CN115423947A - 三维模型检索方法、装置、设备及介质 - Google Patents
三维模型检索方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115423947A CN115423947A CN202211366377.XA CN202211366377A CN115423947A CN 115423947 A CN115423947 A CN 115423947A CN 202211366377 A CN202211366377 A CN 202211366377A CN 115423947 A CN115423947 A CN 115423947A
- Authority
- CN
- China
- Prior art keywords
- dimensional model
- family
- sub
- dimensional
- distance
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及飞机数字化制造领域,提供了一种三维模型检索方法、装置、设备及介质,解决现有技术中三维模型检索效率低的技术问题。所述方法包括:根据预设方法对三维模型库中的三维模型进行量化描述,以得到每一所述三维模型的形状向量;根据所述形状向量和层次聚类算法对所述三维模型进行分类,得到三维模型族,其中,所述三维模型族包括多个子三维模型族;设置每一所述子三维模型族的中心;根据每一所述中心与待检索三维模型的距离,获取所述三维模型库中与所述待检索三维模型匹配的三维模型。本申请能够缩小三维模型的检索范围,提升三维模型的检索效率。
Description
技术领域
本发明涉及飞机数字化制造领域,尤其涉及一种三维模型检索方法、装置、设备及介质。
背景技术
随着计算机在航空技术应用的发展,设计者可以通过构建三维模型来进行更直观的产品设计,而为了实现设计与制造的去图纸化,航空企业在长期的研发生产中积累了大量的三维模型,这些三维模型作为设计结果和制造依据是航空企业的宝贵资产。在飞机设计制造中充分地利用这些模型来实现设计重用和工艺重用是提高效率、节约研发投入的重要手段。为实现上述目的,现有的三维模型检索方法在模型库中找到与待检索三维模型相似的三维模型,进而对与这些三维模型相关联的知识进行重用,然而现有的三维模型检索方法存在检索效率低的问题。
发明内容
有鉴于此,本发明实施例提供了三维模型检索方法、装置、设备及介质,用以解决现有技术中三维模型检索方法存在检索效率低的技术问题。
为解决上述技术问题,本申请提出了一种三维模型检索方法,所述方法包括:
根据预设方法对三维模型库中的三维模型进行量化描述,以得到每一所述三维模型的形状向量;
根据所述形状向量和层次聚类算法对所述三维模型进行分类,得到三维模型族,其中,所述三维模型族包括多个子三维模型族;
设置每一所述子三维模型族的中心;
根据每一所述中心与待检索三维模型的距离,获取所述三维模型库中与所述待检索三维模型匹配的三维模型。
作为本申请的一些可选实施方式,所述根据预设方法对三维模型库中的三维模型进行量化描述,以得到每一所述三维模型的形状向量的步骤,包括:
根据预设采样次数在所述三维模型的表面进行随机采样,得到多个采样点组,其中,每一所述采样点组包括第一采样点和第二采样点;
计算每一所述采样点组的距离,其中,所述距离为所述第一采样点和所述第二采样点之间的欧几里得距离;
根据所述预设采样次数和每一所述采样点组的欧几里得距离,获取频数直方图;
根据所述频数直方图,获取所述三维模型的形状向量。
作为本申请的一些可选实施方式,所述设置每一所述子三维模型族的中心的步骤,包括:
从所述三维模型族的底层开始自下而上计算每一所述子三维模型族的中心,其中,所述子三维模型的中心的表达式为:
CNO,fNO=[cNO,1,cNO,2,...cNO,n]
式中,NO为所述子三维模型族的中心的编号,fNO为所述子三维模型族的父亲节点的中心的编号,cNO,n为所述子三维模型族所包括的第二子三维模型族的中心;
其中,位于底层且包括k个所述三维模型的所述子三维模型的中心cNO,t的通过下列公式计算:
式中,sk,t为所述子三维模型族中第k个三维模型的形状向量,k为大于等于1的正整数;
位于底层以外层次的所述子三维模型族的中心的通过下列公式计算:
式中,m为正整数且m大于等于1。
作为本申请的一些可选实施方式,所述根据所述形状向量和层次聚类算法对所述三维模型进行分类,得到三维模型族的步骤,包括:
根据所述三维模型库中每一三维模型的形状向量,计算各个所述三维模型之间的曼哈顿距离;
根据所述曼哈顿距离,对每一三维模型进行层次聚类,得到具有层次关系的三维模型族。
