發(fā)布時(shí)間：2019-02-23 20:43

【摘要】：骨架是概括表示三維模型的一種抽象化手段,它能有效刻畫(huà)并表達(dá)模型的拓?fù)浣Y(jié)構(gòu)和形狀特征,同時(shí)節(jié)省模型在計(jì)算機(jī)上的存儲(chǔ)空間,因此骨架提取技術(shù)被廣泛應(yīng)用于各領(lǐng)域。但是傳統(tǒng)算法仍存在骨架提取結(jié)果易產(chǎn)生錯(cuò)位或忽略模型細(xì)節(jié)特征的問(wèn)題。本文在計(jì)算機(jī)輔助文物保護(hù)與復(fù)原的研究課題基礎(chǔ)上,結(jié)合三維點(diǎn)云模型的分割技術(shù),針對(duì)點(diǎn)云模型的骨架提取問(wèn)題展開(kāi)了一系列的研究,主要工作如下:(1)提出一種基于馬爾科夫隨機(jī)場(chǎng)(Markov Random Filed,MRF)的點(diǎn)云模型分割算法。針對(duì)傳統(tǒng)分割算法容易產(chǎn)生過(guò)分割的問(wèn)題,該方法將馬爾科夫隨機(jī)場(chǎng)模型應(yīng)用于點(diǎn)云模型分割,利用點(diǎn)云模型幾何特征作為先驗(yàn)信息,根據(jù)點(diǎn)云屬性和鄰域點(diǎn)相關(guān)性確定目標(biāo)函數(shù)并求解得到點(diǎn)的最優(yōu)標(biāo)號(hào)集,完成點(diǎn)云模型的有效分割。實(shí)驗(yàn)結(jié)果表明,該算法在保留點(diǎn)云模型特征的基礎(chǔ)上,提高了分割過(guò)程的自適應(yīng)性和分割結(jié)果的準(zhǔn)確性。(2)提出一種基于區(qū)域分割的點(diǎn)云模型骨架提取算法。針對(duì)傳統(tǒng)方法在相鄰區(qū)域較緊密模型中提取骨架結(jié)果易跨越區(qū)域的問(wèn)題,該方法在分割后區(qū)域相鄰處生成連接點(diǎn),同時(shí)在區(qū)域內(nèi)自適應(yīng)計(jì)算初始收斂鄰域尺度并提取各區(qū)域骨架分支,最后通過(guò)連接點(diǎn)將相鄰區(qū)域骨架分支連接得到完整的骨架。實(shí)驗(yàn)結(jié)果表明,該方法減少了全局迭代收斂的計(jì)算量和迭代次數(shù),同時(shí)使用局部稠密度對(duì)點(diǎn)云密度加權(quán),降低噪聲點(diǎn)的影響程度,保證其拓?fù)浣Y(jié)構(gòu)正確。除此之外,通過(guò)引入連接角的概念并建立新的連接方式,確保提取骨架的完整性。(3)本文算法主要應(yīng)用于“基于全局優(yōu)化的破損兵馬俑虛擬復(fù)原方法研究”項(xiàng)目,針對(duì)秦俑點(diǎn)云模型進(jìn)行骨架提取,得到符合原始模型特征的骨架,以此支撐后續(xù)模型的拓?fù)浣Y(jié)構(gòu)分析以及秦俑文物的形狀匹配與識(shí)別。
[Abstract]:Skeleton is an abstract method to represent 3D model. It can effectively describe and express the topological structure and shape features of the model and save the storage space of the model on the computer. Therefore skeleton extraction technology is widely used in various fields. However, the traditional algorithm still has the problem that the skeleton extraction results are prone to misposition or ignore the detailed features of the model. Based on the research of computer aided cultural relic conservation and restoration and the segmentation technology of 3D point cloud model, a series of research on the skeleton extraction of point cloud model is carried out in this paper. The main work is as follows: (1) A point cloud model segmentation algorithm based on Markov Random Field (Markov Random Filed,MRF) is proposed. In view of the problem that the traditional segmentation algorithm is easy to produce over-segmentation, the Markov random field model is applied to the point cloud model segmentation, and the geometric feature of the point cloud model is used as the prior information. The objective function is determined according to the attribute of point cloud and the correlation of adjacent points, and the optimal label set of points is solved to complete the efficient segmentation of point cloud model. The experimental results show that the algorithm improves the self-adaptability of the segmentation process and the accuracy of the segmentation results on the basis of preserving the features of the point cloud model. (2) an algorithm for extracting the skeleton of the point cloud model based on regional segmentation is proposed. In order to solve the problem that the traditional method can easily cross the region by extracting the skeleton in the close-knit model of adjacent regions, the proposed method generates joint points at the adjacent regions after segmentation. At the same time, the initial convergence neighborhood scale is calculated adaptively in the region, and the skeleton branches of each region are extracted. Finally, the complete skeleton is obtained by connecting the skeleton branches of the adjacent regions. Experimental results show that the proposed method reduces the computational complexity and iteration times of global iteration convergence, and uses local density to weight point cloud density, reduces the influence of noise points, and ensures the correct topology structure. In addition, by introducing the concept of connection angle and establishing a new connection way to ensure the integrity of skeleton extraction. (3) this algorithm is mainly used in the project of "virtual restoration method of damaged Terracotta Warriors and horses based on global optimization". The skeleton is extracted from the point cloud model of the terracotta warriors, and the skeleton is obtained according to the characteristics of the original model, so as to support the topological structure analysis of the subsequent model and the shape matching and recognition of the cultural relics of the terracotta warriors.
【學(xué)位授予單位】：西北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王天擎,邢桂芬,江波;基于區(qū)域分割的復(fù)雜背景中人臉檢測(cè)與定位[J];計(jì)算機(jī)工程與設(shè)計(jì);2004年11期

