[发明专利]用改进的k-means对三维模型进行空域分割的方法

说明书

本发明公开了一种用改进的k‑means对三维模型进行空域分割的方法。本发明首先将待求曲率的顶点在所有帧中的坐标连接成曲线并用光谱分析法对目标模型进行分割。其次根据顶点曲率期望将顶点初始归为块，即将曲率期望相近的顶点分为一块；分别计算其他顶点到这s个顶点的度量d。然后更新每一簇的中心，即根据每一部分中所有顶点度量值的期望，找到此部分中与期望值最接近的顶点度量作为此部分新的聚类中心点，最后重复直到阈值threshold小于某个设定的值为止。本发明用曲率表示模型的运动剧烈程度，创新性地用欧几里德距离与曲率期望的加权平均定义为聚类度量，这样聚类结果不仅保证了空间连续性又保证了模型的运动性。

技术领域

本发明属于三维动画模型压缩的多媒体技术领域，具体涉及一种改进的k-means空域分割方法。

背景技术

随着三维数据获取手段的不断丰富，计算机图形学相关理论及技术的日臻成熟和网络技术的迅猛发展，三维模型作为继文本、音频、图像(图形)和视频之后的第五种多媒体数据类型在工业制造、产品展示、建筑设计、机器人技术、医学、电子商务、教育培训、军事模拟仿真以及影视娱乐等诸多领域里扮演着日益重要的角色并发挥其独有的优势。

但日益精细完美的三维模型被广泛应用的同时，其数据量和复杂度的激增给PC机图形显示卡、手持移动计算终端的图形处理能力及网络带宽带来了极大的挑战，这无疑严重阻碍了该类型媒体的使用和传播。要解决这一问题，仅仅依靠提高处理器的处理速度和能力、增加存储器容量和网络带宽等硬件方面的措施是不现实的，必须还要采取一些相应的算法来减少三维模型数据，三维几何数据压缩技术便是其中一种行之有效的方法。

对于客户端而言，所需的三维模型存储数据越少、重构误差越小越好。当然前人也研究了一些方法，对于聚类来说，有效且最常用的是K-means聚类算法。但该算法存在这其固有的缺点，首先算法中k是事先给定的，该k值的选定是很难估计的，因为在大多数情况下，并不知道给定的数据集应该分成多少个类别才合适；其次该算法对初始值的选取依赖性极大，而且算法常陷入局部极小解，不同的初始值结果往往不同；最后该算法需要不断地进行样本分类调整，不断地计算调整后的新聚类中心，因此当数据量非常大时，该算法的时间开销也很大。

发明内容

本发明针对现有空域分割技术在三维场景应用方面的不足，提出了一种用改进的k-means对三维模型进行空域分割的方法。

本发明解决其技术问题所采用的技术方案如下：

本发明包括以下步骤：

步骤一：假设帧数为F,每一帧所含有的顶点数为N，F>0，N>0。将待求曲率的顶点在所有帧中的坐标连接成曲线，在某帧中的曲率即为该曲线上对应点的曲率。将求出的曲率保存至元胞矩阵k中，其中k＝cell(1,N),k{i}为一行向量，且length(k{i})＝F-2,1≤i≤N。求出每个顶点在所有帧中的曲率期望存入矩阵E中并画出曲率期望图，其中E为一行向量，且length(E)＝N：

步骤二:用光谱分析法对目标模型进行分割，假设分割的块数为s，然后微调块数s，具体是：

将重构前后的差值存入矩阵d中，d为1×N的矩阵，然后再对d做归一化，归一化后的结果保存至矩阵y中。将归一化后的数据用不同深度的颜色标记在模型上。

步骤三:根据顶点曲率期望将顶点初始归为s块，即将曲率期望相近的顶点分为一块，将其索引存入矩阵clusters中，length(clusters)＝S,clusters{i}均为一列向量；分别找出这s块中所包含顶点离中心顶点最近的那个顶点放入聚类中心矩阵centers中，用表示，i＝1,…,S；

步骤四：分别计算其他顶点到这S个顶点的度量d，其具体计算公式如下：