作为本申请的一些可选实施方式,所述根据所述曼哈顿距离,对每一三维模型进行层次聚类,得到具有层次关系的三维模型族的步骤,包括:
将所有所述三维模型作为所述子三维模型族;
选择最小的所述曼哈顿距离对应的两个所述子三维模型族组成新的子三维模型族;
返回所述选择最小的所述曼哈顿距离对应的两个所述子三维模型族组成新的子三维模型族的步骤,直到获得包括所有所述子三维模型族的三维模型族。
作为本申请的一些可选实施方式,所述根据所述三维模型族的中心与待检索三维模型的距离,获取所述三维模型库中与所述待检索三维模型匹配的三维模型的步骤包括
根据所述预设方法对所述待检索三维模型进行定量描述,以得到对应的形状向量。
根据所述待检索三维模型的形状向量,从所述三维模型族的第二层开始,计算所述待检索三维模型与第二层的所述子三维模型族的中心之间的距离;
对所述距离进行升序排列,以得到最小距离;
计算所述待检索三维模型与所述最小距离对应的所述子三维模型族所包括的子三维模型族的中心的距离;
返回所述对所述距离进行升序排列,以得到最小距离,直到获得所述三维模型族的最低层中与所述待检索三维模型匹配的三维模型。
作为本申请的一些可选实施方式,所述计算所述待检索三维模型与所述最小距离对应的所述子三维模型族所包括的子三维模型族的中心的距离,包括:
记待检索三维模型的形状向量为sq,t,与所述子三维模型族的中心为cj,t,则两者之间的距离通过下列公式计算:
式中,Dq,j为所述待检索三维模型于所述子三维模型之间距离,n为所述频数直方图的组数。
为解决上述技术问题,本申请还提出了一种三维模型检索装置,所述装置包括:
描述模块,用于根据预设方法对三维模型库中的三维模型进行量化描述,以得到每一所述三维模型的形状向量;
分类模块,用于根据所述形状向量和层次聚类算法对所述三维模型进行分类,得到三维模型族,其中,所述三维模型族包括多个子三维模型族;
设置模块,用于设置每一所述子三维模型族的中心;
匹配模块,用于根据每一所述中心与待检索三维模型的距离,获取所述三维模型库中与所述待检索三维模型匹配的三维模型。
为解决上述技术问题,本申请还提出了一种电子设备,包括:至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
为解决上述技术问题,本申请还提出了一种存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
综上所述,本发明的有益效果如下:
本申请所述的三维模型检索方法,首先通过根据预设方法对三维模型库中的三维模型进行量化描述,以得到每一所述三维模型的形状向量,将三维模型的形状转换成一种可以计算的数据结构,进而支持后续的分析;根据所述形状向量和层次聚类算法对所述三维模型进行分类,得到三维模型族,其中,所述三维模型族包括多个子三维模型族,通过进行层次分类,能够获得具有层次结构的三维模型簇,层次关系是依据模型库中所存储的模型类型而自适应生成的,避免了人为设置层次关系带来的分类不准的情况,确保了与实际模型库适配;设置每一所述子三维模型族的中心,三维模型族中心是对所在三维模型族的量化描述,通过中心的描述避免了检索过程中对该模型族中所包含的三维模型的依次计算,以此简化后续的检索过程;根据每一所述中心与待检索三维模型的距离,获取所述三维模型库中与所述待检索三维模型匹配的三维模型,在检索时首先通过待检索三维模型与三维模型族中心的比对找到最近的子三维模型族,避免了对所有三维模型族的遍历,缩小检索范围。在获取检索结果的同时避免了对模型库中三维模型逐个对比所带来的效率低下的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,这些均在本发明的保护范围内。
图1是本发明实施例的三维模型检索方法的流程示意图。
图2是本发明实施例的三维模型族的示意图。
图3是本发明实施例的三维模型检索装置的结构示意图。
图4是本发明实施例的电子设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
针对上述问题,请参见图1,为解决上述技术问题,本申请提出了一种三维模型检索方法,所述方法包括:
S1、根据预设方法对三维模型库中的三维模型进行量化描述,以得到每一所述三维模型的形状向量;
具体的,形状是三维模型的重要信息,也是后续检索中判断模型是否相似的重要依据,但形状是三维模型在三维空间的直观展示,不能直接用于零件的比较,因此,本步骤的意义在于将三维模型的形状转化成一种可以计算的数据结构,进而支持后续的分析,所述预设方法可包括统计模型表面随机采样点形状函数值的概率分布来标识模型的形状,进而将形状匹配问题转化为概率分布的比较问题,在另一实施例中,所述预设方法可包括利用三维模型的混合特征构造临近图,找出三维模型的低维特征,以此实现三维模型形状的量化,以保证后续检索效率。
