[發明專利]一種保留特征的三維Mesh模型去噪方法

有效

• 申請號: 202011452296.2
• 申請日: 2020-12-10
• 公開（公告）號: CN112529803B
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 劉亞文;邱偉;彭哲;郭丙軒
• 申請（專利權）人: 深圳市數字城市工程研究中心;武漢大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T15/00
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

本發明涉及一種保留特征的三維Mesh模型去噪方法。首先計算所有三角面的引導法向量，利用引導法向量基于聯合雙邊濾波算法過濾所有三角面的法向量；其次，利用過濾后的三角面法向量基于法線投票張量方法分類特征點，并增強弱特征、剔除偽特征；然后，基于鄰居三角面過濾后的法向量約束項更新非特征頂點，對非特征區域去噪并得到非特征點的優化法向量；再依據張量矩陣的特征向量與頂點法向量相似性聚類特征點的支持鄰域點集，并擬合特征點的支持平面；最后，基于鄰居三角面的法向量約束項和支持平面的約束項更新特征點，對特征區域去噪。此方法可解決三維Mesh模型去噪過程中的特征過平滑及特征丟失的問題，從而獲得噪聲去除后保留特征的三維Mesh模型。

技術領域

本發明屬于三維模型優化處理領域，特別是涉及一種保留特征的三維Mesh模型去噪方法。

背景技術

常見的三維模型去噪方法通常分為各向同性方法和各向異性方法，其中各向同性方法有早期的Laplacian方法、Taubin和基于平均曲率流的方法等，各向異性方法包括基于過濾法向量的雙邊濾波方法、基于優化的方法、基于正則化的方法、基于學習的方法和基于特征識別及特征分類的方法。

上述方法存在如下問題：

在更新頂點位置時，存在邊特征不夠真實、角特征丟失的問題；另一方面，以上經典的基于特征的去噪方法通過初始去噪或特征再甄別步驟之后，能夠得到較初始分類更準確的特征點，但其抗噪能力較弱，且常用的特征識別及分類方法對模型的噪聲比較敏感，這將致使：對三維Mesh模型去噪時，去噪手段難以從噪聲中識別細節特征，去噪方法的可靠性隨著模型噪聲強度增大而降低的問題。

發明內容

為了解決上述問題，本發明提供了一種保留特征的三維Mesh模型去噪方法。通過該方法，可以解決三維Mesh模型去噪過程中的兩個問題：(1)基于雙邊濾波方法在去除三維模型表面噪聲時無法很好的保留特征，(2)基于法線投票張量的方法難以從噪聲模型中分類特征，主要目的是獲得準確、真實的三維低噪聲或無噪聲模型，從而顯著提升三維模型去噪后的準確性和完整性，避免其結構特征模糊或丟失等問題。

為了達到上述目的，本發明基于經典的聯合雙邊濾波算法和法線投票張量方法，首先計算所有三角面的引導法向量，并使用聯合雙邊濾波算法過濾所有三角面的法向量；其次，利用過濾后的三角面法向量基于法線投票張量方法分類特征點，并增強弱特征、剔除偽特征；然后，基于鄰居三角面過濾后的法向量約束項更新非特征頂點，對非特征區域去噪并得到非特征點的優化法向量；再依據張量矩陣的特征向量與頂點法向量相似性聚類特征點的支持鄰域點集，并擬合特征點的支持平面；最后，基于鄰居三角面的法向量約束項和支持平面的約束項更新特征點，對特征區域去噪。

本發明提供一種保留特征的三維Mesh模型去噪方法，具體地，本發明方法包括如下步驟：

步驟1，首先為所有興趣三角面選擇引導patch，并計算興趣三角面的引導法向量；

步驟2，利用聯合雙邊濾波方法過濾所有興趣三角面的法向量；

步驟3，對所有頂點分類，得到非特征點、特征邊點和特征角點；

步驟4，增強弱特征點、剔除偽特征點；

步驟5，更新非特征頂點，對非特征區域去噪，獲得頂點的優化法向量；

步驟6，聚類興趣特征點的支持鄰域點集，并擬合聚類點集對應的支持平面；

步驟7，基于鄰居三角面法向量的約束項和支持平面約束項更新特征點，對特征區域去噪。

進一步的，步驟1中為興趣三角面選擇引導patch時，計算所有待選patch的相似性函數值具有(1)式形式，其目的是盡可能選擇內部三角面法向量最一致，且內部所有三角面法向量與興趣三角面法向量差異累計最小的patch；