بازیابی مدل های سه بعدی با استفاده از ضرایب پیشگویی خطی در نگاشت های استوانه ای با تعمیم نگاشت بر روی سه استوانه متعامد

در سال های اخیر به علت رشد و توسعه ی اینترنت، بازیابی مدل های سه بعدی به یک زمینه ی تحقیقاتی وسیع در دنیا تبدیل شده است. تاکنون روش های زیادی برای بازیابی این مدل ها ارائه گردیده و هر کدام ویژگی خاصی را برای عمل بازیابی مورد استفاده قرار می دهد. در این مقاله یک روش مبتنی بر هندسه برای بازیابی مد ل های سه بعدی پیشنهاد می شود. در مدل های سه بعدی، نقاط واقع بر رویه ی مدل دارای همبستگی بالایی با نقاط مجاور هستند. بنابراین تحلیل پیشگویی خطی برای تخمین این مدل ها عملکرد مناسبی دارد. در این مقاله، ضرایب پیشگویی خطی بعنوان یک توصیفگر قوی از نگاشت استوانه ای مدل سه بعدی استخراج می شود. برای این منظور، ابتدا مدل سه بعدی بر روی سطح جانبی استوانه ی محاط بر مدل نگاشت می شود. سپس ضرایب پیشگویی خطی از نگاشت استوانه ای مدل استخراج می گردد. در ادامه با نگاشت بر سه استوانه ی هم راستا با محورهای اصلی بجای یک استوانه، اطلاعات گم شده ی مدل در اثر قرار گرفتن در مانع کاهش یافته و کارایی مدل بهبود می یابد. روش ارائه شده در مقابل چرخش، انتقال، مقیاس بندی و نویز نیز مقاوم است. برای پایداری توصیفگر در مقابل چرخش از آنالیز مولفه ی اصلی استفاده شده است. کارایی توصیفگر پیشنهاد شده با استفاده از پایگاه داده­ی سه­بعدی mcgill مورد ارزیابی قرار می­گیرد. نتایج شبیه سازی نشان می­دهد که روش پیشنهادی، مدل­های سه­بعدی با ساختارهای مختلف را بخوبی از همدیگر تفکیک می­نماید و همچنین در برابر نویز نیز بسیار مقاوم است.

Retrieving of 3D Models using Linear Prediction Coefficients in Cylindrical Projections by Generalizing the Projection to three Perpendicular Cylinders

In the recent years, due to the growth and development of the Internet, 3D model retrieval has become a wide research field. Several methods have been presented to retrieve 3D models. Each method employs a special feature. In this paper, a geometric based method is proposed to retrieve the objects. In 3D models, the adjacent points on the surface of object are highly correlated. So, the linear prediction analysis has a proper performance to estimate these models. In this paper, the linear prediction coefficients are extracted from cylindrical projections of 3D objects as an appropriate descriptor. At first, the object is projected onto the lateral surface of a bounding cylinder. Then, the linear prediction coefficients are extracted from cylindrical projection. To alleviate the occlusion problem, cylindrical projection is generalized to three cylinders along all principal axes. The principal component analysis is employed to normalize the descriptor against rotation. The performance of the proposed descriptor is evaluated employing the McGill database of 3D models. Experimental results demonstrate that the proposed method discriminates the objects with different structure and remains robust against noise as well.