一种数据处理方法和设备的制造方法

一种数据处理方法和设备的制造方法
【专利摘要】本发明公开了一种数据处理方法和设备，通过对三维模型数据库中的模型按照类别进行划分,并将每一类别下的模型按照预设规则拆分为多个组件，同时对组件进行命名；对名称相同的组件进行相似度分析，并将相似度在预设范围内的组件划分为对应名称的近似组件集；通过分析近似组件集中的组件，确定存在差异的差异数据与相同部分的相同数据，保存差异数据并剔除相同数据；具体的，将的提取差异的数据变换参数进行存储，另外剔除相同的数据部分，这样就减少存储大量模型的存储空间。此外，由于网络加载差异化变换参数远小于本身的模型数据信息所占用的带宽，因此提升了新三维家具模型加载速度。
【专利说明】
-种数据处理方法和设备
技术领域
[0001] 本发明设及到一种数据处理方法，特别还设及到一种数据处理设备。
【背景技术】
[0002] 现有家具S维模型，均是通过通过3DMAX、MYA等S维建模软件构造的S维模型数 据，运些=维模型数据具有唯一性的特点，即每一个家具=维模型与现实当中的实体模型 是一一对应的。
[0003] 而从数据角度分析，每一款家具对应的=维模型都具有本身的网格信息、纹理信 息、材质信息，那么储存每一个家具的=维模型数据都需要为运些=维模型数据独立地在 磁盘上分配相应的存储空间，且，每一款家具对应的=维模型数据量都是很大的，运样造成 一些系统在存储大量模型上存在极大的局限性。
[0004] 此外，在=维展示角度来看，=维模型的加载同样需要独立的为每个=维模型分 配内存，运造成了家具的=维模型进行大量实时=维擅染的主要性能瓶颈。
[0005] 由W上可知，对于W服务器和客户端为基础的系统来说，从服务器获得每个家具 的=维模型时，都需要下载一个独立的=维模型数据，而该=维模型数据的数据量是很大 的，运无疑对于带宽有限的移动设备来说是一项巨大的负担。
[0006] 由此可知，在现有技术中，由于家具的=维模型数据具有唯一性的特点，且由于= 维模型包含的信息多，导致数据量大的特点，从而使得大量的模型在进行存储时，需要大量 的磁盘空间，增加了用户移动设备的开支，同时使得在对=维模型进行加载时，需要下载独 立的=维数据模型，导致加载速度很慢，对于带宽有限的移动设备是很大负担的缺陷，最终 导致在应用时具有很大的局限性。

【发明内容】

[0007] 针对现有技术中的缺陷，本申请提出了一种数据处理方法和设备，用W解决现有 技术中需要大量存储空间，加载速度很慢，给移动设备很大负担的缺陷。
[000引为此，本发明实施例提出了一种数据处理方法，包括:对=维模型数据库中的模型 按照类别进行划分，并将每一类别下的模型按照预设规则拆分为多个组件，同时对所述组 件进行命名；
[0009] 对名称相同的组件进行相似度分析，并将相似度在预设范围内的组件划分为对应 名称的近似组件集；
[0010] 通过分析所述近似组件集中的组件，确定存在差异的差异数据与相同部分的相同 数据，保存差异数据并剔除相同数据。
[0011] 优选的，所述对名称相同的组件进行相似度分析，具体包括：
[0012] 获取名称相同的组件的模型数据；
[0013] 基于所述模型数据对名称相同的组件的形状特征进行分析，来确定名称相同的各 组件之间的相似度。
[0014] 优选的，所述形状特征包括:面积分布特征和缔度方向平均半径；
[0015] 所述基于所述模型数据对名称相同的组件的形状特征进行分析，来确定名称相同 的各组件之间的相似度，具体包括：
[0016] 基于所述模型数据采用同屯、球切分模型的方式，获取名称相同的组件的面积分布 特征；
[0017] 基于所述模型数据采用极坐标的方式，获取名称相同的组件的缔度方向平均半 径；
[0018] 通过分步归类的方式综合面积分布特征与缔度方向平均半径确定名称相同的各 组件之间的相似度。
