventor
陈小武
邹冬青
王小刚
王宗继
赵沁平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201710088613.9A priority Critical patent/CN106952267B/zh
Publication of CN106952267A publication Critical patent/CN106952267A/zh
Priority to US15/892,347 priority patent/US10672130B2/en
Application granted granted Critical
Publication of CN106952267B publication Critical patent/CN106952267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/162—Segmentation; Edge detection involving graph-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20072—Graph-based image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Graphics (AREA)
  • Architecture (AREA)
  • Image Generation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种三维模型集共分割方法及装置，属于计算机图形学技术领域。该方法包括：获取三维模型集的超面片集，三维模型集包括至少两个三维模型，每个三维模型包括至少两个超面片；根据第一预设条件和传统相似性传播模型获取一致相似性传播模型，一致相似性传播模型受第一预设条件约束，第一预设条件为超面片集中属于同一个三维模型集的至少两个超面片之间的位置信息；将一致相似性传播模型转换为一致收敛相似性传播模型；通过一致收敛相似性传播模型对超面片集进行聚类，生成三维模型集的共分割结果。本发明提供的三维模型集共分割方法及装置，提高了三维模型集的共分割结果的一致性。

Description

三维模型集共分割方法及装置
技术领域
本发明涉及计算机图形学技术领域，尤其涉及一种三维模型集共分割方法及装置。
背景技术
在计算机图形学技术领域，三维模型集共分割对于三维模型集联合分析而言，具有重要的作用。
现有技术中，在对三维模型集进行共分割时，通常是采用传统相似性传播模型AP对三维模型集中的超面片进行聚类分析，从而实现对三维模型集的共分割。但是，采用该传统相似性传播模型AP对三维模型集进行聚类分析时，并没有考虑到相邻两个超面片之间的位置关联信息，使得三维模型集的共分割结果不一致。
然而，现有技术中三维模型集的共分割结果的一致性较低。
发明内容
本发明提供一种三维模型集共分割方法及装置，以提高三维模型集的共分割结果的一致性。
本发明实施例提供一种三维模型集共分割方法，包括：
获取所述三维模型集的超面片集，所述三维模型集包括至少两个三维模型，所述每个三维模型包括至少两个超面片；
根据第一预设条件和传统相似性传播模型获取一致相似性传播模型，所述一致相似性传播模型受所述第一预设条件约束，所述第一预设条件为所述超面片集中属于同一个三维模型集的至少两个超面片之间的位置信息；
将所述一致相似性传播模型转换为一致收敛相似性传播模型；
通过所述一致收敛相似性传播模型对所述超面片集进行聚类，生成所述三维模型集的共分割结果。
在本发明一实施例中，所述根据第一预设条件和传统相似性传播模型获取一致相似性传播模型，包括：
根据所述传统相似性传播模型和所述第一预设条件构建因子图；
根据所述因子图获取所述一致相似性传播模型，以使所述每个三维模型集的至少两个超面片到其所属的聚类中心的相似度和最小，所述超面片集包括至少两个聚类中心，所述超面片集中每一个超面片属于所述一个聚类中心。
在本发明一实施例中，所述将所述一致相似性传播模型转换为一致收敛相似性传播模型，包括：
预先建立第二预设条件和第三预设条件，所述第二预设条件为所述超面片集中任意两个超面片之间的第一位置关系，所述第三预设条件为所述超面片集中属于所述不同三维模型的至少两个超面片之间的第二位置关系；
根据第二预设条件、第三预设条件和所述一致相似性传播模型获取一致收敛相似性传播模型，所述一致收敛相似性传播模型受所述第二预设条件和所述第三预设条件约束。
在本发明一实施例中，所述预先建立第二预设条件，包括：
提取所述超面片集对应的特征向量集中的鲁棒特征向量；
根据所述鲁棒特征向量对应的特征描述子建立属于所述不同三维模型的两个鲁棒特征向量之间的第一对应关系；所述特征描述子用于标记所述鲁棒特征向量；
根据所述第一对应关系建立所述超面片集中属于所述不同的三维模型的至少两个超面片之间的第二对应关系；
根据所述第二对应关系建立所述第一位置关系。
在本发明一实施例中，所述获取所述超面片集对应的特征向量集中的鲁棒特征向量之前，还包括：
提取所述超面片集中每一个超面片的至少7个特征向量；
确定所述至少7个特征向量中每一个特征向量的权重；
