专利名称：一种基于Mean Shift的三维形状自动分割方法
技术领域：
本发明涉及一种三维形状的自动分割方法。
背景技术：
网格分割是几何建模和计算机图形学研究和应用的关键要素，辅助其进行参数化、纹理映射、形状匹配、变形、多精度建模，压缩以及动画等操作。对形状的理解和基于物体表示的语义信息的获得依赖于表示这些物体和形状的三维网格特征和结构的提取。将三维表面网格自动分割成功能部分是计算机图形学的基础问题，分割不仅能够提供对应物体的语义信息，还能用来指导多种类型的网格处理算法。
在目前国内外公开的文献中，MarcoAttene, Bianca Falcidieno and michelaSpagnuolo, “Hierarchical mesh segmentation based on fitting primitives”，TheVisual Computer, 2006 中提出了基于 Fitting Primitives 的分割算法， 对三维形状进行层次性的分割。该算法完全自动地生成一颗聚类二叉树，每个节点代表的聚类都被一种基础图形如平面，柱面或球面所拟合。三维形状中的每个三角形面片表示一个聚类，在反复迭代过程中将相邻的聚类对融合，使得融合后的聚类对能够更好的被基础图形所拟合且生成新的聚类。该算法自底向上递归的融合聚类，达到定义的分割数时终止。 Shymon Shlafman, Ayellet Tal and Sagi Katz,“Metamorphosis ofPolyhedral Surfaces using Decomposition’’，Computer Graphics Forum, 2002 中在对多边形曲面进行变形时使用了与k-means聚类算法相似的解构方法。Κ-means在分割数k确定后,首先在物体表面选择k个种子网格面片作为初始聚类中心，接着进行递归运算1)将所有面片分配给离其最近的聚类中心；2)计算每个聚类的均值点，将初始聚类中心移动到均值点，将其当作新的聚类中心；直到聚类中心与其均值很接近时停止递归。K-means在特征空间进行聚类，采用欧几里得距离作为相似度测量，使得聚类内特征点间的相似度最高，不同聚类的相似度最低。通过特征点与三维形状多边形网格一一对应的关系，将三维形状分割为有意义的功能部分。
但上述两种三维形状的分割方法有几点不足
基于Fitting Primitives的三维网格物体分割方法只适合三维CAD模型,分割个数需事先定义，由于算法使用平面、曲面等基础图形对三维形状进行拟合，其拟合误差较大，分割效果不好。
基于k-means的分割方法需要人为定义分割个数，对多个三维形状进行分割时， 需要依次设置分割个数，自动化程度低，另外，分割精度低。发明内容
为了克服现有技术自动化性能差、适用范围小、分割精度低的不足，本发明提供一种基于mean shift的三维形状自动分割方法，该分割方法可以对通用物体的三维模型以及 CAD模型进行自动分割。首先，为了获取三维形状的局部属性特征和几何位置特征，分别计3算三维形状中每个网格面片的shape diameter值和中心坐标,构成shapediameter和几何坐标组合的四维特征空间。接着，使用mean shift算法在四维组合特征空间进行约束聚类， 通过特征点与网格面片的对应关系得到三维形状的分割，分割部分数与聚类个数相等。本发明采用k最近邻分类法对分割结果进行局部修正，然后通过可视化操作将抽象数据转换为直观的三维图像，接着利用基准量度进行量化评价。本发明可以对三维形状进行自动分割，且无需事先规定分割个数。
本发明解决其技术问题所采用的技术方案包括以下步骤
(I)通过特征化顶点的距离获取每个三维形状网格的局部特征，根据三维形状网格的顶点坐标获取其网格的中心坐标，得到组合的四维特征空间；
(2)采用Mean shift算法在前述四维特征空间进行聚类计算，得到聚类数以及各聚类所包含的特征点；
(3)采用K最近邻分类技术对步骤(2)的聚类计算结果进行决策空间建模，局部修正分割结果；
(4)采用可视化技术将局部修正后的分割结果根据聚类属性标记颜色的方式进行着色处理，采用普林斯顿分割基准计算该分割方法在不同量度下的基准误差，从而进行量化评价。
本发明的有益效果是