[0019] 优选的，通过分析近似组件集中的组件，确定存在差异的差异数据与相同部分的 相同数据，保存差异数据并删除相同数据，具体包括：
[0020] 从所述近似组件集中任选一个组件作为标准组件；
[0021] 利用所述标准组件与所述近似组件集中其他组件进行比较，确定其他组件与标准 组件存在差异的差异数据W及相同部分的相同数据；
[0022] 保存差异数据，同时删除相同数据。
[0023] 优选的，该方法还包括：
[0024] 当需要对=维模型进行加载时，确定待加载的=维模型的类型W及待加载的=维 模型在所述类型下对应的组件名称；
[0025] 提取相同名称的标准组件W及差异数据；
[0026] 基于所述标准组件W及差异数据转换为待加载的=维模型的组件；
[0027] 通过融合算法将转换后的组件进行融合，W完成对=维模型的加载。
[0028] 本发明实施例还提出了一种数据处理设备，包括：
[0029] 划分模块，用于对=维模型数据库中的模型按照类别进行划分，并将每一类别下 的模型按照预设规则拆分为多个组件，同时对所述组件进行命名；
[0030] 分析模块，用于对名称相同的组件进行相似度分析，并将相似度在预设范围内的 组件划分为对应名称的近似组件集；
[0031] 处理模块，用于通过分析所述近似组件集中的组件，确定存在差异的差异数据与 相同部分的相同数据，保存差异数据并剔除相同数据。
[0032] 优选的，所述分析模块对名称相同的组件进行相似度分析，具体包括：
[0033] 获取名称相同的组件的模型数据；
[0034] 基于所述模型数据对名称相同的组件的形状特征进行分析，来确定名称相同的各 组件之间的相似度。
[0035] 优选的，所述形状特征包括:面积分布特征和缔度方向平均半径；
[0036] 所述分析模炔基于所述模型数据对名称相同的组件的形状特征进行分析，来确定 名称相同的各组件之间的相似度，具体包括：
[0037] 基于所述模型数据采用同屯、球切分模型的方式，获取名称相同的组件的面积分布 特征；
[0038] 基于所述模型数据采用极坐标的方式，获取名称相同的组件的缔度方向平均半 径；
[0039] 通过分步归类的方式综合面积分布特征与缔度方向平均半径确定名称相同的各 组件之间的相似度。
[0040] 优选的，所述处理模块，具体用于：
[0041 ] 从所述近似组件集中任选一个组件作为标准组件；
[0042] 利用所述标准组件与所述近似组件集中其他组件进行比较，确定其他组件与标准 组件存在差异的差异数据W及相同部分的相同数据；
[0043] 保存差异数据，同时删除相同数据。
[0044] 优选的，该数据处理设备还包括：
[0045] 加载模块，用于：当需要对=维模型进行加载时，确定待加载的=维模型的类型W 及待加载的=维模型在所述类型下对应的组件名称；
[0046] 提取相同名称的标准组件W及差异数据；
[0047] 基于所述标准组件W及差异数据转换为待加载的=维模型的组件；
[0048] 通过融合算法将转换后的组件进行融合，W完成对=维模型的加载。
[0049] 与现有技术相比，本发明实施例，通过对=维模型数据库中的模型按照类别进行 划分，并将每一类别下的模型按照预设规则拆分为多个组件，同时对所述组件进行命名;对 名称相同的组件进行相似度分析，并将相似度在预设范围内的组件划分为对应名称的近似 组件集;通过分析所述近似组件集中的组件，确定存在差异的差异数据与相同部分的相同 数据，保存差异数据并剔除相同数据;具体的，将的提取差异的数据变换参数进行存储，另 外剔除相同的数据部分，运样就减少存储大量模型的存储空间。此外，由于网络加载差异化 变换参数远小于本身的模型数据信息所占用的带宽，因此提升了新=维家具模型加载速 度。
【附图说明】
[0050] 图1为本发明实施例还提出了一种数据处理方法的流程示意图；
[0051] 图2为本发明实施例提出的一种确定面积分布特征示意图；
[0052] 图3为本发明实施例提出的一种确定缔度方向平均半径的示意图；