将所述至少7个特征向量中每一个特征向量乘以其对应的权重，并进行归一化处理，得到所述每一个超面片对应的唯一的特征向量，所述每一个超面片对应的唯一的特征向量构成所述超面片集对应的特征向量集。
在本发明一实施例中，所述根据第二预设条件、第三预设条件和所述一致相似性传播模型获取一致收敛相似性传播模型，包括：
根据
Figure BDA0001227682610000031
获取所述一致收敛相似性传播模型；
其中，π表示所述超面片集，S(ci，cj)表示一致收敛相似性传播模型对所述超面片集的优化结果，s(i，ci)表示所述超面片集中超面片i与其所属的聚类中心ci之间的相似度，Γi，j(ci，cj)是约束项，表示超面片i、超面片j及聚类中心ci之间的关系，
Figure BDA0001227682610000032
cj表示超面片j的聚类中心，e-s(i，j)表示超面片i与超面片j之间的相似性。
在本发明一实施例中，所述根据所述因子图获取所述一致相似性传播模型包括：
根据
Figure BDA0001227682610000033
获取所述一致相似性传播模型；
其中，S(x11，...，xNN)表示所述超面片的聚类中心的能量函数，SiC(xiC)表示超面片i与其潜在的聚类中心c之间的相似度，
Figure BDA0001227682610000034
xic＝1表示超面片i，其聚类中心为c，Ii(xi1，...，xiN)表示对于超面片i的聚类中心ci的N约束，
Figure BDA0001227682610000035
表示聚类中心c的有效性约束，
Figure BDA0001227682610000036
Pikc(xic，xkc)表示邻域一致性约束，
Figure BDA0001227682610000037
本发明实施例还提供一种三维模型集共分割装置，包括：
获取模块，用于获取所述三维模型集的超面片集，所述三维模型集包括至少两个三维模型，所述每个三维模型包括至少两个超面片；
所述获取模块，还用于根据第一预设条件和传统相似性传播模型获取一致相似性传播模型，所述一致相似性传播模型受所述第一预设条件约束，所述第一预设条件为所述超面片集中属于同一个三维模型集的至少两个超面片之间的位置信息；
转换模块，用于将所述一致相似性传播模型转换为一致收敛相似性传播模型；
生成模块，用于通过所述一致收敛相似性传播模型对所述超面片集进行聚类，生成所述三维模型集的共分割结果。
在本发明一实施例中，所述获取模块，具体用于根据所述传统相似性传播模型和所述第一预设条件构建因子图；根据所述因子图获取所述一致相似性传播模型，以使所述每个三维模型集的至少两个超面片到其所属的聚类中心的相似度和最小，所述超面片集包括至少两个聚类中心，所述超面片集中每一个超面片属于所述一个聚类中心。
在本发明一实施例中，所述转换模块，具体用于预先建立第二预设条件和第三预设条件，所述第二预设条件为所述超面片集中任意两个超面片之间的第一位置关系，所述第三预设条件为所述超面片集中属于所述不同三维模型的至少两个超面片之间的第二位置关系；根据第二预设条件、第三预设条件和所述一致相似性传播模型获取一致收敛相似性传播模型，所述一致收敛相似性传播模型受所述第二预设条件和所述第三预设条件约束。
本发明实施例提供的三维模型集共分割方法及装置，通过获取三维模型集的超面片集，三维模型集包括至少两个三维模型，每个三维模型包括至少两个超面片；根据第一预设条件和传统相似性传播模型获取一致相似性传播模型，一致相似性传播模型受第一预设条件约束，第一预设条件为超面片集中属于同一个三维模型集的至少两个超面片之间的位置信息；将一致相似性传播模型转换为一致收敛相似性传播模型；通过一致收敛相似性传播模型对超面片集进行聚类，生成三维模型集的共分割结果，从而提高了三维模型集的共分割结果的一致性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种三维模型集共分割方法的流程示意图；
图2为本发明实施例还提供的另一种三维模型集共分割方法的流程示意图；
图3为本发明实施例提供的一致相似传播模型的原理示意图；
图4为本发明的实施例提供的一种一致相似传播模型消息更新的示意图；
图5a为本发明实施例提供的一致相似传播模型对杯子的共分割结果示意图；
图5b本发明实施例提供的一致收敛相似传播模型对杯子的共分割结果示意图；
图6a为本发明实施例提供的一致收敛相似传播模型对飞机的共分割结果示意图；
图6b为本发明实施例提供的一种聚类优化的一致收敛相似传播模型对飞机的共分割结果；
图7为本发明实施例提供的一种三维模型集共分割装置的结构示意图；
图8为本发明实施例提供的另一种三维模型集共分割装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本发明实施例提供的一种三维模型集共分割方法的流程示意图，该三维模型集共分割方法可以由三维模型集共分割装置执行，示例的，该三维模型集共分割装置可以独立设置，也可以集成在处理器中。请参见图1所示，当然，本发明实施例只是以图1为例进行说明，但并不代表本发明仅局限于此。该三维模型集共分割方法可以包括：
S101、获取三维模型集的超面片集。
其中，三维模型集包括至少两个三维模型，每个三维模型包括至少两个超面片。示例的，可以通过对三维模型集中的每一个三维模型进行过分割，从而获取每一个三维模型对应的至少两个超面片，每一个三维模型对应的超面片可以组成该三维模型集的超面片集。