作为本申请的一些可选实施方式,所述根据预设方法对三维模型库中的三维模型进行量化描述,以得到每一所述三维模型的形状向量的步骤,包括:
S11、根据预设采样次数在所述三维模型的表面进行随机采样,得到多个采样点组,其中,每一所述采样点组包括第一采样点和第二采样点;
首先,根据预设采样次数在所述三维模型的表面进行随机采样,即在每次采样在所述三维模型的表面随机选取两个点,分别记为第一采样点和第二采样点,形状分布的特点决定了较少的采样次数会导致三维模型的描述不准确,因此在进行随机采样时,采样的次数应该足够大以保证形状描述的准确性,在一具体实施例中,所述预设采样次数为10242,以保证三维模型形状描述的准确性。
S12、计算每一所述采样点组的距离,其中,所述距离为所述第一采样点和所述第二采样点之间的欧几里得距离;
具体的,欧几里得度量(也称欧氏距离)是一个通常采用的距离定义,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,记第一采样点的坐标值为(x1,x2,x3),第二采样点的坐标值为(y1,y2,y3),则第一采样点和第二采样点之间欧几里得距离D可通过如下公式进行计算:
欧几里得距离的计算属于现有技术,在此不再赘述。
S13、根据所述预设采样次数和每一所述采样点组的欧几里得距离,获取频数直方图,其中,所述频数直方图的组距根据下列公式计算:
式中,d为所述组距,Dmax为所述距离中的最大值,Dmin为所述距离中的最小值,n为所述频数直方图的组数,所述组数的平方等于所述预设采样次数;
本实施例中,通过统计模型表面随机采样点形状函数值的概率来表示模型的形状,进而将形状匹配问题转化为概率分布的比较问题,通过概率分布之间的相似性获得模型形状的相似性,形状分布将形状匹配问题简化成了采样、计算和概率分布的比较,相对于需要额外的处理或假设的模型检索方法来说,形状分布在保证检索效果的前提下更加简单,同样在形状分布的基础上对零件形状进行描述,其中,在一具体实施例中,获取的频数直方图的组数为1024,则组距通过下列公式进行计算:
式中,d为所述组距,Dmax为所述距离中的最大值,Dmin为所述距离中的最小值;
频数直方图中每个组的高度表示了采样点距离值落在该组中的比例,因此,在所述频数直方图的组数为1024时,每个组的高度需满足如下要求:
式中,hi为频数直方图中第i组的高度,wi为频数直方图中第i组的频数,
S14、根据所述频数直方图,获取所述三维模型的形状向量,其中,所述形状向量的表达式为:
Si=[si,1,si,2,...,si,n]
其中,Si为所述三维模型库中第i个三维模型,si,n为第i个三维模型对应的形状描述直方图中第t个组的高度。
形状分布所生成的直方图中每一个组的高度会随着零件形状的不同而改变。相对于直接采用直方图,使用所有组的高度的集合同样能够表示零件的形状,并且更加易于存储和比较,所以本实施例中,构造一个n维的形状向量对三维模型的形状进行描述,si,n的值根据S13步骤中频数直方图获得,每一维的值即是所述频数直方图对应组的高度。
S2、根据所述形状向量和层次聚类算法对所述三维模型进行分类,得到三维模型族,其中,所述三维模型族包括多个子三维模型族;
在获取三维模型库中每一三维模型的形状向量后即可进行检索,但若此时进行检索,需要将每一三维模型的形状向量和待检索三维模型的形状向量进行对比,以获取最相似的三维模型,这种方法检索的范围大,效率低,故在本实施例中,首先根据三维模型库中每一三维模型的形状向量和层次聚类算法进行分类,得到三维模型族,后续检索时,根据三维模型族进行检索,能够减小三维模型检索的范围,从而提升检索效率,层次聚类算法通过某种相似性测度计算节点之间的相似性,并按相似度由高到低排序,逐步重新连接各个节点,试图在不同层次对数据集进行划分,从而形成树形的聚类结构,数据集的划分可采用“自底向上”的聚合策略,也可采用“自顶向下”的分拆策略,层次聚类算法为现有技术,在此不再赘述,通过层次聚类算法,在后续进行检索时,无需将三维模型库中的每一模型和待检索三维模型进行比对,缩小了检索范围,从而提升了检索效率。
作为本申请的一些可选实施方式,所述根据所述形状向量和层次聚类算法对所述三维模型进行分类,得到三维模型族的步骤,包括:
S21、根据所述三维模型库中每一三维模型的形状向量,计算各个所述三维模型之间的曼哈顿距离;
曼哈顿距离是由十九世纪的赫尔曼·闵可夫斯基所创词汇,是种使用在几何度量空间的几何学用语,用以标明两个点在标准坐标系上的绝对轴距总和,在本步骤,计算所述三维模型库中,两两三维模型之间的曼哈顿距离,即对于三维模型i和三维模型j,其距离di,j通过下列公式进行计算:
