【技术实现步骤摘要】
基于权重能量自适应分布的三维形状分割方法及系统
本专利技术涉及三维图像分割领域，尤其涉及一种基于权重能量自适应分布的三维形状分割方法及系统。
技术介绍
随着三维扫描技术和建模技术的不断发展，三维模型被广泛地应用于实际的生产生活和科学研究中，相关的数字几何处理技术研究也得到了不断深入。其中，三维模型分割算法是许多数字几何处理技术的基础，比如网格变形编辑、模型骨架提取和形状检索等都可以用到模型分割算法。三维模型种类和数量的飞速增长对模型分割算法的效能提出了更高的要求。近年来，国内外的很多学者对三维模型分割问题进行了大量的研究。基于学习的三维模型分割算法可以在训练好的算法模型上快速对新输入的模型进行分割，具有较好的应用前景，现已成为研究的热点之一。基于学习的三维模型分割算法按照学习方式可以分为全监督算法、弱监督算法和无监督算法。全监督算法在人工完全分割好的模型上进行学习训练，分割效果较好。在2010年计算机图形学顶级会议SIGGRAPH上，Kalogerakis等人最先提出基于监督学习的三维模型分割算法，通过构建目标函数来建立三维模型面片与分类标签之间的对应关系，用人工...
【技术保护点】
1.基于权重能量自适应分布的三维形状分割方法，包括训练深度神经网络以及利用训练后的深度神经网络对待分割三维模型进行分割预测过程，其特征在于，所述深度神经网络的训练过程包括步骤：S1、提供若干个三维模型Sk及其分割标签Lk，将Sk分割为分割成n个小块，构成小块集合{sk1,sk2,···skn}，随机选取每个小块上的一个三角面片代表小块ski，通过分割标签Lk确定每个三角面片对应的分割标签lki；S2、提取每个三角面片的特征向量{xk1,xk2,···xkn}，将所有选出的三角面片的特征向量组成集合以作为深度神经网络训练的输入；S3、通过分割标签lki分别计算同一三维模型下的...
【技术特征摘要】
1.基于权重能量自适应分布的三维形状分割方法，包括训练深度神经网络以及利用训练后的深度神经网络对待分割三维模型进行分割预测过程，其特征在于，所述深度神经网络的训练过程包括步骤：S1、提供若干个三维模型Sk及其分割标签Lk，将Sk分割为分割成n个小块，构成小块集合{sk1,sk2,···skn}，随机选取每个小块上的一个三角面片代表小块ski，通过分割标签Lk确定每个三角面片对应的分割标签lki；S2、提取每个三角面片的特征向量{xk1,xk2,···xkn}，将所有选出的三角面片的特征向量组成集合以作为深度神经网络训练的输入；S3、通过分割标签lki分别计算同一三维模型下的三角面片si到与si标签不同的三角面片sj的测地距离的最小值在利用激活函数得到权重能量分布M，计算获取每个三角面片的软标签yi＝Mi·ζi，其中ζi是标签li的One-hot编码形式，将所有三维模型下的三角面片的软标签作为深度神经网络训练的输出；S4、用上述输入和输出训练一个带有随机失活层的深度神经网络。2.根据权利要求1所述的基于权重能量自适应分布的三维形状分割方法，其特征在于，权重能量分布M定义为：其中，d表示面片间的测地距离，表示面片i到与它分割标签不一致的面片j的测地距离中最小的一个，表示高斯函数，用来对测地距离进行归一化处理，参数μ设为0，参数σ设为最小的测地距离的平均值3.根据权利要求1所述的基于权重能量自适应分布的三维形状分割方法，其特征在于，所述深度神经网络包括六个隐含层和一个输出层。4.根据权利要求3所述的基于权重能量自适应分布的三维形状分割方法，其特征在于，三角面片的特征向量是通过利用高斯曲率、形状直径函数以及平均测地距离三个特征向量符串接成的3维特征向量。5.根据权利要求4所述的基于权重能量自适应分布的三维形状分割方法，其特征在于，所述输出层负责接收三角面片的特征向量集合，所述输入层神经元的个数与特征描述符向量的维度相同。6.根据权利要求1所述的基于权重能量自适应分布的三维形状分割方法，其特征在于，利用深度神经网络对待分割三维模型进行分割预测的过程包括步骤：S5、利用过分割...
【专利技术属性】
技术研发人员：舒振宇，杨思鹏，庞超逸，袁翔，辛士庆，杨雨璠，孔晓昀，胡超，
申请(专利权)人：浙江大学宁波理工学院，
类型：发明
国别省市：浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。