在本发明实施例中，通过对三维模型集中的每一个三维模型进行过分割，其目的在于：由于三维模型集数据量大、处理耗时等问题，先对三维模型集中，每个三维模型分割为更小的超面片，以每个超面片为基本单元，进行操作，达到省时的目的。同时，根据三维模型的复杂程度，包括超面片的数量、语义部件个数等调整不同的分割数目。具体而言，针对三维模型集中的每个三维模型，可以利用N-cuts算法，结合三维模型的复杂程度，确定三维模型超面片的数目，从而对三维模型进行共分割，生成三维模型超面片集。
S102、根据第一预设条件和传统相似性传播模型获取一致相似性传播模型。
其中，一致相似性传播模型受第一预设条件约束，第一预设条件为超面片集中属于同一个三维模型集的至少两个超面片之间的位置信息。示例的，在本发明实施例中，该位置信息可以为距离信息。在获取到同一个三维模型集的至少两个超面片之间的距离信息之后，就可以根据该同一个三维模型集的至少两个超面片之间的距离信息和传统相似性传播模型获取一致相似性传播模型。
S103、将一致相似性传播模型转换为一致收敛相似性传播模型。
示例的，可以通过等价转换使一致相似性传播模型转变为一致收敛相似性传播模型。由于一般通过最小和环形置信传播算法求解能量函数时，其不能保证收敛性，且耗时较大，且能量函数是高阶的，很难通过α-扩张运动算法进行优化。因此，可以通过等价转换的方式把一致相似性传播模型转化为一致收敛相似性传播模型，以便可以通过α-扩张运动算法进行求解。
S104、通过一致收敛相似性传播模型对超面片集进行聚类，生成三维模型集的共分割结果。
本发明实施例提供的三维模型集共分割方法，通过获取三维模型集的超面片集，三维模型集包括至少两个三维模型，每个三维模型包括至少两个超面片；根据第一预设条件和传统相似性传播模型获取一致相似性传播模型，一致相似性传播模型受第一预设条件约束，第一预设条件为超面片集中属于同一个三维模型集的至少两个超面片之间的位置信息；将一致相似性传播模型转换为一致收敛相似性传播模型；通过一致收敛相似性传播模型对超面片集进行聚类，生成三维模型集的共分割结果，从而提高了三维模型集的共分割结果的一致性。
基于图1对应的实施例，在图1对应的实施例的基础上，进一步地，请参见图2所示，图2为本发明实施例还提供的另一种三维模型集共分割方法的流程示意图，该三维模型集共分割方法还可以包括：
S201、获取三维模型集的超面片集。
其中，获取超面片集的方式可以参见上述步骤S101中的记载，在此，本发明实施例不再进行赘述。
S202、根据传统相似性传播模型和第一预设条件构建因子图。
S203、根据因子图获取一致相似性传播模型。
其中，根据因子图获取一致相似性传播模型，其目的在于：可以使得每个三维模型集的至少两个超面片到其所属的聚类中心的相似度和最小，超面片集包括至少两个聚类中心，超面片集中每一个超面片属于一个候选聚类中心。
请参见图3所示，图3为本发明实施例提供的一致相似传播模型的原理示意图，设定
Figure BDA0001227682610000081
为N个超面片的二值变量，表示聚类中心为ci的一对N约束，即对于任意k≠c(c∈π，k∈π)，当且仅当xiC＝1且xik＝0，则ci＝c。可选的，在本发明实施例中，S203根据因子图获取一致相似性传播模型包括：
根据
Figure BDA0001227682610000082
获取一致相似性传播模型；
其中，S(x11，...，xNN)表示超面片的聚类中心的能量函数，SiC(xiC)表示超面片i与其潜在的聚类中心c之间的相似度，
Figure BDA0001227682610000083
xic＝1表示超面片i，其聚类中心为c，Ii(xi1，...，xiN)表示对于超面片i的聚类中心ci的N约束，
Figure BDA0001227682610000084
表示聚类中心c的有效性约束，
Figure BDA0001227682610000085
Pikc(xic，xkc)表示邻域一致性约束，
Figure BDA0001227682610000086
S204、预先建立第二预设条件和第三预设条件。
其中，第二预设条件为超面片集中任意两个超面片之间的第一位置关系，第三预设条件为超面片集中属于不同三维模型的至少两个超面片之间的第二位置关系。
可选的，在本发明实施例中，预先建立第二预设条件，包括：
提取超面片集对应的特征向量集中的鲁棒特征向量；根据鲁棒特征向量对应的特征描述子建立属于不同三维模型的两个鲁棒特征向量之间的第一对应关系；特征描述子用于标记鲁棒特征向量；根据第一对应关系建立超面片集中属于不同的三维模型的至少两个超面片之间的第二对应关系；根据第二对应关系建立第一位置关系。
示例的，在本发明实施例中，提取超面片集对应的特征向量集中的鲁棒特征向量，构建属于不同三维模型的两个鲁棒特征向量之间的第一对应关系，其主要目的在于：可以通过三维模型的超面片的类间距离约束优化最终的聚类结果，且由于三维模型集中每对模型之间几何拓扑差异比较大，建立三维模型间的第一对应关系比较困难，且一旦三维模型间的第一对应关系中含有错误的对应关系，将导致错误的共分割结果。因此，针对三维模型集中每个三维模型，需要先自动提取鲁棒特征向量，然后对三维模型之间特征向量进行匹配，找出稀疏但是可靠的特征点间的对应关系，最后构建特征向量对应超面片间的稀疏、可靠的对应关系。