[0053] 图4为本发明实施例提出的一种比较组件之间差异的示意图；
[0054] 图5为本发明实施例提出的一种数据处理设备的结构示意图。
【具体实施方式】
[0055] 针对现有技术中存在的需要大量存储空间，加载速度很慢，给移动设备很大负担 的缺陷，本发明提出了一种数据处理方法和设备，用W解决现有技术中的问题，减少了数据 量，进而减少了数据所需的存储空间，W及提高了加载速度。
[0056] 为此，本发明提出了 W下几个实施例：
[0化7]实施例1
[005引实施例1提出了一种数据处理方法，如图1所示，包括W下步骤：
[0059] 步骤101、对S维模型数据库中的模型按照类别进行划分，并将每一类别下的模型 按照预设规则拆分为多个组件，同时对组件进行命名。
[0060] 具体的，=维模型数据库中存储的都是同一种类实体的=维模型，其中的种类，可 W分为家具，电器等等，在此W家具的=维模型为例来进行说明，对=维模型数据库中的模 型按照类别进行划分，例如可W分为床、餐桌，凳子等等。W此可W建立索引，从而实现快速 查找。
[0061] 在基于类别进行划分后，还要进行拆分，在此W-个具体的实施例来进行说明：例 如床可W拆分成的组件包括:床头、床头装饰、床垫、床尾、床尾装饰、四角装饰柱、护栏、侧 面板、床板等。具体的命名可W基于生活中的习惯叫法来进行命名，或者科学上采用的专业 名称等等。
[0062] 步骤102、对名称相同的组件进行相似度分析，并将相似度在预设范围内的组件划 分为对应名称的近似组件集。
[0063] 对名称相同的组件进行相似度分析，具体包括：
[0064] 获取名称相同的组件的模型数据；
[0065] 基于模型数据对名称相同的组件的形状特征进行分析，来确定名称相同的各组件 之间的相似度。
[0066] 而其中，形状特征包括:面积分布特征和缔度方向平均半径；
[0067] 具体的，基于模型数据对名称相同的组件的形状特征进行分析，来确定名称相同 的各组件之间的相似度，包括：
[0068] 基于模型数据采用同屯、球切分模型的方式，获取名称相同的组件的面积分布特 征；
[0069] 基于模型数据采用极坐标的方式，获取名称相同的组件的缔度方向平均半径；
[0070] 通过分步归类的方式综合面积分布特征与缔度方向平均半径确定名称相同的各 组件之间的相似度。
[0071] 在此W-个具体的实施例来进行说明，例如=维模型为家具，分类后实体为床，分 别命名为床1，床2,床3，- ??，而在进行了组件拆分后，对应的相同名称的组件为床板，其 命名可W对应床，分别命名为床板1，床板2,床板3 - ? ?，然后对各床板组件进行相似度分 析，具体的，W同屯、球切分模型的方式，获取各床板的面积分布特征，还要将对应的床板的 3D模型放入放到极坐标系中，然后按缔度方向进行切分，计算每个切分部分所含点到坐标 原点的平均半径距离作为3D模型特征向量，并基于3D模型特征向量来进行处理，得到缔度 方向平均半径，当然，运两个步骤是不分先后的，可W同时进行，也可W先后进行。在获取了 面积分布特征W及缔度方向平均半径之后，利用分步归类的方式综合运两个特征最终得到 名称相同的各组件之间的相似度。
[0072] 而在获取了名称相同的各组件之间的相似度之后，将相似度在预设范围内的组件 划分为对应名称的近似组件集，仍W上述为例来进行说明，例如预设范围为从0.8到1(在 此，数值越大，表示相似程度越高，按照不同的运算实际情况，也可W使得数值越大，表示相 似程度越低），按照运预设范围进行划分，使得床板1，床板2,床板4,床板7,床板8作为一个 近视组件集。
[0073] 步骤103、通过分析近似组件集中的组件，确定存在差异的差异数据与相同部分的 相同数据，保存差异数据并剔除相同数据。
[0074] 具体的，通过分析近似组件集中的组件，确定存在差异的差异数据与相同部分的 相同数据，保存差异数据并删除相同数据，包括：
