1.一種基于概率分區(qū)合并的三維模型分割方法，其特征在于包括：

1)過分割形成大量區(qū)域，

1-1)根據(jù)三維模型中的三角網(wǎng)格模型，建立圖G(V,E)，其中，V為頂點(diǎn)、E為邊，Dist(V_i,V_j)為E上的長度；

1-2)基于權(quán)重計(jì)算得到所述Dist(V_i,V_j)的距離，得到每一對(duì)相鄰三角面(V_i,V_j)的距離；

1-3)根據(jù)最短距離算法得到兩個(gè)不相鄰的三角面的距離進(jìn)行聚類，得到過分割區(qū)域；

2)對(duì)所述過分割區(qū)域進(jìn)行聚合，

2-1)在所述過分割區(qū)域的三維模型中得到區(qū)域?qū)?p,q)；

2-2)在每一個(gè)區(qū)域?qū)?p,q)間通過特征向量得到相似度；

2-3)通過建立概率模型判斷是否需要將所述區(qū)域?qū)?p,q)進(jìn)行合并；

2-4)對(duì)于所述概率模型，將其中的所有特征對(duì)組合起來，進(jìn)行訓(xùn)練帶權(quán)回歸模型；

3)訓(xùn)練級(jí)聯(lián)式分類器，

3-1)基于機(jī)器和人工分割邊緣，建立邊界召回函數(shù)；

3-2)根據(jù)用以懲罰錯(cuò)誤聚合的區(qū)域的權(quán)重值和所述邊界召回函數(shù)進(jìn)行級(jí)聯(lián)式訓(xùn)練，得到一個(gè)級(jí)聯(lián)式分類器；

4)根據(jù)所述級(jí)聯(lián)式分類器對(duì)新的模型進(jìn)行分割，合并相鄰區(qū)域，得到分割結(jié)果。

2.根據(jù)權(quán)利要求1所述的三維模型分割方法，其特征在于，所述

其中，α表示兩個(gè)面的二面角，定義為兩個(gè)面的中心到共有邊的中點(diǎn)的距離之和，a，b為權(quán)重用來保證Dist(V_i,V_j)處 于[0,1]之間。

3.根據(jù)權(quán)利要求2所述的三維模型分割方法，其特征在于，權(quán)重a，b按照如下方式建立回歸模型的目標(biāo)函數(shù)：

其中，定義為所有的相鄰三角面對(duì)為P₁,P₂,...P_n,P_i的距離，是不同區(qū)域的概率。

4.根據(jù)權(quán)利要求1所述的三維模型分割方法，其特征在于，根據(jù)最短距離算法得到兩個(gè)不相鄰的三角面的距離具體為：

。

5.根據(jù)權(quán)利要求1所述的三維模型分割方法，其特征在于，所述聚類為K-Means聚類算法。

6.根據(jù)權(quán)利要求1所述的三維模型分割方法，其特征在于，所述概率模型為：

其中，ω是的線性邏輯回歸模型的參數(shù)，φp,q(I,R)表示特征向量，對(duì)于一個(gè)三維模型I_i，將其分為k_i個(gè)區(qū)域，區(qū)域集合記作R_i＝{R_i,1,R_i,2,…R_i,k_i}，設(shè)N(R_i)為這個(gè)模型的所有相鄰的區(qū)域，每一個(gè)區(qū)域?qū)?p,q)∈N(R_i)都由一個(gè)特征向量φp,q(I_i,R_i)組成。

7.根據(jù)權(quán)利要求6所述的三維模型分割方法，其特征在于，在所述概率模型中聚合概率最大的區(qū)域?qū)?，直到?dāng)前的模型I_i中不再存在Pg(p,q；Ii,Ri)>0.5的區(qū)域。

8.根據(jù)權(quán)利要求1所述的三維模型分割方法，其特征在于，訓(xùn)練帶權(quán)回歸模型時(shí)，通過修改對(duì)數(shù)損失函數(shù)來修正錯(cuò)誤得到最優(yōu)解，所述對(duì)數(shù)損失函數(shù)為：

其中，ε用來避免出現(xiàn)負(fù)無窮的情況，α表示用以懲罰錯(cuò)誤聚合的區(qū)域的權(quán)重值，L表示擦除的邊緣的長度。

9.根據(jù)權(quán)利要求8所述的三維模型分割方法，其特征在于，建立邊界召回函數(shù)對(duì)α進(jìn)行二分查找，所述邊界召回函數(shù)為：

其中，表示對(duì)于人工分割G_i所有的分割邊緣；表示對(duì)于機(jī)器分割S_i所有的分割邊緣。

10.根據(jù)權(quán)利要求1所述的三維模型分割方法，其特征在于，所述特征向量包括：自旋圖像、形狀直徑函數(shù)、曲率、區(qū)域的凹凸值以及區(qū)域?qū)傩蕴卣鳌?/p>