进一步地，获取超面片集对应的特征向量集中的鲁棒特征向量之前，还包括：
提取超面片集中每一个超面片的至少7个特征向量；确定至少7个特征向量中每一个特征向量的权重；将至少7个特征向量中每一个特征向量乘以其对应的权重，并进行归一化处理，得到每一个超面片对应的唯一的特征向量，每一个超面片对应的唯一的特征向量构成超面片集对应的特征向量集。
示例的，在本发明实施例中，对每一个超面片，可以提取少量特征向量，生成超面片特征描述子，主要是指针对每个三维模型生成的超面片集中每个超面片进行特征描述。具体而言，针对每个超面片，可以提取至少7个特征向量，然后对超面片中所有三角面片的每种特征描述子计算一个直方图，度量其差别，把每个三角面片中7种特征向量连接为1个特征向量，对超面片中所有三角面片的特征向量取均值，并进行归一化处理，最终结果作为超面片的特征描述子。
S205、根据第二预设条件、第三预设条件和一致相似性传播模型获取一致收敛相似性传播模型。
其中，一致收敛相似性传播模型受第二预设条件和第三预设条件约束。
可选的，S204根据第二预设条件、第三预设条件和一致相似性传播模型获取一致收敛相似性传播模型，可以包括：
根据
Figure BDA0001227682610000091
获取一致收敛相似性传播模型；
其中，π表示超面片集，S(ci，cj)表示一致收敛相似性传播模型对超面片集的优化结果，s(i，ci)表示超面片集中超面片i与其所属的聚类中心ci之间的相似度，Γi，j(ci，cj)是约束项，表示超面片i、超面片j及聚类中心ci之间的关系，
Figure BDA0001227682610000101
cj表示超面片j的聚类中心，e-s(i，j)表示超面片i与超面片j之间的相似性。
示例的，可以通过等价转换使一致相似性传播模型转变为一致收敛相似性传播模型。由于一般通过最小和环形置信传播算法求解能量函数时，其不能保证收敛性，且耗时较大，且能量函数是高阶的，很难通过α-扩张运动算法进行优化。因此，可以通过等价转换的方式把一致相似性传播模型转化为一致收敛相似性传播模型，以便可以通过α-扩张运动算法进行求解。
S206、通过一致收敛相似性传播模型对超面片集进行聚类，生成三维模型集的共分割结果。
利用聚类优化的一致收敛相似传播模型对三维模型的超面片进行聚类，生成三维模型集的共分割结果。具体而言，在一致收敛相似性传播算法中嵌入模型超面片间的对应关系，使得相应的超面片可被分至同一类，通过约束子集间距优化聚类结果。然后利用α-扩张运动算法，对能量函数进行能量最小化，生成三维模型集最终共分割结果。由此可见，在本发明实施例中，通过把局部空间一致性信息嵌入到传统相似性传播模型中，使传统相似性传播模型转变为一致相似性传播模型，且在一致收敛相似性传播算法中嵌入模型超面片间的对应关系，使得相应的超面片可被分至同一类，通过约束子集间距优化聚类结果。然后利用α-扩张运动算法，对能量函数进行能量最小化，生成三维模型集最终共分割结果，从而提高了三维模型集的共分割结果的一致性。
进一步地，还可以通过消息更新机制，以迭代的方式在因子图中传播，直至所有超片面到其聚类中心的相似度和达到最小。请参见图4所示，图4为本发明的实施例提供的一种一致相似传播模型消息更新的示意图，对三维模型进行共分割，使得共分割的问题可以转化为一种寻找三维模型超片集最优聚类中心的问题，设三维模型集
Figure BDA0001227682610000102
生成的所有超面集为
Figure BDA0001227682610000103
为了获取较优的聚类中心，通过定义两类消息机制：“可利用性”{ρic，βic，θikc|i∈π，c∈π}和“响应性”{αic，ηic，δikc|i∈π，c∈π}进行迭代传播，直至每个超面片到其聚类中心的相似度和最小。设sic表示S(i，c)，消息从变量节点发送到函数节点，定义为：
Figure BDA0001227682610000111
Figure BDA0001227682610000112
Figure BDA0001227682610000113
消息从函数节点反馈回变量节点，定义为：
Figure BDA0001227682610000114
ηic＝-mink≠cβik；
Figure BDA0001227682610000115
其中，这两种类型的消息通过一致相似传播模型的因子图传递，直至收敛，从而可以获得每个超面片的最近聚类中心。
示例的，请参见图5a和图5b所示，图5a为本发明实施例提供的一致相似传播模型对杯子的共分割结果示意图，图5b本发明实施例提供的一致收敛相似传播模型对杯子的共分割结果示意图。可以看出，在对杯子进行共分割时，图5a中所示的杯子的杯体和手柄部分为同一个颜色(见阴影部分)，而其他部分为一个颜色(见空白部分)，本发明通过采用一致收敛相似传播模型，可以把能量函数转换为一种等价的形式，然后通过引入α-扩张运动算法进行求解，使得图5b中所示的杯子的杯体为一个颜色(见空白部分)，手柄为一个颜色(见阴影部分)，从而产生更好的共分割效果，通过比较，可以很清楚看出，一致收敛相似传播模型，可以得到更好的共分割效果。