[0075] 从近似组件集中任选一个组件作为标准组件；
[0076] 利用标准组件与近似组件集中其他组件进行比较，确定其他组件与标准组件存在 差异的差异数据W及相同部分的相同数据；
[0077] 保存差异数据，同时删除相同数据。
[0078] 具体的，仍W上述例子来进行说明，床板1，床板2,床板4,床板7,床板8作为一个近 视组件集，其中可W任选一个组件作为标准组件，例如可W选择床板7作为标准组件，并通 过其他的4个组件（即床板1，床板2,床板4,床板8)与床板7,分别进行比较，在此W床板2与 床板7的比较为例来进行说明，床板2与床板7存在共同的部分，例如为数据1，而床板2与床 板7的差异部分为数据2,在此就可W保留数据2,删除数据1。后续可W利用数据2与床板7将 床板2恢复。
[00巧]具体的，该方法还包括：
[0080] 当需要对=维模型进行加载时，确定待加载的=维模型的类型W及待加载的=维 模型在类型下对应的组件名称；
[0081] 提取相同名称的标准组件W及差异数据；
[0082] 基于标准组件W及差异数据转换为待加载的=维模型的组件；
[0083] 通过融合算法将转换后的组件进行融合，W完成对=维模型的加载。
[0084] 实施例2
[0085] 为了对本申请进行进一步地说明，本发明还提出了一种具体应用场景下的实施例 2。
[0086] 步骤1、首先建立个家具=维模型的大数据库。
[0087] 步骤2、将家具模型按照家具类别进行分类，如:床、餐桌等等，形成按照家具类别 分类，可W进行快速索引的家具=维模型的数据库。
[0088] 步骤3、将每一类别的家具按照相应的规则进行组件化拆分，如:床拆分为床头、床 头装饰、床垫、床尾、床尾装饰、四角装饰柱、护栏、侧面板、床板等，并分析同一类别不同家 具的相同组件的网格信息。
[0089] 其中，具体的=维模型网格信息是通过提取模型网格的不同的形状特征来进行分 析的，而具体的形状特征包括:面积分布特征和缔度方向平均半径，因此是通过结合使用运 2个特征进行归类分析的。
[0090] 具体的，针对面积分布特征，是采用同屯、球切分模型的方式，计算每个切分部分的 表面面积所占比例作为面积分布特征，具体的过程如图2所示，过程如下：
[0091] (1)、使用表面积加权平均法计算3D模型的中屯、，然后将模型的坐标原点平移到中 心点。
[0092] (2)、W模型的中屯、点为球屯、，使用10个不同半径的同屯、球等距离切分模型。一个 具体的实施例。
[0093] (3)、计算每个切分部分所包含S角面片的面积之和，然后除W3D模型的总表面 积，构成具有10个分量的特征向量[Ai，A2，A3，? '，Aio]作为面积分布特征。
[0094] 另一个特征为缔度方向平均半径，具体的，缔度方向平均半径特征提取是将3D模 型放到极坐标系中，然后按缔度方向进行切分，计算每个切分部分所含点到坐标原点的平 均半径距离作为3D模型特征向量。其具体的过程如图3所示，具体有如下过程：
[OOM] (I)、首先使用PCA方法对3D模型进行规范化预处理，使其满足平移不变，缩放不 变，旋转不变，对称不变。
[0096] (2)、对3D模型的表面进行均匀采样，将S角面片模型转换为点云模型。
[0097] (3)、把点云模型变换到极坐标系中，使用极坐标表示每个点。按缔度方向（角方 向）等角度把点云模型切分成M等份，一般M=16,每部分的角度大小为0=VM。
[0098] (4)计算每部分的点到极点的平均半径，然后将每部分的平均半径除W点云模型 所有点的平均半径，构成3D模型的缔度方向平均半径特征向量[r0，ri，，? .，Rm-IL
[0099] 在获取了 W上两个特征之后，可W综合利用运两个特征进行形状特征的分析，具 体的，为了利用2个特征间的互补性使得模型分类更准确，采用分步归类的方法归类3D模 型，具体算法如下：
[0100] 首先根据示例3D模型的面积分布特征，应用二次型形式的距离公式计算相似度， 公式如下：
[0101]
[0102] 其中：P和q是2个模型的特征向量；
[0103] N是特征向量的分量个数；
[0104] A是N X N的相似矩阵，
[0105] 曰1康示特征向量的分量巧日j的相近度。运里将A设置为单位矩阵，那么公式将变为 欧几里德距离公式，那么欧几里德距离公式是二次型形式距离公式的一个特例。au定义为 SiJ = G-WiiJjid(Lj)是特征向量的分量之间的距离。
[0106] 其中，如果用不同半径同屯、球切分3D模型，分量之间的距离是半径的差值;如果用 不同的角度来切分，那么分量之间的距离是角度的差值。
[0107] 5是用来控制相似矩阵整体变化的参数，S越大，得到的矩阵就越接近单位矩阵，运 里取8 = 5。根据二次型形式的距离公式计算距离d<0.3的模型归类，数量为K。
[0108] 然后根据示例模型的缔度方向平均半径特征从K个3D模型中，依然利用二次型形 式的距离公式计算距离d<0.2的L个最相似模型归为一类。
[0109] 步骤4、在已经归类的近似组件集合中任意选出一个组件作为标准组件，将标准组 件与其他组件分别比较，提取差异的数据变换参数进行存储，剔除相同的数据部分。步骤计 算法如下：
[0110] (1)、在标准组件的网格上和其他组件的网格表面上采用相同的均匀采样点来作 为标记点，一个具体的实施例如图4所示。
[0111] (2)、根据标准组件的网格上标记点的移动来变换标准组件的网格上的顶点。P是 一个距离阔值，运里取它为外包围盒大小的四分之一。对标准组件的网格上的一个顶点V找 出离此顶点最近的3个标记点，分别记为化，化和跑。如果线段VQi,VQ2和VQ3中至少有一个的 长度大于P，就忽略V，继续测试下一个顶点;根据化，Q2和化找到对应的其他组件网格表面的 标记点化，化和化。根据化，Q2，化和化，化和化求得变换后的顶点Vnew。
[0112]
[0113]其中：S{DiD2D3}为 A {D1D2D3}的面积；
[0114] S{QiQ2Q3}为 A {Q1Q2Q3}的面积；
[0115] V投影到由化，化和化确定的平面上，投影点为Vp;
[0116] Vnew到0的距离为0;
[0117] 其中，n是平面{D1D2D3}的单位法线矢量，如果V-Vp与n有相同的方向，则C = I.0;否 则c = -1.0。
[011引根据运个原理只需要本地只需要存储化，Q2至化3点的数据，服务端只需要存储化，02 到化点的数据。
[0119] 步骤5、对于新的家具=维模型，首先放入数据库中拆分为对应类别的组件，然后， 将标准组件与其组件分别比较，提取差异的数据变换标记点进行存储，剔除相同的数据部 分。在本地的磁盘中只需要存储该家具=维模型类型各个组件的标准数据，那么在加载该 模型=维数据时只需要调取各个组件的标准数据，然后根据对应组件的索引快速加载差异 数据的变换信息即标记点数据，将标准数据快速的转换为需要的数据信息。
[0120] 当获得一个新=维家具模型的各个组件之后，通过对各个组件的仿射变换，将各 个组件按照拆分时的拆分规则拼接成为一个新=维家具模型的外形，然后通过网格融合算 法来进行网格的融合。
[0121] 具体的，W-个具体的例子来进行说明，例如为网格Ml和M2进行融合，由Ml边界向 M2边界扩展生成过渡网格的关键是如何生成新的网格点。其具体的过程包括：
[0122] 首先，捜索假设Ml的边界点C，捜索出C点邻近的所有其它边界点，包括Ml和M2上的 点，作为候选=角化的采样点，候选采样点列表用L表示。
[0123] 其次，利用C点处两边界cel和ce2,将候选采样点向cel和ce2所组成的平面投影， 并将位于此区域W外的候选采样点从L中删除;对于此区域内候选采样点如果与C点距离大 于I cei I + I cei I *3/4，也从L中删除。