本发明实现了一种三维形状的自动分割方法，该方法可以提取三维形状的局部属性特征shape diameter和几何位置特征，给中心坐标赋予权重后与shape diameter 组合成四维特征空间，mean shift方法在特征空间进行约束聚类后使用k最近邻分类法对分割结果进行局部修正，从而实现三维形状的自动分割。首先，本发明提取的三维形状 shapediameter特征可以适应三维物体的刚性变形和不改变局部体积的非刚性变形,在缩短特征提取时间的同时获得较好的鲁棒性；其次，本发明在特征空间引入了几何特征，作为空间约束可以避免把几何位置相差很远的部件分割在一起的情况，大大地提高了分割精度；再次，本发明采用k最近邻分类法对分割结果进行局部修正，改善了分割边界的光滑性以及分割结果的准确性。最后，本发明采用可视化技术和普林斯顿分割基准，优点在于1) 清楚的展示分割后的三维形状，便于进行视觉分析；2)计算本发明在不同度量基准下的误差，使得量化分析具有说服力和可比性；3)通过视觉分析与量化评价的结合，使该方法的性能得到更加清晰具体的说明。实验说明，本发明提出的三维自动分割方法，具有分割精度高，自动化程度高，适用三维形状范围广的特点。
图I为该发明实现的总流程图2为特征的计算与组合流程图3为基于mean shift的分割流程；
图4为基于k最近邻的局部修正过程；
图5为结果可视化过程的简单描述；
图6为量化评价的过程表示。
具体实施方式
本发明包括以下几个步骤
( I)三维形状局部特征和几何特征的计算与组合。
本发明通过特征化顶点的距离获取每个三维形状网格的局部特征，根据三维形状的顶点坐标获取其网格的中心坐标，得到组合的四维特征空间。本发明采用三维网格顶点间距离的加权平均获取三维形状的局部特征，局部属性shape diameter不会随着三维物体的刚性变换和不改变形状局部体积的非刚性变形而改变，可以大体上将三维形状各部件分开，几何特征作为空间约束与shape diameter组合,使聚类更加精确。
(2)采用Mean shift算法在特征空间的聚类。
本发明将在前述四维特征空间进行聚类计算。mean shift是一种无监督聚类方法，不需要对数据进行学习且聚类个数由算法自动确定。本发明通过高斯径向基核函数确定特征点的窗口尺寸，同时以特征点间的欧几里得距离作为量度，为特征点赋予不同权重。 递归计算出每个特征点的收敛值，将收敛到相同值的特征点聚集到一个聚类中。递归结束可以得到生成的聚类数以及各聚类所包含的特征点。
(3)分割结果的局部修正。
采用K最近邻分类技术对步骤(2)的分割结果进行决策空间建模。多边形网格所对应特征点的聚类属性由与其欧式距离最近的k个特征点的聚类属性决定。特征空间聚类使三维形状得到初步分割，特征点都被标记为某个聚类，局部修正过程中，特征点需要在保持原有聚类和改变为新聚类之间做出决策。
(4)分割结果可视化以及量化评价。
本发明采用可视化技术将修正后的分割结果根据聚类属性标记颜色的方式进行着色处理，使抽象数据以具体的三维图像显示，可以直观地观察其分割效果。此外，本发明弓I入普林斯顿分割基准计算该分割方法在不同量度下的基准误差，从而进行量化评价。
下面结合附图和实施例对本发明进一步说明。
如附图I所示，本发明实现三维形状自动分割的总流程，该流程包含了实现自动分割以及评价的各个主要步骤。在分割阶段，给定一个三维网格形状，计算三维形状每个网格面片的属性特征shape diameter和网格中心的几何坐标特征,然后给几何坐标赋予最佳权重后将两种特征组合，通过使用mean shift对特征点进行约束聚类将三维网格分割成几个功能部分，采用k最近邻分类法对结果进行局部修正，得到三维形状更加精确的分割。在评价阶段，利用可视化技术清晰地展示分割结果，同时采用普林斯顿分割基准计算量度误差，从统计的角度说明该分割方法的性能。因此，本发明可以实现对三维形状的自动分割与量化评价。
结合附图，具体实施步骤以下做详细说明。
属性特征和几何特征的计算与组合