示例的，请参见图6a和图6b所示，图6a为本发明实施例提供的一致收敛相似传播模型对飞机的共分割结果示意图，图6b为本发明实施例提供的一种聚类优化的一致收敛相似传播模型对飞机的共分割结果。可以看出，在对飞机进行共分割时，图6a中所示的飞机的机身部分区域和机翼为同一个颜色(见阴影部分)，而机身其他部分为一个颜色(见空白部分)，机尾为同一个颜色(见方格部分)，本发明的聚类优化的一致收敛相似性传播模型通过加入三维模型间少量但鲁棒的稀疏对应关系约束，使得图6b中所示的飞机的机身为一个颜色(见空白部分)，机翼为同一个颜色(见阴影部分)，而机尾为同一个颜色(见方格部分)，从而产生更好的共分割效果，通过比较，可以很清楚看出，通过加入三维模型间鲁棒的稀疏对应关系信息，可以得到更好的共分割效果。
图7为本发明实施例提供的一种三维模型集共分割装置70的结构示意图，当然，本发明实施例只是以图7为例进行说明，但并不代表本发明仅局限于此。请参见图7所示，该三维模型集共分割装置70可以包括：
获取模块701，用于获取三维模型集的超面片集，三维模型集包括至少两个三维模型，每个三维模型包括至少两个超面片；
获取模块701，还用于根据第一预设条件和传统相似性传播模型获取一致相似性传播模型，一致相似性传播模型受第一预设条件约束，第一预设条件为超面片集中属于同一个三维模型集的至少两个超面片之间的位置信息；
转换模块702，用于将一致相似性传播模型转换为一致收敛相似性传播模型；
生成模块703，用于通过一致收敛相似性传播模型对超面片集进行聚类，生成三维模型集的共分割结果。
可选的，获取模块701，具体用于根据传统相似性传播模型和第一预设条件构建因子图；根据因子图获取一致相似性传播模型，以使每个三维模型集的至少两个超面片到其所属的聚类中心的相似度和最小，超面片集包括至少两个聚类中心，超面片集中每一个超面片属于一个聚类中心。
可选的，转换模块702，具体用于预先建立第二预设条件和第三预设条件，第二预设条件为超面片集中任意两个超面片之间的第一位置关系，第三预设条件为超面片集中属于不同三维模型的至少两个超面片之间的第二位置关系；根据第二预设条件、第三预设条件和一致相似性传播模型获取一致收敛相似性传播模型，一致收敛相似性传播模型受第二预设条件和第三预设条件约束。
可选的，转换模块702，具体用于提取超面片集对应的特征向量集中的鲁棒特征向量；根据鲁棒特征向量对应的特征描述子建立属于不同三维模型的两个鲁棒特征向量之间的第一对应关系；特征描述子用于标记鲁棒特征向量；根据第一对应关系建立超面片集中属于不同的三维模型的至少两个超面片之间的第二对应关系；根据第二对应关系建立第一位置关系。
可选的，请参见图8所示，图8为本发明实施例提供的另一种三维模型集共分割装置70的结构示意图。该三维模型集共分割装置70还可以包括处理模块704，用于提取超面片集中每一个超面片的至少7个特征向量；确定至少7个特征向量中每一个特征向量的权重；将至少7个特征向量中每一个特征向量乘以其对应的权重，并进行归一化处理，得到每一个超面片对应的唯一的特征向量，每一个超面片对应的唯一的特征向量构成超面片集对应的特征向量集。
可选的，转换模块702，具体用于根据
Figure BDA0001227682610000131
获取一致收敛相似性传播模型；其中，π表示超面片集，S(ci，cj)表示一致收敛相似性传播模型对超面片集的优化结果，s(i，ci)表示超面片集中超面片i与其所属的聚类中心ci之间的相似度，Γi，j(ci，cj)是约束项，表示超面片i、超面片j及聚类中心ci之间的关系，
Figure BDA0001227682610000132
cj表示超面片j的聚类中心，e-s(i，j)表示超面片i与超面片j之间的相似性。
获取模块701，具体用于根据
Figure BDA0001227682610000133
获取一致相似性传播模型。
其中，S(x11，...，xNN)表示超面片的聚类中心的能量函数，SiC(xiC)表示超面片i与其潜在的聚类中心c之间的相似度，
Figure BDA0001227682610000134
xic＝1表示超面片i，其聚类中心为c，Ii(xi1，...，xiN)表示对于超面片i的聚类中心ci的N约束，
Figure BDA0001227682610000135
Ec(x1c，...，xNc)表示聚类中心c的有效性约束，
Figure BDA0001227682610000136
Pikc(xic，xkc)表示邻域一致性约束，
Figure BDA0001227682610000141
本发明实施例所示的三维模型集共分割装置70，可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种三维模型集共分割方法，其特征在于，包括：
获取所述三维模型集的超面片集，所述三维模型集包括至少两个三维模型，所述每个三维模型包括至少两个超面片；
根据第一预设条件和传统相似性传播模型获取一致相似性传播模型，所述一致相似性传播模型受所述第一预设条件约束，所述第一预设条件为所述超面片集中属于同一个三维模型集的至少两个超面片之间的位置信息；所述一致相似性传播模型为将局部空间一致性信息嵌入到所述传统相似性传播模型中得到的模型；
将所述一致相似性传播模型转换为一致收敛相似性传播模型，所述一致收敛相似性传播模型为将所述一致相似性传播模型进行等价转换后得到的模型；
通过所述一致收敛相似性传播模型对所述超面片集进行聚类，生成所述三维模型集的共分割结果。
