一種基于nmf的三維模型分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)圖像處理和計(jì)算機(jī)圖形學(xué)技術(shù)領(lǐng)域，特別是基于NMF(非負(fù)矩 陣分解，Nonnegtive Matrix Factorization)的三維模型分類方法。
【背景技術(shù)】
[0002] 近年來，隨著強(qiáng)大建模軟件和三維采集設(shè)備可用性的日益提高，數(shù)字幾何模型 資源在快速的增長(zhǎng)，資源庫(kù)的規(guī)模變得越發(fā)龐大、同時(shí)包含的內(nèi)容也變得越發(fā)豐富（如 Trimble/Google 3D warehouse, Turbosquid等數(shù)據(jù)庫(kù)中都包含著十幾萬甚至上百萬的數(shù) 字幾何模型），合理重復(fù)利用這些豐富的數(shù)字幾何資源蘊(yùn)藏著巨大的應(yīng)用價(jià)值。
[0003] 對(duì)于資源有效重利用的一個(gè)重要前提應(yīng)是對(duì)模型集進(jìn)行合理化的組織分類，以便 用戶更好的理解和使用庫(kù)中所包含的模型。傳統(tǒng)的模型集組織分類方法多采用有監(jiān)督、半 監(jiān)督或無監(jiān)督的機(jī)器學(xué)習(xí)方法來完成，但這些方法多以計(jì)算機(jī)為中心，只對(duì)庫(kù)內(nèi)模型進(jìn)行 底層操作一一即根據(jù)低層特征對(duì)模型集進(jìn)行分類組織，用戶很少參與到分類過程中，并對(duì) 分類結(jié)果很少有直觀的了解，這就使得用戶很難深層次的理解模型集的組織構(gòu)造情況，因 此導(dǎo)致資源的有效重利用受阻。尤其是在模型集急劇增長(zhǎng)，所包含種類越發(fā)繁多的大背景 下，采用上述傳統(tǒng)方法將越來越難以勝任相關(guān)工作。
[0004] 更具前景的模型集組織分類方式應(yīng)是使用戶和計(jì)算機(jī)協(xié)同工作并分別發(fā)揮各自 的優(yōu)勢(shì)，在用戶意圖的驅(qū)動(dòng)下對(duì)模型集進(jìn)行動(dòng)態(tài)分類組織，并能夠?qū)⒎诸惤Y(jié)果清晰的呈現(xiàn) 給用戶，以便用戶在對(duì)模型集直觀了解的情況下，通過基于瀏覽的探索式搜索獲取其所需 資源。然而該類方法仍然面臨著兩大問題：采取何種方法來表示三維模型的代表向量和如 何來對(duì)三維向量進(jìn)行可視化顯示與交互分類。

【發(fā)明內(nèi)容】

[0005] 發(fā)明目的：本發(fā)明所要解決的技術(shù)問題是針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于 NMF的三維模型分類方法。
[0006] 技術(shù)方案：為了解決上述技術(shù)問題，本發(fā)明公開了一種基于NMF的三維模型分類 方法，該方法對(duì)三維模型集進(jìn)行半監(jiān)督分類，包括以下步驟：
[0007] 步驟1，輸入三維模型集，對(duì)輸入的三維模型集進(jìn)行特征計(jì)算得到NMF初始輸入矩 陣及三維模型集的NMF初始分類結(jié)果，其中三維模型集中的三維模型是包含網(wǎng)格點(diǎn)的三維 坐標(biāo)以及網(wǎng)格點(diǎn)的三角關(guān)系的三角網(wǎng)格模型；