式中,si,t为三维模型i对应的频数直方图中第t个组的高度,sj,t为三维模型j对应的频数直方图中第t个组的高度,n为所述频数直方图的组数。
S22、根据所述曼哈顿距离,对每一三维模型进行层次聚类,得到具有层次关系的三维模型族。
本步骤中,根据所述曼哈顿距离,对每一三维模型进行层次聚类,得到具有层次关系的三维模型族,相当于层次聚类的合并算法,通过计算两类数据点间的相似性,合并算法是通过计算每一个类别的数据点与所有数据点之间的距离来确定它们之间的相似性,距离越小,相似度越高,并将距离最近的两个数据点或类别进行组合,生成聚类树,最后得到的三维模型族具有层次关系。
作为本申请的一些可选实施方式,所述根据所述曼哈顿距离,对每一三维模型进行层次聚类,得到具有层次关系的三维模型族的步骤,包括:
S221、将所有所述三维模型作为所述子三维模型族;
本实施例中,采用自底向上的层次聚类算法,每一个对象都是一个族,选最近的族合并,最终所有的对象都属于一个族;
S222、选择最小的所述曼哈顿距离对应的两个所述子三维模型族组成新的子三维模型族;
通过计算子三维模型族与其他所有子三维模型族之间的曼哈顿距离来确定它们之间的相似性,曼哈顿距离越小,相似度越高,并将曼哈顿距离最近的两个子三维模型族进行组合,形成一个新的子三维模型族。
S223、返回所述选择最小的所述曼哈顿距离对应的两个所述子三维模型族组成新的子三维模型族的步骤,直到获得包括所有所述子三维模型族的三维模型族。
重复迭代步骤S223,直到获得只有一个包含所有子三维模型族的聚类族为止,从而获得一系列具有层次关系的三维模型族,在迭代过程中,两个族距离的计算方法为:计算两个族中的每个三维模型与其他所有三维模型的距离,将所有距离的均值作为两个族之间的距离。
S3、设置每一所述子三维模型族的中心;
子三维模型族中心是对所在子三维模型族的量化描述,通过中心的描述,避免了检索过程中对该模型族中所包含的三维模型的依次计算,以此简化后续的检索过程。三维模型族中心的计算从最底层开始,依次自下而上。作为本申请的一些可选实施方式,所述设置每一所述子三维模型族的中心的步骤,包括:
S31、从所述三维模型族的底层开始自下而上计算每一所述子三维模型族的中心,其中,所述子三维模型的中心的表达式为:
CNO,fNO=[cNO,1,cNO,2,...cNO,n]
式中,NO为所述子三维模型族的中心的编号,fNO为所述子三维模型族的父亲节点的中心的编号,cNO,n为所述子三维模型族所包括的第二子三维模型族的中心;
其中,位于底层且包括k个所述三维模型的所述子三维模型的中心cNO,t的通过下列公式计算:
式中,sk,t为所述子三维模型族中第k个三维模型的形状向量,k为大于等于1的正整数;
对于底层的子三维模型族,通过其包含的三维模型的形状向量计算其中心,而对于非底层的子三维模型族,利用其包含的子三维模型族来计算其中心,以减小计算量,进一步提高三维模型的检索效率。
位于底层以外层次的所述子三维模型族的中心的通过下列公式计算:
式中,m为正整数且m大于等于1。
S4、根据每一所述中心与待检索三维模型的距离,获取所述三维模型库中与所述待检索三维模型匹配的三维模型。
本步骤中,通过根据每一所述中心与待检索三维模型的距离,获取所述三维模型库中与所述待检索三维模型匹配的三维模型,通过中心的描述避免了检索过程中对该模型族中所包含的三维模型的依次计算,以此简化后续的检索过程。
作为本申请的一些可选实施方式,所述根据所述三维模型族的中心与待检索三维模型的距离,获取所述三维模型库中与所述待检索三维模型匹配的三维模型的步骤包括:
S41、根据所述预设方法对所述待检索三维模型进行定量描述,以得到对应的形状向量;
首先,根据所述预设方法对所述待检索三维模型进行定量描述,以得到与所述待检索三维模型对应的形状向量,所述预设方法与前述预设方法相同,在此不再赘述。
S42、根据所述待检索三维模型的形状向量,从所述三维模型族的第二层开始,计算所述待检索三维模型与第二层的所述子三维模型族的中心之间的距离;
对于待检索的三维模型,从三维模型族中,第二层的子三维模型族的中心开始,通过自顶向下、逐层检索的方法,查找到与之最近的三维模型族,在该三维模型族中检索与之最相似的三维模型。
S43、对所述距离进行升序排列,以得到最小距离;
具体的,对计算所得的距离进行升序排列,升序排列可采用冒泡排序通过重复扫描待排序序列,并比较每一对相邻的元素,当该对元素顺序不正确时进行交换。一直重复这个过程,直到没有任何两个相邻元素可以交换,也可采用简单选择排序,顺序扫描序列中的元素,记住遇到的最小元素,一次扫描完毕就找到了一个最小的元素。反复扫描就能完成排序工作,每次选择出序列最小的元素依次进行排序,以上排序算法仅为举例而非限定。
