بخش بندي معنادار مدل سه بعدي اجسام براساس استخراج برجستگي ها و هسته جسم

Semantic Segmentation of 3D Model Objects based on Salient Points and Core Extraction

بخش بندي مدل هاي سه بعدي، نقش مهمي در پردازش اين مدل ها از جمله بازيابي، فشرده سازي و نهان نگاري مدل هاي سه بعدي دارد. در اين مقاله روش جديدي براي بخش بندي مدل هاي سه بعدي براساس استخراج نقاط برجسته ارايه شده است. تحقيقات علوم شناختي، تجزيه جسم سه بعدي به بخش هاي ساده تر را به‌عنوان يكي از راه هاي تحليل و تشخيص اجسام سه بعدي توسط انسان معرفي كرده است. بر اين اساس بخش هاي حاصل از تجزيه جسم سه بعدي، به دو دسته كلي هسته و بخش هاي برجسته تقسيم مي شوند. در روش پيشنهادي، ابتدا مركز ثقل مدل سه بعدي محاسبه مي شود؛ سپس نقطه اي با بيش‌ترين فاصله اقليدسي از مركز مدل به‌عنوان نقطه برجسته كه نماينده بخش برجسته اي از مدل است، انتخاب و همسايگي ژيودزيكي آن از مجموعه جستجوي نقاط برجسته حذف مي شود. اين فرآيند تا يافتن تمام بخش هاي برجسته ادامه مي يابد. سپس هسته مدل به‌عنوان قسمتي كه ساير بخش هاي برجسته را به يكديگر متصل مي كند، شناسايي شده و بدين ترتيب بخش بندي مدل سه بعدي صورت مي پذيرد. معرفي مركز ثقل مدل به‌عنوان نقطه مرجع، استفاده هم زمان از فاصله اقليدسي و ژيودزيكي و حذف همسايگي نقطه برجسته انتخابي از مجموعه جستجوي نقاط، باعث مقاوم‌شدن الگوريتم پيشنهادي در برابر تبديلات جابه‌جايي، چرخش و تغيير وضعيت مدل و همچنين باعث افزايش سرعت اجراي الگوريتم پيشنهادي نسبت به ساير الگوريتم ها شده است.

3D model segmentation has an important role in 3D model processing programs such as retrieval, compression and watermarking. In this paper, a new 3D model segmentation algorithm is proposed. Cognitive science research introduces 3D object decomposition as a way of object analysis and detection with human. There are two general types of segments which are obtained from decomposition based on this principle: a core and salient parts. In this approach we start with calculating center of the model. Then, a point with maximum Euclidean distance from the center which represents a prominent part is chosen as the first salient point and its geodesic neighborhood points are deleted from salient point’s search domain. This process is continued until all salient points are detected. Then, the core part which connects the other parts to each other is detected. Thus, 3D model segmentation is completed. Considering center of the model as the reference point and utilizing both Euclidean and geodesic distance and deleting salient point’s neighborhood from salient point’s search domain led our proposed approach to be invariant against translation, rotation and pose changes and also decrease operation time of the proposed algorithm in comparison with the other 3D model segmentation algorithms.