發(fā)布時間：2018-06-18 17:26

  本文選題：模型分割 + 特征提取��； 參考：《浙江大學(xué)》2017年碩士論文

【摘要】：復(fù)雜曲面三維模型的分割是三維模型處理中的關(guān)鍵步驟,三維模型的分割在三維模型檢索、幾何壓縮傳輸、三維模型簡化等領(lǐng)域有著至關(guān)重要的作用�；谇市畔⒌娜S模型分割方法是三維模型分割方法中一種重要的分割方法。本文在對三維模型特征提取和分割相關(guān)技術(shù)的研究現(xiàn)狀進行總結(jié)和分析的基礎(chǔ)上,針對基于曲率信息的三維模型分割方法存在效率低、準(zhǔn)確性無法保證的問題等進行了深入研究,根據(jù)研究成果開發(fā)了復(fù)雜曲面三維模型分割系統(tǒng),在牙齒三維模型的分割中進行了應(yīng)用驗證。論文的主要研究內(nèi)容包括:第一章介紹了基于機器學(xué)習(xí)的三維模型特征提取和分割技術(shù)的國內(nèi)外相關(guān)研究,包括三維模型特征提取技術(shù)、基于機器學(xué)習(xí)估計閾值技術(shù)和三維模型分割技術(shù)。分析了上述技術(shù)的研究進展以及目前存在的問題,提出了本文的研究內(nèi)容并分析其研究意義,最后簡單介紹本文的行文結(jié)構(gòu)。第二章提出了復(fù)雜曲面三維模型頂點高斯曲率密度直方圖的特征描述方式。此特征描述對于三維模型高斯曲率閾值的獲取有較大的輔助作用�；趶�(fù)雜曲面頂點高斯曲率密度直方圖的特征描述,提出將三維模型眾多特征融合的方案設(shè)計。同時利用相關(guān)工具設(shè)計了實驗,提取了三維模型頂點的高斯曲率密度直方圖,驗證了復(fù)雜曲面三維模型頂點高斯曲率密度特征提取方法的正確性。第三章提出了基于機器學(xué)習(xí)的復(fù)雜曲面高斯曲率閾值估計方法。依據(jù)復(fù)雜曲面模型和模型特征對應(yīng)的高斯曲率閾值的可靠樣本,訓(xùn)練出復(fù)雜曲面特征和對應(yīng)高斯曲率閾值的回歸方程,通過復(fù)雜曲面模型測試樣本對回歸方程的參數(shù)改進、修正,隨著樣本量的增加,回歸方程的可靠性也得到提升,達到了指定復(fù)雜曲面模型對應(yīng)的高斯曲率閾值估計的準(zhǔn)確度,從而可以根據(jù)復(fù)雜模型特征求解出復(fù)雜曲面模型分割所需的高斯曲率閾值,解決了基于曲率的復(fù)雜曲面分割過程中,高斯曲率閾值難以計算的問題。第四章提出了基于高斯曲率閾值估計的三維模型分割方法。利用第三章中提出的高斯曲率閾值估計方法,建立了復(fù)雜曲面模型特征描述和對應(yīng)的高斯曲率閾值之間的回歸模型,進行待分割模型的高斯曲率閾值估計,實現(xiàn)了三維模型的準(zhǔn)確分割,減少了人工交互設(shè)置高斯曲率閾值的繁瑣步驟,提高了復(fù)雜曲面模型分割的效率,通過對實際三維模型進行分割,對基于高斯曲率閾值估計的三維模型分割算法進行了實驗設(shè)計并驗證了提出方法的有效性。第五章開發(fā)了復(fù)雜曲面三維模型分割系統(tǒng),實現(xiàn)了基于機器學(xué)習(xí)的復(fù)雜曲面三維模型高斯曲率閾值估計模塊、復(fù)雜曲面三維模型邊界線劃分模塊和復(fù)雜曲面三維模型分割模塊。并將此系統(tǒng)應(yīng)用于牙齒三維模型分割。第六章對本文研究存在的不足進行了總結(jié),并對今后的研究工作進行了展望。
[Abstract]:The segmentation of 3D model of complex surface is a key step in 3D model processing. The segmentation of 3D model plays an important role in the fields of 3D model retrieval, geometric compression and transmission, and simplification of 3D model. 3D model segmentation based on curvature information is an important method in 3D model segmentation. On the basis of summarizing and analyzing the research status of 3D model feature extraction and segmentation, this paper aims at the low efficiency of 3D model segmentation based on curvature information. Based on the research results, the 3D model segmentation system of complex curved surface is developed, which is applied to the tooth 3D model segmentation. The main contents of this paper are as follows: in chapter 1, we introduce the research of 3D model feature extraction and segmentation based on machine learning, including 3D model feature extraction. Based on machine learning estimation threshold technique and 3D model segmentation technology. This paper analyzes the research progress and existing problems of the above technologies, puts forward the research contents of this paper and analyzes its significance, and finally briefly introduces the structure of this paper. In chapter 2, the feature description method of the vertex Gao Si curvature density histogram of 3D model of complex surface is