S44、计算所述待检索三维模型与所述最小距离对应的所述子三维模型族所包括的子三维模型族的中心的距离;
在本步骤中,计算所述待检索三维模型与所述最小距离对应的所述子三维模型族所包括的子三维模型族的中心的距离,作为本申请的一些可选实施方式,所述计算所述待检索三维模型与所述最小距离对应的所述子三维模型族所包括的子三维模型族的中心的距离,包括:
记待检索三维模型的形状向量为sq,t,与所述子三维模型族的中心为cj,t,则两者之间的距离通过下列公式计算:
式中,Dq,j为所述待检索三维模型于所述子三维模型之间距离,n为所述频数直方图的组数。
S45、返回所述对所述距离进行升序排列,以得到最小距离,直到获得所述三维模型族的最低层中与所述待检索三维模型匹配的三维模型。
通过本步骤,逐步缩小查找范围,直到找到最底层的三维模型族,最底层三维模型族的子节点均为所述三维模型库中的三维模型,计算与该三维模型族中的所有三维模型的距离,最近的即为与所述待检索三维模型匹配的三维模型。
在一具体实施例中,对于包含85200个三维模型的大规模模型库,设待检索三维模型为q,实验过程及结果如下,在层次聚类后的三维模型族如图2所示,所述三维模型族包括14个具有层次关系的子三维模型族,输入待检索的三维模型q的形状向量,分别计算与第二层子三维模型族中心C2,1,C3,1的距离,最相近的三维模型族中心为C2,1,计算q与子三维模型族中心C4,2,C5,2的距离,最相近的三维模型族中心为C4,2,计算q与子三维模型族中心C9,4,C10,4的距离,最相近的三维模型族中心为C10,4,计算q与子三维模型族中心C11,10,C12,10,C13,10,C14,10的距离,最相近的子三维模型族中心为C11,10,计算q与C11,10所在的子三维模型族中所包含的7个三维模型的距离,最近的即为最相似的三维模型。
采用本申请的方法得到模型检索结果需要的计算次数为17次(找到最相近的三维模型族共需计算10次,计算q与C11.10所在的三维模型族中所包含的7个三维模型的距离共需计算7次,即总和为17次),若采取逐个比较的方法则需计算85200次。
综上所述,所述的三维模型检索方法,首先通过根据预设方法对三维模型库中的三维模型进行量化描述,以得到每一所述三维模型的形状向量,将三维模型的形状转换成一种可以计算的数据结构,进而支持后续的分析;根据所述形状向量和层次聚类算法对所述三维模型进行分类,得到三维模型族,其中,所述三维模型族包括多个子三维模型族,通过进行层次分类,能够获得具有层次结构的三维模型簇,层次关系是依据模型库中所存储的模型类型而自适应生成的,避免了人为设置层次关系带来的分类不准的情况,确保了与实际模型库适配;设置每一所述子三维模型族的中心,三维模型族中心是对所在三维模型族的量化描述,通过中心的描述避免了检索过程中对该模型族中所包含的三维模型的依次计算,以此简化后续的检索过程;根据每一所述中心与待检索三维模型的距离,获取所述三维模型库中与所述待检索三维模型匹配的三维模型,在检索时首先通过待检索三维模型与三维模型族中心的比对找到最近的子三维模型族,避免了对所有三维模型族的遍历,缩小检索范围。在获取检索结果的同时避免了对模型库中三维模型逐个对比所带来的效率低下的问题。
为解决上述技术问题,如图3所示,本申请还提出了一种三维模型检索装置,所述装置包括:
描述模块,用于根据预设方法对三维模型库中的三维模型进行量化描述,以得到每一所述三维模型的形状向量;
分类模块,用于根据所述形状向量和层次聚类算法对所述三维模型进行分类,得到三维模型族,其中,所述三维模型族包括多个子三维模型族;
设置模块,用于设置每一所述子三维模型族的中心;
匹配模块,用于根据每一所述中心与待检索三维模型的距离,获取所述三维模型库中与所述待检索三维模型匹配的三维模型。
需要说明的是,本实施例的三维模型检索装置中各模块是与前述实施例中三维模型检索方法中的各步骤一一对应,因此,本实施例的具体实施方式和达到的技术效果可参照前述零件物流计划管理方法的实施方式,这里不再赘述。
另外,结合图1描述的本发明实施例的三维模型检索方法可以由电子设备来实现。图4示出了本发明实施例提供的电子设备的硬件结构示意图。
电子设备可以包括至少一个处理器301、至少一个存储器302以及存储在所示存储器302中的计算机程序指令,当所述计算机程序指令被所述处理器301执行时实现上述实施例所述的方法。