2.根据权利要求1所述的方法，其特征在于，所述根据第一预设条件和传统相似性传播模型获取一致相似性传播模型，包括：
根据所述传统相似性传播模型和所述第一预设条件构建因子图；
根据所述因子图获取所述一致相似性传播模型，以使所述每个三维模型集的至少两个超面片到其所属的聚类中心的相似度和最小，所述超面片集包括至少两个聚类中心，所述超面片集中每一个超面片属于所述一个聚类中心。
3.根据权利要求1所述的方法，其特征在于，所述将所述一致相似性传播模型转换为一致收敛相似性传播模型，包括：
预先建立第二预设条件和第三预设条件，所述第二预设条件为所述超面片集中任意两个超面片之间的第一位置关系，所述第三预设条件为所述超面片集中属于不同三维模型的至少两个超面片之间的第二位置关系；
根据第二预设条件、第三预设条件和所述一致相似性传播模型获取一致收敛相似性传播模型，所述一致收敛相似性传播模型受所述第二预设条件和所述第三预设条件约束。
4.根据权利要求3所述的方法，其特征在于，所述预先建立第二预设条件，包括：
提取所述超面片集对应的特征向量集中的鲁棒特征向量；
根据所述鲁棒特征向量对应的特征描述子建立属于所述不同三维模型的两个鲁棒特征向量之间的第一对应关系；所述特征描述子用于标记所述鲁棒特征向量；
根据所述第一对应关系建立所述超面片集中属于所述不同的三维模型的至少两个超面片之间的第二对应关系；
根据所述第二对应关系建立所述第一位置关系。
5.根据权利要求4所述的方法，其特征在于，所述获取所述超面片集对应的特征向量集中的鲁棒特征向量之前，还包括：
提取所述超面片集中每一个超面片的至少7个特征向量；
确定所述至少7个特征向量中每一个特征向量的权重；
将所述至少7个特征向量中每一个特征向量乘以其对应的权重，并进行归一化处理，得到所述每一个超面片对应的唯一的特征向量，所述每一个超面片对应的唯一的特征向量构成所述超面片集对应的特征向量集。
6.根据权利要求3所述的方法，其特征在于，所述根据第二预设条件、第三预设条件和所述一致相似性传播模型获取一致收敛相似性传播模型，包括：
根据
Figure FDA0002251837850000021
获取所述一致收敛相似性传播模型；
其中，π表示所述超面片集，S(ci,cj)表示一致收敛相似性传播模型对所述超面片集的优化结果，s(i,ci)表示所述超面片集中超面片i与其所属的聚类中心ci之间的相似度，Γi,j(ci,cj)是约束项，表示超面片i、超面片j及聚类中心ci之间的关系，
Figure FDA0002251837850000022
cj表示超面片j的聚类中心，e-s(i,j)表示超面片i与超面片j之间的相似性。
7.根据权利要求2所述的方法，其特征在于，所述根据所述因子图获取所述一致相似性传播模型，包括：
根据
Figure FDA0002251837850000031
获取所述一致相似性传播模型；
其中，S(x11,...,xNN)表示所述超面片的聚类中心的能量函数，SiC(xiC)表示超面片i与其潜在的聚类中心c之间的相似度，
Figure FDA0002251837850000032
xic＝1表示超面片i，其聚类中心为c，Ii(xi1,...,xiN)表示对于超面片i的聚类中心ci的N约束，
Figure FDA0002251837850000033
Ec(x1c,...,xNc)表示聚类中心c的有效性约束，
Figure FDA0002251837850000034
Pikc(xic,xkc)表示邻域一致性约束，
Figure FDA0002251837850000035
8.一种三维模型集共分割装置，其特征在于，包括：
获取模块，用于获取所述三维模型集的超面片集，所述三维模型集包括至少两个三维模型，所述每个三维模型包括至少两个超面片；
所述获取模块，还用于根据第一预设条件和传统相似性传播模型获取一致相似性传播模型，所述一致相似性传播模型受所述第一预设条件约束，所述第一预设条件为所述超面片集中属于同一个三维模型集的至少两个超面片之间的位置信息；所述一致相似性传播模型为将局部空间一致性信息嵌入到所述传统相似性传播模型中得到的模型；
转换模块，用于将所述一致相似性传播模型转换为一致收敛相似性传播模型，所述一致收敛相似性传播模型为将所述一致相似性传播模型进行等价转换后得到的模型；
生成模块，用于通过所述一致收敛相似性传播模型对所述超面片集进行聚类，生成所述三维模型集的共分割结果。
9.根据权利要求8所述的装置，其特征在于，
所述获取模块，具体用于根据所述传统相似性传播模型和所述第一预设条件构建因子图；根据所述因子图获取所述一致相似性传播模型，以使所述每个三维模型集的至少两个超面片到其所属的聚类中心的相似度和最小，所述超面片集包括至少两个聚类中心，所述超面片集中每一个超面片属于所述一个聚类中心。
10.根据权利要求8所述的装置，其特征在于，
所述转换模块，具体用于预先建立第二预设条件和第三预设条件，所述第二预设条件为所述超面片集中任意两个超面片之间的第一位置关系，所述第三预设条件为所述超面片集中属于不同三维模型的至少两个超面片之间的第二位置关系；根据第二预设条件、第三预设条件和所述一致相似性传播模型获取一致收敛相似性传播模型，所述一致收敛相似性传播模型受所述第二预设条件和所述第三预设条件约束。