presented. This feature description is helpful to obtain the Gao Si curvature threshold of 3D model. Based on the feature description of the Gao Si curvature density histogram at the vertices of complex surfaces, the scheme of fusion of many features of 3D models is proposed. At the same time, experiments are designed by using related tools to extract the Gao Si curvature density histogram of the vertices of the 3D model, which verifies the correctness of the method for extracting the Gao Si curvature density features of the 3D model vertices of complex surfaces. In chapter 3, a method for estimating Gao Si curvature threshold of complex surfaces based on machine learning is proposed. According to the reliable samples of the Gao Si curvature threshold corresponding to the complex surface model and the model characteristics, the regression equations of the complex surface features and the corresponding Gao Si curvature thresholds are trained, and the parameters of the regression equations are improved by the complex surface model test samples. With the increase of sample size, the reliability of the regression equation is improved, and the accuracy of Gao Si curvature threshold estimation corresponding to the specified complex surface model is achieved. Thus, the Gao Si curvature threshold needed for the segmentation of complex surface model can be solved according to the characteristics of complex model, and the problem of Gao Si curvature threshold is difficult to calculate in the process of complex surface segmentation based on curvature. In chapter 4, the segmentation method of 3D model based on Gao Si curvature threshold estimation is proposed. Using the Gao Si curvature threshold estimation method proposed in Chapter 3, the regression model between the characteristic description of complex surface model and the corresponding Gao Si curvature threshold is established, and the Gao Si curvature threshold is estimated for the model to be segmented. It realizes the accurate segmentation of 3D model, reduces the tedious steps of manual interaction setting Gao Si curvature threshold, and improves the efficiency of segmentation of complex surface model. The experimental design of 3D model segmentation algorithm based on Gao Si curvature threshold estimation is carried out and the validity of the proposed method is verified. In the fifth chapter, a 3D model segmentation system for complex surfaces is developed, which realizes the Gao Si curvature threshold estimation module based on machine learning, the boundary line partition module of complex surface 3D model and the 3D model segmentation module of complex surface. The system is applied to the tooth 3D model segmentation. The sixth chapter summarizes the shortcomings of this study and prospects the future research work.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP181;O186.11