具体地,上述处理器301可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器302可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器302可在数据处理装置的内部或外部。在特定实施例中,存储器302是非易失性固态存储器。在特定实施例中,存储器302包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器301通过读取并执行存储器302中存储的计算机程序指令,以实现上述实施例中的任意一种三维模型检索方法。
在一个示例中,电子设备还可包括通信接口和总线。其中,如图4 所示,处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。通信接口,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
另外,结合上述实施例中的三维模型检索方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种三维模型检索方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种三维模型检索方法,其特征在于,所述方法包括:
根据预设方法对三维模型库中的三维模型进行量化描述,以得到每一所述三维模型的形状向量;
根据所述形状向量和层次聚类算法对所述三维模型进行分类,得到三维模型族,其中,所述三维模型族包括多个子三维模型族;
设置每一所述子三维模型族的中心;
根据每一所述中心与待检索三维模型的距离,获取所述三维模型库中与所述待检索三维模型匹配的三维模型。
2.根据权利要求1所述的三维模型检索方法,其特征在于,所述根据预设方法对三维模型库中的三维模型进行量化描述,以得到每一所述三维模型的形状向量的步骤,包括:
根据预设采样次数在所述三维模型的表面进行随机采样,得到多个采样点组,其中,每一所述采样点组包括第一采样点和第二采样点;
计算每一所述采样点组的距离,其中,所述距离为所述第一采样点和所述第二采样点之间的欧几里得距离;
根据所述预设采样次数和每一所述采样点组的欧几里得距离,获取频数直方图;
根据所述频数直方图,获取所述三维模型的形状向量。
3.根据权利要求2所述的三维模型检索方法,其特征在于,所述设置每一所述子三维模型族的中心的步骤,包括:
从所述三维模型族的底层开始自下而上计算每一所述子三维模型族的中心,其中,所述子三维模型族的中心的表达式为:
CNO,fNO=[cNO,1,cNO,2,...cNO,n]
式中,NO为所述子三维模型族的中心的编号,fNO为所述子三维模型族的父亲节点的中心的编号,cNO,n为所述子三维模型族所包括的第二子三维模型族的中心;
其中,位于底层且包括k个所述三维模型的所述子三维模型的中心cNO,t的通过下列公式计算:
式中,sk,t为所述子三维模型族中第k个三维模型的形状向量,t和k均为大于等于1的正整数;
位于底层以外层次的所述子三维模型族的中心的通过下列公式计算:
式中,m为正整数且m大于等于1。
4.根据权利要求1所述的三维模型检索方法,其特征在于,所述根据所述形状向量和层次聚类算法对所述三维模型进行分类,得到三维模型族的步骤,包括:
根据所述三维模型库中每一三维模型的形状向量,计算各个所述三维模型之间的曼哈顿距离;
根据所述曼哈顿距离,对每一三维模型进行层次聚类,得到具有层次关系的三维模型族。
5.根据权利要求4所述的三维模型检索方法,其特征在于,所述根据所述曼哈顿距离,对每一三维模型进行层次聚类,得到具有层次关系的三维模型族的步骤,包括:
将所有所述三维模型作为所述子三维模型族;
选择最小的所述曼哈顿距离对应的两个所述子三维模型族组成新的子三维模型族;
返回所述选择最小的所述曼哈顿距离对应的两个所述子三维模型族组成新的子三维模型族的步骤,直到获得包括所有所述子三维模型族的三维模型族。
6.根据权利要求1所述的三维模型检索方法,其特征在于,所述根据所述三维模型族的中心与待检索三维模型的距离,获取所述三维模型库中与所述待检索三维模型匹配的三维模型的步骤包括:
根据所述预设方法对所述待检索三维模型进行定量描述,以得到对应的形状向量;
根据所述待检索三维模型的形状向量,从所述三维模型族的第二层开始,计算所述待检索三维模型与第二层的所述子三维模型族的中心之间的距离;
对所述距离进行升序排列,以得到最小距离;
计算所述待检索三维模型与所述最小距离对应的所述子三维模型族所包括的子三维模型族的中心的距离;
返回所述对所述距离进行升序排列,以得到最小距离的步骤,直到获得所述三维模型族的最低层中与所述待检索三维模型匹配的三维模型。
8.一种三维模型检索装置,其特征在于,所述装置包括:
描述模块,用于根据预设方法对三维模型库中的三维模型进行量化描述,以得到每一所述三维模型的形状向量;