CN201710088613.9A 2017-02-17 2017-02-17 三维模型集共分割方法及装置 Active CN106952267B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710088613.9A CN106952267B (zh) 2017-02-17 2017-02-17 三维模型集共分割方法及装置
US15/892,347 US10672130B2 (en) 2017-02-17 2018-02-08 Co-segmentation method and apparatus for three-dimensional model set

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710088613.9A CN106952267B (zh) 2017-02-17 2017-02-17 三维模型集共分割方法及装置

Publications (2)

Publication Number Publication Date
CN106952267A CN106952267A (zh) 2017-07-14
CN106952267B true CN106952267B (zh) 2020-04-21

Family

ID=59468120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710088613.9A Active CN106952267B (zh) 2017-02-17 2017-02-17 三维模型集共分割方法及装置

Country Status (2)

Country Link
US (1) US10672130B2 (zh)
CN (1) CN106952267B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679562B (zh) * 2017-09-20 2021-01-19 北京航空航天大学 三维模型的解析处理方法和装置
CN109493344A (zh) * 2018-09-18 2019-03-19 北京大学 一种大规模城市三维场景的语义分割方法
CN109410333B (zh) * 2018-09-19 2023-01-17 北京大学 一种高质量超面片聚类生成方法
CN111445572B (zh) * 2020-03-24 2024-03-22 网易（杭州）网络有限公司 显示虚拟三维模型的方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903245A (zh) * 2012-12-25 2014-07-02 中国科学院深圳先进技术研究院 用于三维模型集的交互式共分割方法
US9224207B2 (en) * 2012-09-17 2015-12-29 Raytheon Bbn Technologies Corp. Segmentation co-clustering
CN105427252A (zh) * 2015-11-06 2016-03-23 北京航空航天大学 一种基于经验模态分解的网格模型多尺度几何细节修复方法
CN106204749A (zh) * 2016-07-07 2016-12-07 北京航空航天大学 稀疏低秩特征表达的三维模型共分割方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8380644B2 (en) * 2009-02-10 2013-02-19 Siemens Audiologische Technik Gmbh System and method for prototyping by learning from examples wherein a prototype is calculated for each shape class cluster
US8229928B2 (en) * 2009-02-27 2012-07-24 Empire Technology Development Llc 3D object descriptors
US8577130B2 (en) * 2009-03-16 2013-11-05 Siemens Medical Solutions Usa, Inc. Hierarchical deformable model for image segmentation
EP4198926A1 (en) * 2012-05-10 2023-06-21 President And Fellows Of Harvard College Method and apparatus for automatically discovering, characterizing, classifying and semi-automatically labeling animal behavior and quantitative phenotyping of behaviors in animals
