[发明专利]一种三角网格模型的块分割方法

说明书

本发明公开了一种三角网格模型的块分割方法，包括读入三角网格模型，建立拓扑信息；计算三角网格模型顶点的凹凸信号，进行全局Laplace光顺去噪；计算标准化的凹凸信息，获得网格模型的凹特征区域；计算归一化的凹凸信息，收缩凹特征区域；提取收缩后凹特征区域的中心线；采用扇形探射线算法构造出闭合的分割线；采用三维snake方法优化分割线，并对分割线进行拟合平滑；采用区域增长方法对三角网模型进行分割。本发明通过提取三角网格模型块中符合最小值原理的分割线，高效、可靠地将模型分割为符合视觉的最小值规则子块。

技术领域

本发明属于计算机图形学领域，特别涉及一种三角网格模型的块分割方法。

背景技术

由于逆向工程、3D打印、计算机辅助设计技术的发展，定义简单、无歧义的三角网格模型得到了越来越广泛的应用。但由于原始网格模型缺少足够的语义信息和结构特征，许多处理网格模型的算法都需要在网格分割的基础上进行。

所谓网格模型分割，即通过按照一定的分割准则将原始三角网格模型分解为不同的曲面片或部件。整个分割过程通常是由能代表模型结构特征或表面细节特征的几何信号来驱动。分割算法中驱动几何信号总体上可以分为两种，一种是面向全局，能反映出模型结构特征的全局几何信号，如全局测地距离、SDF形状直径等；另一种是针对局部，能反映出模型表面细节特征的局部几何信号，如二面角、局部矢量、曲率等。全局信号面向全局，能够更好的反应模型的结构信息，在指导网格分割时易于避免模型表面复杂纹理的干扰。但计算全局几何信号往往需要消耗大量时间和内存等资源，效率不高；局部几何信号计算量小，效率高，并能准确反映模型表面的局部几何特性。但局部几何信号往往会受到模型表面上局部纹理的干扰，很多仅使用局部几何信号算法只适用于比较规则的CAD模型。

根据分割算法的主要流程，网格模型分割算法可分为两大类，一类是按照模型中某个全局或局部几何信号的相似性将模型的面片或者顶点归并到相关子区域。目前大多数分割算法都可以归为这一类，如区域增长法、聚类分析法等。其中区域增长法一般采用局部几何信号作为分割驱动信号，效率较高，常用于模型的面分割；而聚类分析类算法则一般基于全局信号的迭代聚类，效率较低，常用于模型的块分割。总体来说，基于几何信号相似性来归类的分割算法，其分割效果和分割效率主要取决于驱动分割的几何信号，分割结果难以预测，而且一般会出现过分割现象而需要后续的合并处理。

另一类算法则是通过构造模型上符合最小值原则的分割线，并以分割线作为边界，将原始模型分割成符合人类对形状的理解，具有视觉意义的小块。Lee Y等人在学术会议“Proceedings of the 12th Pacific Conference on Computer Graphics andApplications(PG’04)”发表的学术论文“Intelligent Mesh Scissoring Using 3DSnakes”中通过计算顶点曲率这一局部几何信号，提取特征点并连接成闭合的分割线，最后通过分割线来分割模型。该算法运行效率较高，但同时也具有局部几何信号所带来的缺陷。Benhabiles等人在学术期刊《Computer Graphics Forum》2011,30(8),P2170-2182发表的学术论文“Learning Boundary Edges for 3D-Mesh Segmentation”中引入机器学习的方法，通过将二面角、曲率、SDF值等信号作为标签，在手工分割的数据上用adasboost算法训练出强分类器，并以此作为一种综合信号来检测特征点并最终获得分割线。从其结果看，采用统计学习的算法其分割结果更贴近人眼视觉的分割结果，但该算法不仅在前期训练时需要繁多的人工采集工作，在具体分割时也需要计算包括全局信号在内的多种几何信号，因此算法效率总体上并不高。此类算法中，如果能够快速而准确地提取分割线，则能够获得较好的分割效果和效率。

总之，由于三角网格模型形状的复杂性，目前三角网格模型的块分割方法存在着效率不高、形状适应差、自动化程度不高等问题，有必要提出一种新的技术方案。

发明内容