[发明专利]用改进的k-means对三维模型进行空域分割的方法

摘要

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。

主权项

1.用改进的k‑means对三维模型进行空域分割的方法，其特征在于该方法包括如下步骤：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：此公式为求取顶点v_j到第i块的度量，度量越小越应该聚为一类；顶点v_j到某一聚类中心c_i的距离所占权重为a，栓释空间连续性；顶点v_j时域中的曲率期望与某一聚类中心c_i在此类中曲率期望之差的绝对值所占权重为1‑a，代表模型的运动性；考虑到运动性与空间连续性两个因素间的差距比较大，于是均对两个因素做了归一化处理；选取最小的d_cij，把顶点v_j归到第i类，i＝1,…,S；步骤五：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；步骤六：重复以上步骤四、五，直到阈值threshold小于某个设定的值为止；threshold定义为每块中所有顶点度量的期望之和；阈值越小说明分割的块中顶点间无论是欧几里德距离还是运动趋势都非常接近；步骤七：把不连续的点提取出来根据拓扑将其归到相应的块中。