KR20160055930A (ko) * 2013-09-19 2016-05-18 시소모스 엘.피. 연속적인 소셜 커뮤니케이션에 사용되는 콘텐츠를 능동적으로 구성하기 위한 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9224207B2 (en) * 2012-09-17 2015-12-29 Raytheon Bbn Technologies Corp. Segmentation co-clustering
CN103903245A (zh) * 2012-12-25 2014-07-02 中国科学院深圳先进技术研究院 用于三维模型集的交互式共分割方法
CN105427252A (zh) * 2015-11-06 2016-03-23 北京航空航天大学 一种基于经验模态分解的网格模型多尺度几何细节修复方法
CN106204749A (zh) * 2016-07-07 2016-12-07 北京航空航天大学 稀疏低秩特征表达的三维模型共分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Unsupervised co-segmentation of 3D shapes via affinity aggregation spectral clustering;Zizhao Wu,et al.;《Computers & Graphics》;20131031;第37卷(第6期);第628-637页 *

Also Published As

Publication number Publication date
CN106952267A (zh) 2017-07-14
US20180240242A1 (en) 2018-08-23
US10672130B2 (en) 2020-06-02

Similar Documents

Publication Publication Date Title
CN106952267B (zh) 三维模型集共分割方法及装置
Cao et al. Point cloud skeletons via laplacian based contraction
US20210326728A1 (en) Anomaly detection apparatus, anomaly detection method, and program
CN101593205B (zh) 基于视频的三维模型检索方法
CN104182748B (zh) 一种基于拆分匹配的汉字笔画自动提取方法
CN103077555B (zh) 一种三维模型构成的自动标注方法
CN105976364B (zh) 基于简化带权无向图的统计平均模型构建方法
CN104992143B (zh) 一种面向矢量字形的汉字笔画自动提取方法
CN106157375A (zh) 一种三维模型部件类别自动标注方法
CN110910433A (zh) 一种基于深度学习的点云匹配方法
Wahlberg et al. Large scale continuous dating of medieval scribes using a combined image and language model
Gao et al. Classification of 3D terracotta warrior fragments based on deep learning and template guidance
CN114840925A (zh) 一种车身部分测量数据到整体cad模型的配准方法
Zhang Content-based e-commerce image classification research
Mizukami et al. CUDA implementation of deformable pattern recognition and its application to MNIST handwritten digit database
Zhu et al. Curvature-variation-inspired sampling for point cloud classification and segmentation
CN111695011A (zh) 一种基于张量表示的动态超图结构学习分类方法及系统
CN108805886B (zh) 一种多融合物理签名的持久性聚类分割方法
CN105447836A (zh) 一种耦合聚类中心约束项的非局部稀疏表示图像去噪方法
Zhou et al. Multiple point sets registration based on Expectation Maximization algorithm
CN115546509A (zh) 基于Nystrom与行列式采样的小样本点云分类方法
CN109410333A (zh) 一种高质量超面片聚类生成方法
CN113408650B (zh) 基于一致性训练的半监督三维形状识别方法
CN114187487A (zh) 一种大规模点云数据的处理方法、装置、设备及介质
Zheng et al. Characteristic-preserving latent space for unpaired cross-domain translation of 3d point clouds

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant