买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西北工业大学申请的专利基于非均匀采样策略和层次密度聚类的三维模型分割方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121544846B 。

龙图腾网通过国家知识产权局官网在2026-03-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202610070431.8，技术领域涉及：G06T19/20；该发明授权基于非均匀采样策略和层次密度聚类的三维模型分割方法是由张杰;李奕璇;逄嘉振;唐文斌;余剑峰;李伟博设计研发完成，并于2026-01-20向国家知识产权局提交的专利申请。

本基于非均匀采样策略和层次密度聚类的三维模型分割方法在说明书摘要公布了：本申请提出一种基于非均匀采样策略和层次密度聚类的三维模型分割方法，属于计算机辅助设计技术领域。包括以下步骤：利用三角化方法，分别将三维模型中的所有面对应的参数曲面转化为对应的三角形网格，所有三角形网格组成三维网格模型；计算三维模型的几何复杂度，并利用三维模型的几何复杂度分别确定每个三角形网格上的采样点数量；分别根据每个三角形网格上的采样点数量，并基于重心坐标随机采样方法对三维网格模型进行非均匀采样，得到采样点集；根据采样点集，并利用层次密度聚类算法对三维模型进行自动分割。本申请能够提升对不同格式的三维模型分割的通用性和鲁棒性。

本发明授权基于非均匀采样策略和层次密度聚类的三维模型分割方法在权利要求书中公布了：1.一种基于非均匀采样策略和层次密度聚类的三维模型分割方法，其特征在于，该方法包括以下步骤： 利用三角化方法，分别将三维模型中的所有面对应的参数曲面转化为对应的三角形网格，所有所述三角形网格组成三维网格模型； 计算所述三维模型的几何复杂度，并利用所述三维模型的几何复杂度分别确定每个所述三角形网格上的采样点数量； 分别根据每个所述三角形网格上的采样点数量，并基于重心坐标随机采样方法对所述三维网格模型进行非均匀采样，得到采样点集，包括： 创建一个空集； 对于每个所述参数曲面对应的所述三角形网格的每个采样点均执行如下操作：从均匀分布的中随机生成第一实数和第二实数，表示第个三角形网格的第个采样点对应的第一实数，表示第个三角形网格的第个采样点对应的第二实数，若，则分别对每个所述采样点对应的所述第一实数和所述第二实数进行镜像变换；所述镜像变换的过程包括：令，且，确保所有所述采样点均位于对应的所述三角形网格的内部；其中，表示保证为非负数，表示保证为非负数； 利用重心坐标公式分别计算每个所述采样点的位置坐标； 所述采样点的位置坐标的表达式为： 5 其中，表示第个三角形网格的第个采样点的位置坐标，表示第个三角形网格的第1个网格顶点，表示第个三角形网格的第2个网格顶点，表示第个三角形网格的第3个网格顶点； 分别将每个所述三角形网格的所有所述采样点的位置坐标存储至所述空集中，得到所述采样点集； 根据所述采样点集，并利用层次密度聚类算法对所述三维模型进行自动分割，包括： 分别计算每个所述三角形网格的法向量，并分别将每个所述三角形网格的法向量与对应的所有所述采样点的位置坐标进行拼接处理，得到每个所述三角形网格对应的初始特征向量； 所述初始特征向量的表达式为： 6 其中，表示第个三角形网格对应的初始特征向量，表示第个三角形网格的法向量，，表示控制系数，表示第个三角形网格的第个采样点的轴坐标，表示第个三角形网格的第个采样点的轴坐标，表示第个三角形网格的第个采样点的轴坐标，表示第个三角形网格的法向量的轴分量，表示第个三角形网格的法向量的轴分量，表示第个三角形网格的法向量的轴分量，表示转置，表示向量范数； 分别在每个所述初始特征向量中引入调节系数，对每个所述三角形网格的法向量进行缩放，得到每个所述三角形网格对应的归一化特征向量； 所述归一化特征向量的表达式为： 7 其中，表示第个三角形网格对应的归一化特征向量，表示调节系数； 将所有所述归一化特征向量组成特征矩阵，并将所述特征矩阵进行白化处理，得到白化特征矩阵，所述白化特征矩阵包含多个白化特征向量； 基于所述白化特征矩阵，构建密度树结构，并根据密度稳定性最大化原则，从所述密度树结构中选择出密度稳定性高于密度稳定性阈值的所有聚类簇，组成初始聚类簇集合； 基于比例阈值和噪声过滤策略，对所述初始聚类簇集合进行优化，得到最终聚类簇集合； 将所述最终聚类簇集合映射到所述三维模型的表面，形成所述三维模型的分割区域； 根据所述三维模型的分割区域对所述三维模型进行自动分割。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北工业大学，其通讯地址为：710072 陕西省西安市碑林区友谊西路127号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。