一种文物碎片模型自动分割及拼接方法技术

本发明专利技术公开了一种文物碎片模型自动分割及拼接方法，包括以下步骤：S1:将文物的碎片重建为三维网格模型；S2:在三维网格模型上标记断面边缘部分和断面平整部分的三角面片，并记录所标记的三角面；S3：采用卷积神经网络模型预测每个三维网格模型的断面边缘部分,S4：利用碎片模型的几何特征对具有粗标记的碎片模型进行误差去除处理S5：采用比较断面长度相似度的方式进行断面匹配，采用基于断面主方向的方式获取断面预配准结果再利用ICP算法对断面进行精确配准实现一对断面的拼接。本方法利用卷积神经网络训练指定位置的特征，并进行预测得到了相当好的分割效果从而实现文物碎片的精准拼接。

【技术实现步骤摘要】
一种文物碎片模型自动分割及拼接方法
本专利技术涉及图形分割和拼接
，尤其涉及一种文物碎片模型自动分割及拼接方法。
技术介绍
在文物碎片拼接中，首先要找到碎片的断面部分，以进行后续的拼接处理。人工标记碎片断面部分，需要大量的时间和精力，并且存在误差。现有技术中采用基于随机游走的三维网格分割算法对碎片进行拼接，该方法从某点出发，随机向左右移动，向左和向右的概率相同，都为1/2，并且到达0点或N点则不能移动。那么通过求解该线性方程组就可以得到各个点到达目的地N点的概率。将这种思想扩展到三维网格分割，将网格中每个三角片对应图中一个节点，利用相邻三角片之间的二面角来定义节点之间的权重。同样通过求解线性方程组可以得到网格分割效果。另外现有技术中还采用基于谱聚类的三维网格分割算法对碎片进行拼接处理，该方法首先构建一个相似矩阵用于记录网格上相邻面片之间的差异性，然后计算相似矩阵的前k个特征向量，这些特征向量将网格面片映射到k维谱空间的单位球上，最后使用K-means方法对谱空间中的数据点进行聚类。无论是基于传统三维网格分割算法、谱聚类的三维网格分割算法、法向量聚类、曲率、MeanShift聚类对于碎片断面分割的完整性都很差，可能出现多余或缺少的部分。
技术实现思路
根据现有技术存在的问题，本专利技术公开了一种文物碎片模型自动分割及拼接方法，具体包括以下步骤：S1:将文物的碎片重建为三维网格模型，其中三维网格模型由多个三角面片的网格组成，利用法向投影法获得每个三角面片的特征映射图像；S2:在三维网格模型上标记断面边缘部分和断面平整部分的三角面片，并记录所标记的三角面；S3：采用卷积神经网络模型预测每个三维网格模型的断面边缘部分，并将预测结果标记到三维网格模型上得到具有粗标记的碎片模型；S4：利用碎片模型的几何特征对具有粗标记的碎片模型进行误差去除处理：利用面积均值法去除标记错误的三角面片，采用获取骨架的方法剔除大部分断面边缘三角面片，利用法向量聚类方法对剔除骨架的碎片模型进行聚类处理，采用捷径切割方式去掉多余的三角面片得到完整的断面分割模型；S5：采用比较断面长度相似度的方式进行断面匹配，采用基于断面主方向的方式获取断面预配准结果再利用ICP算法对断面进行精确配准实现一对断面的拼接。所述利用法向投影法获得每个三角面片的特征映射图像采用如下方式：将当前三角面片上方具有尺度不变性、空间不变性的几何形状投影到三维模型上，投影的覆盖范围包括当前三角面片及其近邻三角面片，投影的方向为当前三角面片法向量法向的反方向，当前三角面片的空间特征信息是投影点到三维模型的距离，再将这些距离映射为像素值即得到特征映射图像。卷积神经网络模型预测每个三维网格模型的断面边缘部分：S31：构造具有一个输入层、三个卷积层、一个全连接层和一个输出层的神经网络，设共有N个训练样本，每个训练样本相应的标签均有m个维度，卷积神经网络的代价函数表示为：其中表示第n个样本对应的标签的第k个分量，表示网络输入第n个样本属于第k个类别的概率，卷积神经网络模型只在一个训练样本上的训练误差表示为：S32：卷积神经网络采用Relu函数作为输出层的激活函数，网络使用交叉熵代价函数作为系统的损失代价函数，表达式如下：loss＝-∑Y′log(Y)对于真实的类别向量为Y′表示样本的真是类别，预测的向量为Y表示样本经过网络的训练得到的预测类别。