[发明专利]一种基于神经网络的特征融合的三维模型网格简化方法

权利要求书

1.一种基于神经网络的特征融合的三维模型网格简化方法，其特征在于，包括以下步骤：

步骤1，提取三维网格模型的顶点坐标和几何拓扑结构；

步骤2，对每条边进行折叠操作

对三维网格模型的每条边使用改进的二次误差度量算法TQEM，得到边的折叠成本，再计算边对应顶点的高斯曲率，添加到折叠成本中维持特征边缘，引入可变参数ω进行边折叠损失函数的计算控制，完成三维网格模型的简化；

步骤3，使用Hausdorff距离计算简化网格模型和原始网格模型之间的近似误差，比较不同可变参数ω下的近似误差，得到最优可变参数ω；

步骤4，构造模型顶点结构特征数据、目标简化率和对应的可变参数的训练集和测试集，构建卷积神经网络分类器，并进行训练和测试；

步骤5，采用ACC和损失的建模性能指标评估结果，使用混淆矩阵评估分类的准确性，实现三维模型网格简化的最优简化参数快速选定方法。

2.根据权利要求1所述的一种基于神经网络的特征融合的三维模型网格简化方法，其特征在于：所述的对三维网格模型的每条边使用改进的二次误差度量算法TQEM；具体实现如下，

在进行算法迭代前，需要对网格模型中所有节点进行初始化几何误差的计算，其中几何误差在TQEM中为二次误差；QEM将一组平面和模型的每个顶点关联，由移除特定顶点引起的几何误差定义为给定顶点到关联集合中所有平面的平方距离的平方和；

在原始网格模型中定义网格中的一个面片平面为：

其中，d为常量，为其单位法向量，v表示关联该平面的顶点，从中得到的节点A＝[xyz]^T到目标平面的距离平方方程为：

与v相关的二次误差则表示为：

Q(v)＝v^TAv+2b^Tv+c

按照两个平面的分量二次误差组合起来，即当有(Q₁+Q₂)＝(A₁+A₂，b₁+b₂，c₁+c₂)时，表示为：Q₁(v)+Q₂(v)＝(Q₁+Q₂)(v)；对网格中(v₁，v₂)进行边塌陷操作并收缩到节点得到对应二次误差为

对求解，得到折叠成本及最优二次误差时点的位置坐标：和