本发明假设待分割的三维形状由多边形网格进行表现，每个网格由顶点、边、多边形根据拓扑关系构成。本发明通过特征化顶点的shape diameter获取每个网格的局部特征，同时计算出每个网格的中心几何坐标。Shape diameter是能够将局部三维形状的体积和表面连接起来的局部属性特征，对整个网格物体的刚性变换和不改变局部形状的非刚性变换都是稳定的，且具有计算快速，鲁棒性较好的特点。Shape diameter通过从网格顶点出发沿着该顶点法向量相反方向朝着圆锥角确定的圆锥内发射一组射线，该组射线与三维模型的内表面相交，每条射线都有交点Pi和长度射线长度为该顶点与交点Pi的欧氏距离。求出该组射线的平均长度!^以及标准差σ ,得到射线长度范围range = [rm-每σ,r, +每σ]对范围内的每条射线赋予权重，权重为该射线与圆锥中心线夹角的倒数，计算这些射线长度的加权平均值得到顶点的shape diameter值,对组成三维形状的多边形顶点shape diameter 求平均得到每个网格的局部特征值。Shapediameter值表示三维形状局部粗细特性,较大的 shape diameter值对应三维物体上较粗的部分；反之,则对应较细的部分。
单独采用shape diameter可能会将三维形状粗细一致但几何位置相差很大的部件结合在一起，使得三维形状的分割效果不理想，而几何特征作为空间约束，能够很好地避免上述情况。几何特征由三维形状的网格中心坐标表示，能够清楚地说明三维形状每个部分的位置，对三维形状的准确分割具有重要作用。网格中心坐标通过对组成该网格的顶点求均值获得，计算快速，耗时少。
目前使用的三维形状非常广泛，其几何构造也不尽相同。针对某个类型的三维物体，首先通过分析其几何特性估计出单纯采用shape diameter分割的精确度,然后给几何特征赋予一定的权重将二者组合起来，通过观察可视化的分割结果修改几何特征的权重， 使得分割效果最好。由于shape diameter具有不随整个网格物体的刚性变换和不改变局部形状的非刚性变换而改变的特性，对于动作或姿势略有不同的同构三维形状，几何特征的权值基本不变。
一、特征空间的聚类
通过步骤I)计算shape diameter值和中心坐标构成四维组合特征空间，采用 meanshift对特征点进行约束聚类。与k-means相同,Mean shift也是非监督聚类方法,不需要通过学习来对数据操作，聚类通过迭代计算来完成。不同之处在于，k-means是参数化聚类算法，算法执行前需要给定聚类个数k。而mean shift是非参数化聚类算法，聚类个数不需要事先确定，由算法自动获得。Mean shift算法是一个迭代过程，对每个特征点，先计算出该点的偏移均值，将该点移动到其偏移均值处，以此为新的起始点继续移动，直到偏移均值与当前起始点很接近时停止。接着将移动到相同偏移均值的特征点归为一组，完成聚类。另外，算法中引入核函数，使得特征点根据其与当前新起始点的欧式距离而具有不同权重。结合附图3，说明基于mean shift方法的分割过程
从点V出发，计算其它特征点到点V的偏移均值，k为核函数，每个点根据其到点V 的距离具有不同的权值为权重函数，表征每个特征点的重要性。
权利要求
1.一种基于Mean Shift的三维形状自动分割方法，其特征在于包括下述步骤(1)通过特征化顶点的距离获取每个三维形状网格的局部特征，根据三维形状网格的顶点坐标获取其网格的中心坐标，得到组合的四维特征空间；(2)采用Meanshift算法在前述四维特征空间进行聚类计算，得到聚类数以及各聚类所包含的特征点；(3)采用K最近邻分类技术对步骤(2)的聚类计算结果进行决策空间建模，局部修正分割结果；(4)采用可视化技术将局部修正后的分割结果根据聚类属性标记颜色的方式进行着色处理，采用普林斯顿分割基准计算该分割方法在不同量度下的基准误差，从而进行量化评价。
全文摘要
本发明提供了一种基于Mean Shift的三维形状自动分割方法，通过特征化顶点的距离获取每个三维形状网格的局部特征，根据三维形状网格的顶点坐标获取其网格的中心坐标，得到组合的四维特征空间；采用Mean shift算法在前述四维特征空间进行聚类计算，得到聚类数以及各聚类所包含的特征点；采用K最近邻分类技术对聚类计算结果进行决策空间建模，局部修正分割结果；采用可视化技术将局部修正后的分割结果根据聚类属性标记颜色的方式进行着色处理，采用普林斯顿分割基准计算该分割方法在不同量度下的基准误差，从而进行量化评价。本发明具有分割精度高，自动化程度高，适用三维形状范围广的特点。
文档编号G06T15/00GK102938161SQ20121035781
公开日2013年2月20日 申请日期2012年9月24日 优先权日2012年9月24日
发明者刘贞报, 谢彩丽, 布树辉 申请人:西北工业大学