一种面向复杂树形物体的建模方法

技术领域

本发明属于计算机图形学领域，尤其涉及一种面向复杂树形物体的建模方法。

背景技术

目前，对于树形物体(如三维树木模型、脑神经系统、人体血液管道)等的数据生成任务是计算机图形学、计算生物学、医学数据分析等领域的重要研究课题，在计算机图形学中，对于三维树木的合成可以增强虚拟场景的真实度，提高用户的体验，从而满足电影制作、游戏开发等产业的需求；在计算生物学等医学方面，对于医学上的树形物体的大量合成可以作为相关深度学习模型的训练数据，有效实现病例判断、人体健康度分析等相关数据表征学习下游任务。树形物体的形状在几何和拓扑方面都呈现出较大的变化性，如枝干形状的弯曲和拉伸等产生的几何形变以及枝干数量差异导致的拓扑差异，这使得构建得到形态合理的复杂树形物体的生成工作具有挑战性，当前一些面向树形物体的建模的主流方法是过程式建模，如L-系统，这对用户专业知识要求高，时间消耗大，并且细微的L-系统的语法改变会导致合成的模型变化较大，不适用于大规模的树形物体合成。另外一些工作则从数据重建的角度生成树形物体，如基于图像/三维扫描点云的树木重建技术，但这通常对图像的质量要求较高，对外部的数据采集设别(如三维扫描仪)的依赖性强。

从另外一个角度而言，树形物体的模型合成工作可以是做一个基于统计概率分布进行建模的过程，即对给定的树形物体数据，学习得到相应的形状概率分布，通过随机采样的方式或受参数限制的采样方式获取合成的树形物体，这种方法建模过程轻量化强，用户专业领域知识要求低，并且不依赖外部采集设备，可用于构建大规模树形物体。目前，基于统计模型的建模思想主要用在具有固定拓扑结构的物体生成工作中，如人体模型、人脸模型以及人造模型(椅子，桌子等)，树形物体由于具有复杂、不固定的拓扑结构，使得现有方法无法直接应用树形物体的建模工作中。

通过上述分析，现有技术存在的问题及缺陷为：

现有方法建模复杂度高、无法对复杂的树形物体进行有效实时建模。

发明内容

针对现有技术存在的问题，本发明提供了一种面向复杂树形物体的建模方法。

本发明是这样实现的，一种面向复杂树形物体的建模方法，所述面向复杂树形物体的建模方法包括：

计算复杂树形物体集合对应的平均树木，构建复杂树形物体集合的概率分布模型，通过随机采样或特定参数约束的方式生成复杂树形物体。

进一步，所述复杂树形物体由管状枝干以层次构建而成，每个管状枝干β的形状由一条连续骨架曲线进行描述，

β＝(f(s),r(s))＝(x(s),y(s),z(s),r(s))

式中，x(s),y(s),z(s)为骨架曲线点的坐标信息，r(s)为相应点对应的枝干半径,s表示沿曲线β方向采样的参数值，s∈[0,1]；

所述复杂树形物体的层次化表示为

进一步，所述平均树木为到所有复杂树形物体的集合β

具体计算方法如下：

(1)设μ＝β

(2)对于i＝1:m，寻找β

(3)

(4)重复过程(2)、(3)，直到过程最终收敛；

(5)返回最终的μ，作为复杂树集合β

进一步，所述平均概率分布模型的构建过程为：

将所有对齐的β

进一步，所述随机采样生成复杂树形物体的具体过程为：

随机采样若干个实数，

进一步，所述通过特定参数约束生成复杂树形物体的过程为线性回归的过程，在生成复杂树形物体的过程中添加用户约束，

M[p

式中，映射矩阵M＝BP

进而得到向量化表达b，通过向量化的逆过程得到对应的复杂树形物体β。

进一步，所述通过约束参数p为树木模型的高度，侧子树枝干的长度，以及横切面偏角、纵切面偏角。

本发明的另一目的在于提供一种实施所述面向复杂树形物体的建模方法的面向复杂树形物体的建模系统，所述面向复杂树形物体的建模系统包括：

平均树木模块，用于计算复杂树集合对应的平均树木；

模型构建模块，用于构建复杂树集合的概率分布模型；

复杂树生成模块，用于通过随机采样或特定参数约束的方式生成复杂树形物体。

本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述面向复杂树形物体的建模方法的步骤。

本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述面向复杂树形物体的建模方法的步骤。

本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述面向复杂树形物体的建模系统。

结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：

本发明提出了一套针对复杂树形物体的建模方法，如三维树木，人体神经系统，使得复杂树形物体可以通过完全随机方式合成或者通过特定参数约束的方式合成，解决了现有方法建模复杂度高、无法对复杂的树形物体进行有效实时建模的问题。