2 劉祥樓;張明;鄧艷茹;;一種人臉對(duì)象的區(qū)域分割方法[J];科學(xué)技術(shù)與工程;2011年12期

3 黃磊;夏添;張勇東;林守勛;;融合顯著性分析與圖割的姿態(tài)無(wú)關(guān)服裝區(qū)域分割算法[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2012年05期

4 王中元,胡瑞敏,章凱;區(qū)域分割或連通分量標(biāo)記分裂—合并法的一種實(shí)現(xiàn)[J];小型微型計(jì)算機(jī)系統(tǒng);2004年09期

5 周宏瓊;汪增福;林萬(wàn)洪;丁柏;;一種面向細(xì)胞骨架圖像的區(qū)域分割算法[J];模式識(shí)別與人工智能;2008年02期

6 顏天信,王永綱,石江濤,馮海濤;并行區(qū)域分割包分類算法[J];小型微型計(jì)算機(jī)系統(tǒng);2005年11期

7 全紅艷;張?zhí)镂?董宇欣;;一種基于區(qū)域分割的幾何模型簡(jiǎn)化方法[J];計(jì)算機(jī)學(xué)報(bào);2006年10期

8 馮皓;滕忠堅(jiān);林楊;莊小芳;;位圖圖像穩(wěn)定區(qū)域分割的種子點(diǎn)選取條件[J];計(jì)算機(jī)與現(xiàn)代化;2012年03期

9 楊云聰;張菁;卓力;刁蒙蒙;;應(yīng)用于中醫(yī)面診的人臉區(qū)域分割方法[J];測(cè)控技術(shù);2012年05期

10 孫煬,羅瑜,周昌樂(lè),許家佗,張志楓;一種基于分裂-合并方法的中醫(yī)舌像區(qū)域分割算法及其實(shí)現(xiàn)[J];中國(guó)圖象圖形學(xué)報(bào);2003年12期

相關(guān)會(huì)議論文 前7條

1 孫煬;羅瑜;周昌樂(lè);許家佗;張志楓;;一種基于分裂-合并方法的中醫(yī)舌像區(qū)域分割算法及其實(shí)現(xiàn)[A];信號(hào)與信息處理技術(shù)——第一屆信號(hào)與信息處理聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2002年

2 黃強(qiáng);廖斌;;基于復(fù)合區(qū)域分割的多聚焦圖像融合[A];2008年中國(guó)高校通信類院系學(xué)術(shù)研討會(huì)論文集（上冊(cè)）[C];2009年

