原文链接:http://www.51jrft.com/jsj/jsjkxyjs/336.html计算机迅猛发展的今天，各个领域都或多或少地依赖于计算机技术，医疗领，今天小编就来聊一聊关于obj模型用什么软件生成?接下来我们就一起去研究一下吧!
obj模型用什么软件生成
原文链接:http://www.51jrft.com/jsj/jsjkxyjs/336.html
计算机迅猛发展的今天，各个领域都或多或少地依赖于计算机技术，医疗领
域也不例外。患者骨折，如果石膏和夹板无法做到固定，就要通过开放性手术进
行复位。这时就要用上钢板固定。由于钢板的主要作用就是固定断骨，这就需要
钢板与骨头密切贴合，因此同一个钢板不能适用于所有患者。所以，制作一个直
接或者稍加修改就能够适用于大部分患者的平均的钢板显得尤为必要。为了制作
该钢板，就需要收集大量骨对图形并进行分析，求出平均骨骼。
本文介绍了如何通过一些计算机技术来解决求平均骨骼的问题。本文中分析
的骨骼数据是经过三维网格图形配准技术（ICP 算法）和网格变形技术（Laplacian
算法）处理过后的骨骼，所有骨骼的位置相同并且拓扑结构也相同。本文的第一
个主要工作是对庞大的骨骼数据进行降维处理，也就是进行主成分分析
（Principle Component Analysis，PCA）。因为每个骨骼数据都是相当庞大的，
处理起来不管是时间还是空间的复杂度都相当高，在 PCA 分析的过程中，将骨
骼数据投影到另外一个投影空间中，这样就可以用少量的数据来表示一个骨骼，
为骨骼的聚类分析做了很好铺垫。为验证 PCA 降维的合理性，本文中利用降维
后的数据对骨骼进行重建，通过观察对比原骨骼与重建后骨骼的拟合度验证了算
法的合理性。
本文的第二个主要工作是对骨骼进行聚类分析。聚类分析是将物体或抽象的
对象的集合分成相似的对象类的过程，本文中对骨骼聚类采用的是 K-Means 聚
类算法，该算法具有简单易行的特点，能够很好的对骨骼进行聚类。在对骨骼进
行聚类之后，对每一类骨骼求该类的平均骨骼，通过平均骨骼验证聚类的合理性
与有效性。该平均骨骼为厂家制作骨骼钢板提供了科学依据，使生产出的钢板更
贴合人体骨骼。 HM000023查看完整请 Q:351916072获取
关键字：主成分分析（PCA），降维，聚类分析，K-Means 算法
With the development of computer science, all the fields are more or less
dependent on computer technology including the medical field. When patients
fracture, if plaster and splint cannot fix the bones, it is necessary to reset bones
through open surgery and it's the usage of plates. Because the main usage of the plate
is to fix bones which are broken, so it should be closely fit between plate and the bone.
One plate cannot be used to all bones so there should be a plate can be used directly or
just change a little to most bones. To construct this plate, the first work is to collect
many bones and to do some analysis, then calculate the average bones.
This article introduces the method of how to solve the problem of calculating the
average bones. The data of the bones are handled by two algorithms which are ICP
algorithm and Laplacian Algorithm. After that all the bones are in the same location
and have the same topology. Firstly, we should reduce the dimensionalities of the data
of bones by PCA algorithm because the raw data is very huge, it hard to be used. In
the process of PCA analysis, the bones are projected to another space and can be
represented by less data. It's much convenient to do cluster analysis of these data.
Also, we reconstruct the bones to verify the accuracy of PCA algorithm.
The second part of this article is to do cluster analysis of the bones. Cluster
analysis is the method to classify the object or the collection of objects into similar
object classes. The article uses K-Means algorithm to analyze the bones. The average
bones are calculated after the cluster analysis. The average bones provide a scientific
basis to the factory and will reduce the cost of producing plates.