第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：

本发明面向复杂的树形物体，提出了一套简易轻量化并具有科学依据的建模方法，使用户可以根据少量收入的树形物体生成大量相似的树形物体，对用户的专业知识要求低，满足了游戏、电影、医疗等行业的实际需求。

第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：

本发明的技术方案填补了国内外业内技术空白：

目前复杂国内外对于复杂树形物体一般都采用基于L-系统的过程式建模或者基于图像和三维点云的建模，这会对用户的专业知识要求以及外部数据采集设别要求和依赖性高，本发明则从统计建模的角度实现了复杂树形物体的简易轻量化建模。

附图说明

图1是本发明实施例提供的复杂树形物体的层次化表示示意图；

图2是本发明实施例提供的复杂树形物体示意图，(a)输入的复杂树形物体，(b)随机采样合成的复杂树形物体。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。

本发明实施例提供的面向复杂树形物体的建模方法包括：

计算复杂树形物体集合对应的平均树木，进而构建复杂树形物体集合的概率分布模型，通过随机采样或者通过特定参数约束的方式生成复杂树。

复杂树形物体的外在形态可视为由管状枝干以层次构建而成，每个管状枝干β的形状可以由一条连续骨架曲线进行描述，即

β＝(f(s),r(s))＝(x(s),y(s),z(s),r(s))

其中x(s),y(s),z(s)为骨架曲线点的坐标信息，r(s)为相应点对应的枝干半径,s表示沿曲线β方向采样的参数值，s∈[0,1]。

一个复杂的树形物体β则可以层次化表示为

进一步，所述平均树木的计算过程为：

对于给定的一组树形物体{β

其中为了方便起见，两个复杂树之间的距离本发明选用了计算时间开销小的欧式距离公式，即对应枝干之间进行欧氏距离计算，然后取所有对应枝干的距离总和为两个复杂树形物体的形态差异值，根据此形态差异定义，

平均树μ的具体计算方法如下：

1)设μ＝β

2)对于i＝1:m，寻找β

3)

4)重复过程2)3)，直到过程最终收敛

5)返回最终的μ，作为复杂树集合β

进一步，所述概率分布模型的构建过程为：

在所有的树木模型β

进一步，所述随机采样生成复杂树物体的具体过程为：

首先本发明随机采样若干个实数，

即

所述通过特定参数约束生成复杂树木的具体过程为：

本发明在样本合成的过程中添加一些约束因素，即用户约束，比如生成具有一些特定属性的复杂树形物体，这个过程可以被视作线性回归过程，假设

M[p

映射矩阵可以通过M＝BP

通过以上公式，可以得到由参数p所约束下生成的复杂树的向量表达b。

参数p可以定义为好一些生物学上的参数，如对于树木模型而言，p可以取树木模型的高度，侧子树枝干的长度，以及横切面偏角、纵切面偏角等。在得到b之后，可以通过复杂树向量化的逆过程得到对应的复杂树β。

为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。

复杂树形物体的建模有众多应用领域，在计算机图形学中，构建大量的三维树木模型可以增强虚拟现实场景的真实度，使得用户获得更佳的用户体验；在计算医学中，构建相应的人体神经元系统结构，可以为后续的病情分析、神经元系统结构的分类通过数据支持。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。

图2(a)为输入的复杂树形物体，(b)为经过多元高斯分布拟合后进行随机采样所合成的复杂树形物体，两组树形物体在形态上展示出了相似性，并且经过随机采样合成的复杂树形物体在形态上也显示出了合理性，这表明初步由本建模系统构建的复杂树形物体符合初始的预期与要求。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。