[0124] 然后，将保留下来的候选采样点分为两种情况：
[01巧]情况1、L中除el，e2外没有其它点的情况，如果Zelce2<90°，直接连接ele2;如果 Zelce2>90°，将Zelce2均分且满足均分后各角接近60°，在每条角分线上距C点距离为 cei I +I cei I/2处增加新的采样点；
[0126] 情况2、对除el，e2外还有候选采样点保留下来的情况，首先将运些保留下来的采 样点与C相连，将此边界角分割为几个边界角，然后对每一个边界角用情况1的方法处理。更 新网格边界，完成一个封闭的新=维家具模型数据。
[0127] 实施例3
[0128] 本发明实施例提出了一种数据处理设备，具体的，该数据处理设备可W是移动端 设备，例如平板，在一个具体的应用场景中，可W如图5所示，包括：
[0129] 划分模块501，用于对=维模型数据库中的模型按照类别进行划分，并将每一类别 下的模型按照预设规则拆分为多个组件，同时对所述组件进行命名；
[0130] 分析模块502,用于对名称相同的组件进行相似度分析，并将相似度在预设范围内 的组件划分为对应名称的近似组件集；
[0131] 处理模块503,用于通过分析所述近似组件集中的组件，确定存在差异的差异数据 与相同部分的相同数据，保存差异数据并剔除相同数据。
[0132] 具体的，所述分析模块502对名称相同的组件进行相似度分析，具体包括：
[0133] 获取名称相同的组件的模型数据；
[0134] 基于所述模型数据对名称相同的组件的形状特征进行分析，来确定名称相同的各 组件之间的相似度。
[0135] 具体的，所述形状特征包括:面积分布特征和缔度方向平均半径；
[0136] 所述分析模块502基于所述模型数据对名称相同的组件的形状特征进行分析，来 确定名称相同的各组件之间的相似度，具体包括：
[0137] 基于所述模型数据采用同屯、球切分模型的方式，获取名称相同的组件的面积分布 特征；
[0138] 基于所述模型数据采用极坐标的方式，获取名称相同的组件的缔度方向平均半 径；
[0139] 通过分步归类的方式综合面积分布特征与缔度方向平均半径确定名称相同的各 组件之间的相似度。
[0140] 具体的，所述处理模块503,具体用于：
[0141 ] 从所述近似组件集中任选一个组件作为标准组件；
[0142] 利用所述标准组件与所述近似组件集中其他组件进行比较，确定其他组件与标准 组件存在差异的差异数据W及相同部分的相同数据；
[0143] 保存差异数据，同时删除相同数据。
[0144] 具体的，该数据处理设备还包括：
[0145] 加载模块，用于：当需要对=维模型进行加载时，确定待加载的=维模型的类型W 及待加载的=维模型在所述类型下对应的组件名称；
[0146] 提取相同名称的标准组件W及差异数据；
[0147] 基于所述标准组件W及差异数据转换为待加载的=维模型的组件；
[0148] 通过融合算法将转换后的组件进行融合，W完成对=维模型的加载。
[0149] 与现有技术相比，本发明实施例，通过对=维模型数据库中的模型按照类别进行 划分，并将每一类别下的模型按照预设规则拆分为多个组件，同时对所述组件进行命名;对 名称相同的组件进行相似度分析，并将相似度在预设范围内的组件划分为对应名称的近似 组件集;通过分析所述近似组件集中的组件，确定存在差异的差异数据与相同部分的相同 数据，保存差异数据并剔除相同数据;具体的，将的提取差异的数据变换参数进行存储，另 外剔除相同的数据部分，运样就减少存储大量模型的存储空间。此外，由于网络加载差异化 变换参数远小于本身的模型数据信息所占用的带宽，因此提升了新=维家具模型加载速 度。
【主权项】