[0008] 步驟2,對(duì)三維模型集進(jìn)行可視化呈現(xiàn)，以便于用戶瀏覽數(shù)據(jù)集以及后續(xù)修改，其 中可視化是提供可視化界面窗口供用戶后續(xù)的操作；本發(fā)明基于已有的分類標(biāo)注信息對(duì)先 進(jìn)的t-SNE可視化技術(shù)進(jìn)行了改進(jìn)，并為便于用戶瀏覽模型集以及后續(xù)的操作，設(shè)計(jì)實(shí)現(xiàn) 了針對(duì)三維模型集的可視化分析原型系統(tǒng)，這也是首次通過提供可視化并加入操作引入到 三維模型分類；
[0009] 步驟3,設(shè)計(jì)面向三維模型集的可交互NMF方法，根據(jù)能量方程，實(shí)現(xiàn)基于用戶驅(qū) 動(dòng)的三維模型集動(dòng)態(tài)分類，其中可交互NMF方法分別為操作分裂與合并方法。
[0010] 本發(fā)明步驟1中利用計(jì)算機(jī)能夠從特征分析的角度來理解模型所包含的幾何信 息，并采用簡(jiǎn)單有效的方法來區(qū)別模型集類內(nèi)相似性和類間差異性，進(jìn)而完成模型集穩(wěn)定 的預(yù)分類，具體步驟為：
[0011] 步驟1-1，構(gòu)建三維模型集的詞袋模型BOW (Bag of words model詞袋模型）特征， 得到NMF初始輸入矩陣；
[0012] 步驟1-2,利用NMF完成對(duì)三維模型集的預(yù)分類計(jì)算，得到三維模型集的初始分類 結(jié)果。
[0013] 步驟1-1包括如下步驟：
[0014] 步驟1-1-1，三維模型集HKS計(jì)算：利用多尺度擴(kuò)散熱核HKS (Heat Kernel Signature)方法對(duì)輸入三維模型集每個(gè)網(wǎng)格點(diǎn)進(jìn)行特征計(jì)算，得到HKS描述符，以表示三 維模型集的局部特征信息；
[0015] 步驟1-1-2,矢量量化：通過k-means (硬聚類算法）聚類三維模型集的HKS描述 符計(jì)算得到相應(yīng)的單詞表（geometric words);
[0016] 步驟1-1-3,通過統(tǒng)計(jì)構(gòu)建三維模型集中各三維模型的對(duì)應(yīng)單詞表的概率分布，獲 得各三維模型的詞袋模型B0W特征，同時(shí)利用計(jì)算出的B0W特征得到NMF的輸入矩陣V，即 三維模型集特征矩陣。
[0017] 本發(fā)明步驟2中開發(fā)了一面向三維模型集的可視化分析系統(tǒng)，能夠?yàn)橛脩粼谝曈X 空間內(nèi)提供清晰的可視化呈現(xiàn)模式來展示模型集的組織情況，進(jìn)而能夠使用戶和機(jī)器更好 的合作，利用各自特有的能力，去獲得更為有效的分類結(jié)果，具體包括以下步驟：
[0018] 步驟 2-1，通過 t_SNE 方法（t-Distributed Stochastic Neighbor Embeddingt 分 布隨機(jī)鄰居嵌入算法）完成將各三維模型的詞袋模型BOW特征從高維空間到二維平面的轉(zhuǎn) 換；
[0019] 步驟2-2,加入三維模型集的可視化界面，將t-SNE轉(zhuǎn)化投影結(jié)果予以顯示從而 完成輸入三維模型集的可視化顯示，同時(shí)對(duì)各模型的投影點(diǎn)利用NMF初始分類結(jié)果進(jìn)行對(duì) 應(yīng)標(biāo)記，完成可視化顯示，用于后續(xù)的操作，可視化界面窗口包含輔助瀏覽窗口和可視化區(qū) 域，其中輔助瀏覽窗口區(qū)域的三維模型與可視化區(qū)域的顯示點(diǎn)進(jìn)行一一對(duì)應(yīng)顯示。
[0020] 步驟3包括以下步驟：
[0021] 步驟3-1，設(shè)計(jì)面向三維模型集的可交互NMF能量方程，求取該表達(dá)式的最小值獲 取最優(yōu)解，可交互NMF能量方程為：
，公式通過輸入?yún)?shù)V，L，Mw來求取最佳 的W，Η值。其中minWiH >。表示求取公式值最小化下的W，Η值。