分类模块,用于根据所述形状向量和层次聚类算法对所述三维模型进行分类,得到三维模型族,其中,所述三维模型族包括多个子三维模型族;
设置模块,用于设置每一所述子三维模型族的中心;
匹配模块,用于根据每一所述中心与待检索三维模型的距离,获取所述三维模型库中与所述待检索三维模型匹配的三维模型。
9.一种电子设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211366377.XA CN115423947B (zh) | 2022-11-03 | 2022-11-03 | 三维模型检索方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211366377.XA CN115423947B (zh) | 2022-11-03 | 2022-11-03 | 三维模型检索方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115423947A true CN115423947A (zh) | 2022-12-02 |
CN115423947B CN115423947B (zh) | 2023-03-24 |
Family
ID=84208058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211366377.XA Active CN115423947B (zh) | 2022-11-03 | 2022-11-03 | 三维模型检索方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423947B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281545A (zh) * | 2008-05-30 | 2008-10-08 | 清华大学 | 一种基于多特征相关反馈的三维模型检索方法 |
US20090040225A1 (en) * | 2007-07-20 | 2009-02-12 | Fujitsu Limited | Apparatus and method for three-dimensional model retrieval |
CN101477529A (zh) * | 2008-12-01 | 2009-07-08 | 清华大学 | 一种三维对象的检索方法和装置 |
CN101908072A (zh) * | 2010-08-11 | 2010-12-08 | 清华大学 | 一种三维模型检索算法的评价方法和系统 |
CN104239299A (zh) * | 2013-06-06 | 2014-12-24 | 富士通株式会社 | 三维模型检索方法及装置 |
CN105868407A (zh) * | 2016-04-20 | 2016-08-17 | 杭州师范大学 | 一种基于核线性分类分析的三维模型检索方法 |
CN106469216A (zh) * | 2016-09-07 | 2017-03-01 | 北京拓扑视景科技有限公司 | 一种三维模型检索方法及装置 |
CN113283468A (zh) * | 2021-04-14 | 2021-08-20 | 中国海洋大学 | 基于三维形状知识图谱的三维模型检索方法及装置 |
CN113961738A (zh) * | 2021-10-18 | 2022-01-21 | 华中科技大学 | 一种多特征铸件三维模型检索方法及装置 |
-
2022
- 2022-11-03 CN CN202211366377.XA patent/CN115423947B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090040225A1 (en) * | 2007-07-20 | 2009-02-12 | Fujitsu Limited | Apparatus and method for three-dimensional model retrieval |
CN101281545A (zh) * | 2008-05-30 | 2008-10-08 | 清华大学 | 一种基于多特征相关反馈的三维模型检索方法 |
CN101477529A (zh) * | 2008-12-01 | 2009-07-08 | 清华大学 | 一种三维对象的检索方法和装置 |
CN101908072A (zh) * | 2010-08-11 | 2010-12-08 | 清华大学 | 一种三维模型检索算法的评价方法和系统 |
