[发明专利]检测三维网格模型中的重复结构的方法和设备

说明书

技术领域

本发明涉及一种检测三维网格模型中的重复结构的方法。

背景技术

重复结构不仅在自然界无处不在，例如在生物学和物理学上，而且在其他领域，如工程和艺术中也是如此。重复结构在人造物体中很常见，并且在例如建筑的几乎所有的设计风格中都非常重要。因此，所有常见类型的三维网格模型通常都会包括重复结构。由于这类模型的复杂性增加，因此人们希望最小化对它们进行编码所需的数据量。人们已经发现对称性（包括重复结构）是一种可以用来降低复杂性的冗余：重复结构只需要进行一次编码，并可以被多次调用或“实例化”。为了从这种冗余中获益，必须在现有的三维网格模型中检测重复结构。传统的方法使用一种依赖于用户手动识别重复元素的分割周期结构的技术。很显然，最好不需要这种用户辅助。

可以通过变换（如旋转、平移、镜射（reflection）和均匀缩放）对重复结构的每个实例单独进行修改。一种现有的（部分）对称性检测的方法¹（即使在不同的尺寸等级）使用一种被称为“变换投票（transformation voting）”的方法：它包括构建一个变换空间、聚类可能的变换以及通过变换聚类来决定对称性。例如，Mitra¹在第一步骤中计算局部形状描述符，然后将其用于配对在候选对称动作下可能映射到彼此的点。一组可能的候选变换被称作变换空间。具有相似变换的对形成变换空间中的聚类，这为相应的对称关系提供了依据。在第二步骤中，对其变换落入一个聚类的点对进行空间一致性检查。随机的聚类提供了表面相似性，因此在检测和提取对称的表面分片时，只需要考虑一个较小的候选采样集合。使用曲率描述符对采样点进行配对；候选点对在它们的曲率描述符相差太多时被舍弃。类似地，已有根据曲率描述符将采样点分组分成若干“相似集合”的做法²。曲率通常是几何对象偏离平坦的量。

使用聚类的一个原因是要比较的数据量非常大。采样点的数目（也即数据量）高度依赖于采样步长：较小的采样步长会导致更多的数据，这使得聚类步骤效率变低。然而，较大的采样步长会导致小尺寸等级结构的遗漏。

发明内容

本发明提供了对现有的三维压缩方法，尤其是对变换投票方法的改善。后者通常有通过变换聚类寻找对称候选并且然后比较候选的步骤。可以在三维压缩或其他应用中采用它们。

本发明提供的改善至少涉及采样步长大小。具体地说，本发明使用利用递减的采样步长大小的迭代均匀采样的方法。使用相对较大的初始采样步长对一个给定的三维网格模型进行均匀采样。然后，根据采样点的曲率对采样点进行聚类，然后确定属于同一聚类的采样点之间的变换。这些就是所谓的候选变换。因此，只需要为那些其中两个点具有相似的曲率的采样点对确定候选变换。这样的聚类步骤不仅改善了算法的效率，而且也提高了算法的精度。由之前计算的所有变换构建的变换空间包含比它在采样步长大小更小时包含的噪声元素更少的噪声元素。因此，随后的聚类步骤会更容易发现所有的重复结构。如果模型包括若干重复结构，这种聚类的通常的结果是，会出现一个或多个不同的聚类。在下一步骤中，选择（最相关的）聚类，并采用对应的变换和采样点对表示重复结构。最相关的聚类是那些最重要和明显的聚类。不属于某个聚类的其他变换被舍弃。

使用递减的采样步长迭代执行此过程。每一次迭代都跳过重复部分，只处理模型的剩余部分和在上一次迭代中检测到的代表性结构的代表。因此，同样可以发现三维模型上的多尺寸等级的重复结构。当重复结构的数目稳定时或者当达到预先定义的最小采样步长大小时，迭代过程停止。另外，也可以定义一个超时，测量该过程的运行时间，并在运行时间超过该超时时终止该过程。

另外的聚类和迭代步骤可以减少待研究的可能变换的数量，从而降低所需的处理能力。

根据本发明的一个实施例，一种用于检测三维网格模型中的重复结构的方法包括以下步骤：使用当前（均匀）的采样步长大小对三维网格模型进行采样，

在三维网格模型中检测模型的一个或多个重复结构和剩余部分，并确定一个或多个重复结构中的每一个重复结构的代表，

只要检测步骤使用当前的采样步长大小产生了一个或多个重复结构，就减少当前的采样步长大小以获得减小的采样步长大小，以及

针对检测到的重复结构的每个检测到的代表以及针对模型的剩余部分重复采样和检测步骤，其中减小的采样步长大小被用作当前采样步长大小。检测到的多尺寸等级的重复结构以树状结构记录。如果检测步骤没有产生更多的重复结构，或者如果达到预先定义的最小采样步长大小或超时，那么终止该检测重复结构的方法。