KEYWORDS: Principal Component Analysis (PCA), Dimensionality Reduction,
Cluster Analysis, K-Means Algorithm
.1 课题背景与意义
本课题的产生是来自于一家医疗机构的实际需求。该机构面临这样一个待解
决的实际问题：患者骨折，如果石膏和夹板无法做到固定，就要通过开放性手术
进行复位。这时就要用上钢板固定如图 1.1 所示。钢板内固定是治疗骨折的主要
方法之一，能够使患肢早期进行主动和无痛性功能活动，为骨折的修复和关节功
能迅速恢复提供一个良好的生物学和力学环境，使骨折在功能活动中愈合，功能
在骨折恢复中恢复。因此，钢板被临床广泛应用。
图 1.1 钢板固定骨骼
由于钢板的主要作用就是固定断骨，这就需要钢板与骨头密切贴合，因此同
一个钢板不能适用于所有患者。所以，制作一个直接或者稍加修改就能够适用于
大部分患者的平均的钢板显得尤为必要。这就像我们平时穿的衣服一样，如图
1.2 所示，如果针对每个人的体型量身定制耗费大并且也不切实际。对于钢板的
制作也是同样的道理，不可能针对每个骨骼都制定一个钢板，必须找到这样一个
平均钢板可以适合一类骨骼使用，或者稍加修改就可以使用，那么如何对这些骨
骼数据进行处理，对骨骼进行分类是本文的关键问题。
1.2 算法研究现状 查看完整请 Q:351916072获取
每个 OBJ 格式的骨骼数据都是非常庞大的，直接处理肯定是不可行的，不
管是时间上还是空间上的代价都是很巨大的，那么如何以较少的数据来表示这些
骨骼，就要用到主成分分析算法（PCA） [1] 。PCA 算法主要的作用就是用在矩阵
的降维上，该算法广泛应用在各个领域，但是该算法主要的研究大多数是集中在
人脸识别这方面，对于三维网格图形的降维这方面的研究还是比较少的。所以要
应用该算法得借鉴 PCA 算法在人脸识别 [2-3] 方面的研究。
(1) PCA 算法研究现状
人脸识别就是对于输入的人脸图像或视频，首先判断其中是否存在人脸，然
后进一步给出每个人脸的位置、大小、和各个主要面部器官的位置信息，并根据
这些信息，进一步提取每个人脸中所蕴含的身份特征，并将其与已知人脸库中的
人脸进行对比来识别每个人脸的身份。人脸识别的研究始于 60 年代末，最早的
研究见于文献[4]，Bledosoe 以人脸特征点的间距、比率等参数为特征，建成了
一个半自动的人脸识别系统。早期的人脸识别方法主要有两大方法 [5,6] :一是提取
人脸几何特征的方法，包括人脸部件归一化的点间距离和比率以及人脸的一些特
征点，如眼角、嘴角、鼻尖等部位所构成的二维拓扑结构；二是模板匹配的方法，
主要是利用计算模板和图像灰度的自相关性来实现识别功能。Berto 在 1993 年对
这两类方法做了比较全面的介绍，比较之后认为，模板匹配比较适合。
特征脸 [7,8] 方法是从主成分分析（Principal Component Analysis，PCA）导出
的一种人脸识别和描述技术，实际上是通过 K-L（Karhunen-Loeve）变换 [9] 来实
现在，K-L 变换是图像压缩技术中的一种最优的正交变换。特征脸方法源于图像
描述技术。Kirby 和 Sirovich 用主成分分析有效的表达了人脸图像。他们对给定
的一组原始人脸图像集合如图 1.3 所示，计算图像压缩最好的坐标系统，每个坐
标实际上是他们定义为特征图（Eigen pictures）的图像如图 1.4 所示。从理论上
讲，任何人脸图像几何都可以用两个集合近似重建，其一是每个人脸的权值集合，
其二是一组标准的图像集合（Eigen pictures）。人脸的权值通过将人脸投影到对
应的特征图像得到。Turk 和 Pent land 认为如果大量的人脸图像可以有一组特征
图像的权值来重建，那么有效的人脸识别方法就是通过长期的经验建立特征图像
（Eigen pictures），通过对比重建图像所需要的特征权值识别人脸。因此，每个
人脸都可以用一组重建的权值来表示。也就是说，将一高维的向量，通过一个特
殊的特征矩阵，投影到一个低维的向量空间，表征为一个低维向量，并保留其主
要信息。即通过低维表征的向量和特征向量矩阵就可以完全重构出所对应的高维
向量。这种表达相对于图像本身就是一种高度压缩的方式。
目 录 查看完整请 Q:351916072获取
摘要 I I
ABSTRACT II
第一章 绪论 1 1
1.1 课题背景与意义1
1.2 算法研究现状 2
1.3 本文研究内容及章节安排 4
第二章 三维骨骼预处理与数据的读入 6 6
2.1 三维网格图形配准 6
2.2 网格变形技术 7
2.3 三维网格数据读入 9
第三章 A PCA 算法与骨骼降维 12
3.1 PCA 算法的基本原理 13
3.2 骨骼数据降维 16
3.3 结果分析 18
第四章 聚类分析与骨骼聚类 19
4.1 什么是聚类分析 19
4.2 聚类分析的基础知识 20
4.2.1 类的定义及表示 20
4.2.2 相似度度量 21
4.2.3 主要聚类方法分类 22
4.3 K-Means 聚类算法 26
4.3.1 基本原理 26
4.3.2 算法框架 26
4.3.3 关键代码 28
4.3.4 程序运行结果及分析 29
4.3.5 K-means 算法的问题分析 30
第五章 总结与展望 32
5.1 总结 32
5.2 展望 32
结束语 34
参考文献 35
致 谢 37
,
