基于局部区块加权曲率熵的多尺度网格显著性（英）

网格显著性是三维网格模型的一个重要几何属性,已应用于许多方向。受现有算法的启发,提出了一种基于局部区块曲率熵的多尺度显著性检测算法。针对每个顶点,定义一个局部坐标系并计算该点曲率值;通过邻域累积体积定义一个改进的自适应区块,计算该点邻域球内每个邻居点相对于该区块的偏离值,将该值作为相应邻居点曲率的加权值;将所有邻居点的加权曲率熵作为该点的显著性值。该算法在时间复杂度方面具有可比较性,在显著性检测能力上占有优势。

基于正则化一维卷积神经网络的网格模型显著性检测

三维形状的显著性在形状分析与处理中有不可忽视的作用.现有的三角网格显著性检测方法大多依赖某种人工设计的几何特征,缺乏灵活性.为此,提出一种基于特征融合学习的显著区域检测方法,以适应不同类别的形状.首先计算形状的多种几何特征,然后把多尺度的低层次特征输入到一维卷积神经网络中;通过优化中心正则化损失函数,得到高层次、可判别的特征向量,同时也得到显著区域检测结果.在普林斯顿网格数据集上的实验结果表明,该方法适用于不同形状的显著性检测,检测结果具有一致性,并且相比对照算法具有更好的视觉效果和定量化指标评价.

基于显著性分析的网格模型语义特征线提取

现有的基于局部微分属性度量的网格模型特征线提取方法较难描述模型全局语义特征。为解决该问题,提出一种基于显著性分析的、符合人类视觉注意力机制的语义特征线提取算法。首先以谱图理论为工具,构建网格模型光顺三维基准面,获取网格顶点显著性重要度;利用离散拉普拉斯—贝尔特拉米算子方向属性构建网格语义特征区域,提取特征区域骨骼线,对骨骼线进行优化后得到模型语义特征线。该算法完全去除了模型局部微分几何量的度量,提取的特征线能很好地完成全局语义特征描述。实验结果证明了算法的有效性。

基于三维扫描牙颌模型的牙弓线拟合方法研究

牙弓曲线是口腔正畸矫治的基础,在临床上需要对牙弓曲线进行形状分析和测量。首先基于网格显著性初次筛选网格特征点,然后再利用网格特征点与咬合平面的夹角和距离筛选出初始参照点;接着将三维模型上选中的初始参照点投影到咬合二维平面,在二维平面上用四次多项式拟合映射点;最后快速、自动、精确地得到牙弓线。绘制出来的牙弓线可以用来辅助正畸医师判断牙齿错颌的情况,对患者进行诊断,设计并制定正畸计划。

基于结构相似的三维模型视觉降质度量

针对三维网格简化操作经常会引起一定的视觉降质和失真的问题,为了更准确评估这种视觉降质,利用三维网格显著特性信息作为网格顶点的属性,采用包围盒空间剖分的方法描述三维局部窗口,基于结构相似性和信息熵以定量的方式给出了三维网格模型的视觉感知降质的客观度量方法.理论分析和实验结果表明:此度量能非常有效地评估网格简化过程中引入的视觉降质,可用于同源不同分辨率的三维模型之间的相似性度量,并提供了多尺度特性的视觉降质分析.