3 林精敦;王涌天;陳靖;劉越;郭俊偉;劉偉;薛康;;基于區(qū)域分割隨機(jī)樹(shù)的特征識(shí)別匹配算法[A];圖像圖形技術(shù)研究與應(yīng)用2009——第四屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

4 陸宗騏;傅江桃;;根據(jù)像素屬性確定粘連區(qū)域分割位置[A];第十二屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2005年

5 陳寶權(quán);;Towards Building a Live Digital City through Laser Scanning[A];第四屆全國(guó)幾何設(shè)計(jì)與計(jì)算學(xué)術(shù)會(huì)議論文集[C];2009年

6 王文博;袁春;陳孝威;;基于并行區(qū)域增長(zhǎng)和矢量化的衛(wèi)星云圖處理[A];第三屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2007）論文集[C];2007年

7 王上;王鉦旋;;SVM用于基于區(qū)域分割方法的圖像分類[A];中國(guó)幾何設(shè)計(jì)與計(jì)算新進(jìn)展2007——第三屆中國(guó)幾何設(shè)計(jì)與計(jì)算大會(huì)論文集[C];2007年

相關(guān)博士學(xué)位論文 前9條

1 吳雅琴;主族氧硫化物開(kāi)放骨架的合成、結(jié)構(gòu)及其性質(zhì)研究[D];山西師范大學(xué);2017年

2 謝偉;基于熒光金屬—有機(jī)骨架功能材料的可控合成及性能研究[D];東北師范大學(xué);2017年

3 趙榮昌;圖像區(qū)域分割編碼的若干關(guān)鍵問(wèn)題研究[D];蘭州大學(xué);2011年

4 汪漢云;高分辨率三維點(diǎn)云目標(biāo)識(shí)別技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2015年

5 楊煥宇;面向虛擬現(xiàn)實(shí)的三維點(diǎn)云數(shù)據(jù)處理關(guān)鍵技術(shù)研究[D];東華大學(xué);2016年

6 王麗輝;三維點(diǎn)云數(shù)據(jù)處理的技術(shù)研究[D];北京交通大學(xué);2011年

7 安毅;三維點(diǎn)云數(shù)據(jù)的幾何特性估算與特征識(shí)別[D];大連理工大學(xué);2011年

8 萬(wàn)國(guó)偉;面向建筑物的三維點(diǎn)云生成、增強(qiáng)和重建技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2011年

9 黃銳;圖像線結(jié)構(gòu)提取與區(qū)域分割方法研究[D];華中科技大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 高天宇;基于牙冠數(shù)據(jù)的牙齒建模方法研究[D];西安科技大學(xué);2016年

2 姜琳;基于區(qū)域分割與合并的機(jī)器人多級(jí)環(huán)境建模研究與實(shí)現(xiàn)[D];沈陽(yáng)工業(yè)大學(xué);2006年

3 梁士超;三維點(diǎn)云預(yù)處理技術(shù)研究[D];西南科技大學(xué);2015年

4 可楊;基于相位輪廓術(shù)的三維重建技術(shù)研究[D];西南科技大學(xué);2015年

5 鄧軍;三維點(diǎn)云處理和規(guī)則曲面擬合算法研究[D];西南科技大學(xué);2015年

6 宋立鵬;室外場(chǎng)景三維點(diǎn)云數(shù)據(jù)的分割與分類[D];大連理工大學(xué);2015年

7 趙鵬;三維點(diǎn)云數(shù)據(jù)的離群點(diǎn)檢測(cè)和模型重建[D];大連理工大學(xué);2015年

8 王建東;基于奶牛乳房子空間特征向量的三維點(diǎn)云相似性分析[D];天津科技大學(xué);2013年

9 楊小青;基于法向量的三維點(diǎn)云配準(zhǔn)方法研究[D];中北大學(xué);2016年

10 王洪寶;基于車輛變形三維點(diǎn)云數(shù)據(jù)的碰撞事故再現(xiàn)[D];江蘇大學(xué);2016年

，

本文編號(hào)：2429181