[0023] 其中V為步驟1-1-3得到的NMF的輸入矩陣，即三維模型集特征矩陣;W，H分別為 NMF所要求取的中心矩陣與指代矩陣，L為相對(duì)于W的參考矩陣;Mw為調(diào)節(jié)參數(shù)的對(duì)角矩陣， 矩陣心對(duì)角線上的值在0~1之間，α為調(diào)節(jié)參數(shù)，調(diào)節(jié)方程結(jié)果收斂方向的權(quán)重，其范圍 在0~1之間；
[0024] 其中本發(fā)明主要通過修改L參考矩陣來驅(qū)動(dòng)NMF最優(yōu)解朝用戶需求的分類方向趨 近，為此通過修改L參考矩陣，本發(fā)明設(shè)計(jì)了兩種操作：分類與合并。
[0025] 步驟3-2,通過三維模型集類別合并與類別分裂兩類操作動(dòng)態(tài)更改三維模型集：
[0026] 三維模型集類別合并：當(dāng)用戶指定三維模型集類別的代表三維模型后，根據(jù)該代 表三維模型所屬的類別來定位其在當(dāng)前中心矩陣W中的列信息，在合并操作過程中，根據(jù) 所指定的三維模型來獲取新的列信息，原中心矩陣W中未合并的列信息直接存儲(chǔ)到矩陣L 中，再將求得的需合并三維模型的新的聚類中心加入到矩陣L中；
[0027] 三維模型集類別分裂：用戶在已有的分類結(jié)果基礎(chǔ)上創(chuàng)建全新類別，即用戶通過 瀏覽確定所需分裂的類別，并選擇相應(yīng)代表三維模型獲取新的分類信息，當(dāng)分裂時(shí)，在原有 分類基礎(chǔ)上增加新的聚類中心，指導(dǎo)NMF進(jìn)行計(jì)算，參考矩陣L在原有的中心矩陣W基礎(chǔ)上 增加代表新聚類中心的列信息。
[0028] 其中本發(fā)明的分裂與合并操作所選模型，基于可視化界面所提供的信息，用戶很 方便的選擇自己要選擇分裂與合并的模型集，通過數(shù)次的迭代，最終獲取最佳結(jié)果。
[0029] 有益效果：本發(fā)明的模型分類方法優(yōu)點(diǎn)在于：將數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)領(lǐng)域最為活 躍的研究方法之一 NMF第一次引入到三維模型分類領(lǐng)域。另外，利用NMF分類所得結(jié)果信 息，本發(fā)明對(duì)先進(jìn)的可視化策略t-SNE進(jìn)行了改進(jìn)，使其類別可視化顯示更清晰直觀，更便 于后續(xù)的用戶操作。最后，結(jié)合三維模型集的可視化呈現(xiàn)結(jié)果，提出了一種半監(jiān)督的NMF方 法，使其可以指導(dǎo)已有非負(fù)矩陣分解結(jié)果的修改，進(jìn)而實(shí)現(xiàn)對(duì)模型集分類結(jié)果的直觀、實(shí)時(shí) 動(dòng)態(tài)更改。
【附圖說明】
[0030] 下面結(jié)合附圖和【具體實(shí)施方式】對(duì)本發(fā)明做更進(jìn)一步的具體說明，本發(fā)明的上述和 /或其他方面的優(yōu)點(diǎn)將會(huì)變得更加清楚。
[0031] 圖1為本發(fā)明主要流程圖。
[0032] 圖2為實(shí)施例1三維模型B0F計(jì)算流程圖。
[0033] 圖3為實(shí)施例輸入模型集的預(yù)分類結(jié)果示意圖，各方框內(nèi)為相應(yīng)分類結(jié)果。
[0034] 圖4為t-SNE可視化呈現(xiàn)不意圖。
[0035] 圖5為實(shí)施例進(jìn)行合并示意圖。
[0036] 圖6為實(shí)施例進(jìn)行分裂示意圖。
[0037] 圖7為最終分類結(jié)果示意圖，各方框內(nèi)為相應(yīng)分類結(jié)果。
【具體實(shí)施方式】
[0038] 本發(fā)明對(duì)輸入的三維模型集，