S33：采用随机梯度下降法对损失代价函数进行优化，设随机梯度下降算法损失代价函数为J(θ)，则随机梯度下降算法在更新和计算参数梯度时，使用单个或者少量训练样本来估计期望值，即其中，(x(i)；y(i))是训练集中的一个样本，η为学习率，经过对损失函数的优化完成了卷积神经网络训练的过程，将训练结果直接应用在没有做任何标记的数据集上，即完成了断面边缘粗标记的过程。所述利用面积均值法去除标记错误的三角面片采用如下方式：定义标记的三角面片的集合为L＝{l1,l2,…,ln}，n为预测结果中标记三角面片的个数，则标记的三角面片面积的均值表示为依次遍历标记的三角面片计算其面积Sl，如果Sl<Savg则将该三角面片加入到拟边缘三角面片的集合M中，再将集合M中的三角面片标记在碎片模型上得到过滤掉断面平整部分三角面片的集合。所述采用获取骨架的方法剔除断面边缘三角面片采用如下方式：S41：连接集合M中所有第一近邻三角面片的中心点组成ω个连通分量，并将所有连通分量中三角面片加入到边缘三角面片的集合M′中；S42：将集合M中没有近邻的三角面片的中心点当做孤点，连接到距离其最近的连通分量中，并将孤点与其近邻连通分量连接处覆盖的三角面片加入集合M′中，并计算每个连通分量的端点；S43：将两个端点距离最近的连通分量连接为同一连通分量，连接处为两个连通分量的端点，将两个连通分量连接处覆盖的三角面片加入到集合M′中；S44：将步骤S53迭代λ次使整个连通分量缩小到一定数目，得到断面边缘部分的骨架，剔除边缘骨架所在的三角面片。采用捷径切割方式去掉多余的三角面片得到完整的断面分割模型采用如下方式：利用K-means聚类方法将断面平整部分与其他部分切割开，聚类数目为k,在聚类结果中的每一类选取γ个三角面片，放入集合C中，即C＝{C1,C2,…,Ck}，其中Ci(i＝1,2,…,k)表示每一类中三角面片的集合；利用Dijkstra算法计算集合C中每个集合中三角面片之间的最短路径其中U,V∈C,U≠V；则每两个集合间的最短路径表示为其中T＝{t1,t2,…,tn}表示路径上三角面片的集合；统计每个三角面片在所有最短路径上出现的频数fi，当fi满足设置阈值即将该三角面片剔除从而得到完整的断面分割结果。采用比较断面长度相似度的方式进行断面匹配采用如下方式：将每个断面上的点集利用K-means聚类分成h个类，每个类的中心点为ξi(xi,yi,zi),其中(1≤i≤h)；计算每个断面中所有中心点间的距离，将距离d的最大值作为该断面的长度，依次找到断面长度相近的两个断面完成断面匹配。采用基于断面主方向的方式获取断面预配准采用如下方式：利用PCA算法求断面点集的主方向βi＝(ai,bi,ci)T，其中i表示第i个断面，再将两个匹配断面的主方向通过变换矩阵旋转至平行的位置，得到断面预配准结果；通过ICP算法迭代两个经过预配准的断面点集，当两个点集之间在空间上的距离满足给定的阈值或者达到一定的迭代次数，便完成了断面的精配准操作，按照断面的匹配结果将所有断面对齐实现文物碎片的复原。由于采用了上述技术方案，本专利技术提供的文物碎片模型自动分割及拼接方法，该方法采用卷积神经网络预测断面边缘部分和基于断面主方向的断面预配准方法，可准确地将碎片模型的断面完整地提取出来，不存在大面积断面缺失或多余的结果。本专利技术提出的算法具有一定的创新性，可以适用于较为复杂的文物碎片三维模型的断面提取及配准操作，能够在计算机辅助文物修复过程中提供较大的支持作用，为断面的匹配以及对齐提供了良好的基础。附图说明为了更清楚地说明本申请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作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创本文档来自技高网...