CN104239299A (zh) * | 2013-06-06 | 2014-12-24 | 富士通株式会社 | 三维模型检索方法及装置 |
CN105868407A (zh) * | 2016-04-20 | 2016-08-17 | 杭州师范大学 | 一种基于核线性分类分析的三维模型检索方法 |
CN106469216A (zh) * | 2016-09-07 | 2017-03-01 | 北京拓扑视景科技有限公司 | 一种三维模型检索方法及装置 |
CN113283468A (zh) * | 2021-04-14 | 2021-08-20 | 中国海洋大学 | 基于三维形状知识图谱的三维模型检索方法及装置 |
CN113961738A (zh) * | 2021-10-18 | 2022-01-21 | 华中科技大学 | 一种多特征铸件三维模型检索方法及装置 |
Non-Patent Citations (3)
Title |
---|
张满囤等: "基于八叉树结构的三维体素模型检索", 《计算机学报》 * |
毛瑞等: "基于聚类分析的三维模型检索综述", 《微型机与应用》 * |
皇甫中民等: "鱼群启发的三维CAD模型聚类与检索", 《计算机辅助设计与图形学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115423947B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104615642B (zh) | 基于局部邻域约束的空间验证的错误匹配检测方法 | |
CN111008224B (zh) | 一种基于深度多任务表示学习的时间序列分类和检索方法 | |
CN111368867B (zh) | 档案归类方法及系统、计算机可读存储介质 | |
CN112163114B (zh) | 一种基于特征融合的图像检索方法 | |
CN115600194A (zh) | 一种基于XGBoost和LGBM的入侵检测方法、存储介质及设备 | |
Krieger et al. | Boosting the accuracy of protein secondary structure prediction through nearest neighbor search and method hybridization | |
CN114494709A (zh) | 特征提取模型的生成方法、图像特征提取方法和装置 | |
CN115423947B (zh) | 三维模型检索方法、装置、设备及介质 | |
CN111863135B (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 | |
CN113313213B (zh) | 一种加速目标检测算法训练的数据集处理方法 | |
CN112926577B (zh) | 一种医疗票据图像结构化方法和装置、计算机可读介质 | |
CN111291820B (zh) | 一种结合定位信息和分类信息的目标检测方法 | |
KR101085066B1 (ko) | 대용량 다속성 데이터집합에서 의미 있는 지식 탐사를 위한 연관 분류 방법 | |
CN114610953A (zh) | 一种数据分类方法、装置、设备及存储介质 | |
CN111898618B (zh) | 一种识别古代图形文字的方法、装置和程序储存介质 | |
CN115309891A (zh) | 一种文本分类方法、装置、设备及计算机存储介质 | |
CN111708853A (zh) | 特征化密度峰聚类的出租车热点区域提取方法 | |
CN110879821A (zh) | 评分卡模型衍生标签生成方法、装置、设备及存储介质 | |
CN117077598B (zh) | 一种基于Mini-batch梯度下降法的3D寄生参数的优化方法 | |
CN117235137B (zh) | 一种基于向量数据库的职业信息查询方法及装置 | |
CN116630790B (zh) | 一种基于边缘精度评价的分类结果优化方法 | |
CN117076713B (zh) | 一种视频指纹提取和检索方法 | |
CN117539920B (zh) | 基于房产交易多维度数据的数据查询方法及系统 | |
CN117609529A (zh) | 电子元器件的替代检索方法及其系统 | |
CN113672508A (zh) | 一种基于风险策略和多样性策略的Simulink测试方法 |
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 |