【相似文獻】

相關(guān)期刊論文 前10條

1 邢家省;高建全;羅秀華;;高斯曲率內(nèi)蘊公式的幾種形式的推導(dǎo)方法[J];四川理工學(xué)院學(xué)報(自然科學(xué)版);2014年04期

2 歐陽崇珍,王仲才,水乃翔;關(guān)于零高斯曲率的曲面[J];南昌大學(xué)學(xué)報(理科版);1982年01期

3 王侃昌,師帥兵;自由曲面的高斯曲率計算方法[J];西北農(nóng)業(yè)大學(xué)學(xué)報;2000年06期

4 武振鋒;袁玄成;朱黎;李建林;;基于高斯曲率的曲面質(zhì)量評價方法研究[J];遼寧大學(xué)學(xué)報(自然科學(xué)版);2012年03期

5 黃聰;張劭光;;高斯曲率彈性模量對啞鈴形開口膜泡形狀的影響[J];陜西師范大學(xué)學(xué)報(自然科學(xué)版);2013年03期

6 M.A.Goldberg;柯敬唐;;板的一個修正的大撓度理論[J];力學(xué)季刊;1966年02期

7 辛巧;閆萍;盛其榮;;基于高斯曲率改進的PM模型[J];廣西師范大學(xué)學(xué)報(自然科學(xué)版);2007年02期

8 劉根洪,劉松濤;常高斯曲率圓柱螺旋面與極小圓柱螺旋面[J];蘇州大學(xué)學(xué)報(自然科學(xué));1995年01期

9 金文標(biāo),楊勛年;一種負(fù)高斯曲率的雙三次Bézier曲面[J];高校應(yīng)用數(shù)學(xué)學(xué)報A輯(中文版);2000年02期

10 Richard.J.Lisle ,黃子齊,馬建勇;利用高斯曲率分析檢測構(gòu)造上的異常應(yīng)變帶[J];天然氣勘探與開發(fā);1995年03期

相關(guān)會議論文 前5條

1 林穎;;長雙曲拋物梒尃高斯曲率殼實用計yX法[A];第一屆空間結(jié)構(gòu)學(xué)術(shù)交流會論文集（第二卷）[C];1982年

2 何廣乾;林春哲;張凱;;分析負(fù)高斯曲率殼體的一種新方法[A];空間結(jié)構(gòu)論文選集（二）[C];1997年

3 何廣乾;林春哲;張凱;;分析頁高斯曲率殼體的一種新方法[A];第二屆空間結(jié)構(gòu)學(xué)術(shù)交流會論文集（第一卷）[C];1984年

4 王智峰;李小毛;唐延?xùn)|;;一種改進的基于高斯曲率和偏微分方程的圖像降噪算法[A];2006年全國光電技術(shù)學(xué)術(shù)交流會會議文集（D 光電信息處理技術(shù)專題）[C];2006年

5 宋瑞霞;李國富;鄒建成;齊東旭;;幻方、Bernstein多項式及其幻曲面[A];第一屆全國幾何設(shè)計與計算學(xué)術(shù)會議論文集[C];2002年

相關(guān)碩士學(xué)位論文 前10條

1 齊華穎;乘積空間中的常高斯曲率旋轉(zhuǎn)曲面[D];河南師范大學(xué);2014年

2 范雪媛;高斯曲率流自相似解與球面[D];中國科學(xué)技術(shù)大學(xué);2016年

3 程亞娟;Q_(2m)中極小二維球面調(diào)和序列的幾何[D];南京師范大學(xué);2016年

4 于輝;依據(jù)橋面曲率變化的橋梁損傷識別方法研究[D];重慶交通大學(xué);2016年

5 常同輝;基于機器學(xué)習(xí)的復(fù)雜曲面特征提取與分割方法及其應(yīng)用研究[D];浙江大學(xué);2017年

6 熊芳;離散曲面高斯曲率估算算法研究[D];湖南工業(yè)大學(xué);2010年

7 黃聰;SC模型下開口膜泡相圖的研究[D];陜西師范大學(xué);2013年

8 辛巧;高斯曲率加權(quán)的全變分圖像恢復(fù)模型[D];新疆大學(xué);2007年

9 李興滿;基于柔度差高斯曲率的結(jié)構(gòu)損傷識別研究[D];重慶交通大學(xué);2011年

10 王冬梅;H~2×R及S~2×R中完備的常高斯曲率曲面的存在性[D];首都師范大學(xué);2009年

，

本文編號：2036303