【技术保护点】
1.一种文物碎片模型自动分割及拼接方法，其特征在于：包括以下步骤：S1:将文物的碎片重建为三维网格模型，其中三维网格模型由多个三角面片的网格组成，利用法向投影法获得每个三角面片的特征映射图像；S2:在三维网格模型上标记断面边缘部分和断面平整部分的三角面片，并记录所标记的三角面；S3：采用卷积神经网络模型预测每个三维网格模型的断面边缘部分，并将预测结果标记到三维网格模型上得到具有粗标记的碎片模型；S4：利用碎片模型的几何特征对具有粗标记的碎片模型进行误差去除处理：利用面积均值法去除标记错误的三角面片，采用获取骨架的方法剔除大部分断面边缘三角面片，利用法向量聚类方法对剔除骨架的碎片模型进行聚类处理，采用捷径切割方式去掉多余的三角面片得到完整的断面分割模型；S5：采用比较断面长度相似度的方式进行断面匹配，采用基于断面主方向的方式获取断面预配准结果再利用ICP算法对断面进行精确配准实现一对断面的拼接。

【技术特征摘要】
1.一种文物碎片模型自动分割及拼接方法，其特征在于：包括以下步骤：S1:将文物的碎片重建为三维网格模型，其中三维网格模型由多个三角面片的网格组成，利用法向投影法获得每个三角面片的特征映射图像；S2:在三维网格模型上标记断面边缘部分和断面平整部分的三角面片，并记录所标记的三角面；S3：采用卷积神经网络模型预测每个三维网格模型的断面边缘部分，并将预测结果标记到三维网格模型上得到具有粗标记的碎片模型；S4：利用碎片模型的几何特征对具有粗标记的碎片模型进行误差去除处理：利用面积均值法去除标记错误的三角面片，采用获取骨架的方法剔除大部分断面边缘三角面片，利用法向量聚类方法对剔除骨架的碎片模型进行聚类处理，采用捷径切割方式去掉多余的三角面片得到完整的断面分割模型；S5：采用比较断面长度相似度的方式进行断面匹配，采用基于断面主方向的方式获取断面预配准结果再利用ICP算法对断面进行精确配准实现一对断面的拼接。2.根据权利要求1所述的一种文物碎片模型自动分割及拼接方法，其特征还在于：所述利用法向投影法获得每个三角面片的特征映射图像采用如下方式：将当前三角面片上方具有尺度不变性、空间不变性的几何形状投影到三维模型上，投影的覆盖范围包括当前三角面片及其近邻三角面片，投影的方向为当前三角面片法向量法向的反方向，当前三角面片的空间特征信息是投影点到三维模型的距离，再将这些距离映射为像素值即得到特征映射图像。3.根据权利要求1所述的一种文物碎片模型自动分割及拼接方法，其特征还在于：卷积神经网络模型预测每个三维网格模型的断面边缘部分：S31：构造具有一个输入层、三个卷积层、一个全连接层和一个输出层的神经网络，设共有N个训练样本，每个训练样本相应的标签均有m个维度，卷积神经网络的代价函数表示为：其中表示第n个样本对应的标签的第k个分量，表示网络输入第n个样本属于第k个类别的概率，卷积神经网络模型只在一个训练样本上的训练误差表示为：S32：卷积神经网络采用Relu函数作为输出层的激活函数，网络使用交叉熵代价函数作为系统的损失代价函数，表达式如下：loss＝-∑Y′log(Y)对于真实的类别向量为Y′表示样本的真是类别，预测的向量为Y表示样本经过网络的训练得到的预测类别。S33：采用随机梯度下降法对损失代价函数进行优化，设随机梯度下降算法损失代价函数为J(θ)，则随机梯度下降算法在更新和计算参数梯度时，使用单个或者少量训练样本来估计期望值，即其中，(x(i)；y(i))是训练集中的一个样本，η为学习率，经过对损失函数的优化完成了卷积神经网络训练的过程，将训练结果直接应用在没有做任何标记的数据集上，即完成了断面边缘粗标记的过程。4.根据权利要求1所述的一种文物碎片模型自动分割及拼接方法，其特征还在于：所述利用面积均值法去除标记错误的三角面片采用如下方式：定义标记的三角面片的集合为L＝{l1,l2,…,l...

【专利技术属性】
技术研发人员：刘斌，王明哲，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁,21