1. 一种数据处理方法，其特征在于，包括： 对三维模型数据库中的模型按照类别进行划分，并将每一类别下的模型按照预设规则 拆分为多个组件，同时对所述组件进行命名； 对名称相同的组件进行相似度分析，并将相似度在预设范围内的组件划分为对应名称 的近似组件集； 通过分析所述近似组件集中的组件，确定存在差异的差异数据与相同部分的相同数 据，保存差异数据并剔除相同数据。2. 如权利要求1所述的方法，其特征在于，所述对名称相同的组件进行相似度分析，具 体包括： 获取名称相同的组件的模型数据； 基于所述模型数据对名称相同的组件的形状特征进行分析，来确定名称相同的各组件 之间的相似度。3. 如权利要求2所述的方法，其特征在于，所述形状特征包括:面积分布特征和炜度方 向平均半径； 所述基于所述模型数据对名称相同的组件的形状特征进行分析，来确定名称相同的各 组件之间的相似度，具体包括： 基于所述模型数据采用同心球切分模型的方式，获取名称相同的组件的面积分布特 征； 基于所述模型数据采用极坐标的方式，获取名称相同的组件的炜度方向平均半径； 通过分步归类的方式综合面积分布特征与炜度方向平均半径确定名称相同的各组件 之间的相似度。4. 如权利要求1所述的方法，其特征在于，通过分析近似组件集中的组件，确定存在差 异的差异数据与相同部分的相同数据，保存差异数据并删除相同数据，具体包括： 从所述近似组件集中任选一个组件作为标准组件； 利用所述标准组件与所述近似组件集中其他组件进行比较，确定其他组件与标准组件 存在差异的差异数据以及相同部分的相同数据； 保存差异数据，同时删除相同数据。5. 如权利要求1所述的方法，其特征在于，还包括： 当需要对三维模型进行加载时，确定待加载的三维模型的类型以及待加载的三维模型 在所述类型下对应的组件名称； 提取相同名称的标准组件以及差异数据； 基于所述标准组件以及差异数据转换为待加载的三维模型的组件； 通过融合算法将转换后的组件进行融合，以完成对三维模型的加载。6. -种数据处理设备，其特征在于，包括： 划分模块，用于对三维模型数据库中的模型按照类别进行划分，并将每一类别下的模 型按照预设规则拆分为多个组件，同时对所述组件进行命名； 分析模块，用于对名称相同的组件进行相似度分析，并将相似度在预设范围内的组件 划分为对应名称的近似组件集； 处理模块，用于通过分析所述近似组件集中的组件，确定存在差异的差异数据与相同 部分的相同数据，保存差异数据并剔除相同数据。7. 如权利要求6所述的设备，其特征在于，所述分析模块对名称相同的组件进行相似度 分析，具体包括： 获取名称相同的组件的模型数据； 基于所述模型数据对名称相同的组件的形状特征进行分析，来确定名称相同的各组件 之间的相似度。8. 如权利要求7所述的设备，其特征在于，所述形状特征包括:面积分布特征和炜度方 向平均半径； 所述分析模炔基于所述模型数据对名称相同的组件的形状特征进行分析，来确定名称 相同的各组件之间的相似度，具体包括： 基于所述模型数据采用同心球切分模型的方式，获取名称相同的组件的面积分布特 征； 基于所述模型数据采用极坐标的方式，获取名称相同的组件的炜度方向平均半径； 通过分步归类的方式综合面积分布特征与炜度方向平均半径确定名称相同的各组件 之间的相似度。9. 如权利要求6所述的设备，其特征在于，所述处理模块，具体用于： 从所述近似组件集中任选一个组件作为标准组件； 利用所述标准组件与所述近似组件集中其他组件进行比较，确定其他组件与标准组件 存在差异的差异数据以及相同部分的相同数据； 保存差异数据，同时删除相同数据。10. 如权利要求6所述的设备，其特征在于，还包括： 加载模块，用于：当需要对三维模型进行加载时，确定待加载的三维模型的类型以及待 加载的三维模型在所述类型下对应的组件名称； 提取相同名称的标准组件以及差异数据； 基于所述标准组件以及差异数据转换为待加载的三维模型的组件;通过融合算法将转 换后的组件进行融合，以完成对三维模型的加载。
【文档编号】G06F17/30GK105956005SQ201610249262
【公开日】2016年9月21日
【申请日】2016年4月20日
【发明人】曹屹
【申请人】曹屹, 苏芮