본 논문에서는 주어진 3차원 메쉬의 분할에 $kappa$-평균군집화 기법을 적용한다. 국부적인 최적의 수렴을 피하고 계산시간을 빠르게 하기 위하여 먼저 주어진 메쉬에 대한 첨예정점들을 인지과학적 측면에서 각각 국부적 전역적 기하 특성을 반영하는 곡률과 볼록성을 분석하여 추출한다. 다음에 추출된 첨예정점들은 그들간의 유클리디언 거리대신 측지거리에 기반한 $kappa$-평균군집화 기법의 반복 수렴으로 $kappa$ 개의 군집으로 분할된다. $kappa$-평균군집화의 효과성에 매우 중요한 요인은 적절한 $kappa$의 초기값을 부여하는 것이다. 따라서 본 논문에서는 $kappa$의 초기값으로 합리적인 군집 개수를 자동으로 계산한다. 최종적으로 첨예정점들에 속하지 않는 메쉬의 나머지 정점들은 측지거리로 가장 가까이 존재하는 $kappa$개의 군집에 병합함으로써 메쉬분할이 완성된다.
In this paper, we adapt the $kappa$-means clustering technique to segmenting a given 3D mesh. In order to avoid the locally minimal convergence and speed up the computing time, first we extract sharp vertices from the mesh by analysing its curvature and convexity that respectively reflect the local and global geometric characteristics from the viewpoint of cognitive science. Next the sharp vertices are partitioned into $kappa$ clusters by iterated converging with the $kappa$-means clustering method based on the geodesic distance instead of the Euclidean distance between each pair of the sharp vertices. For obtaining the effective result of $kappa$-means clustering method, it is crucial to assign an initial value to $kappa$ appropriately. Hence, we automatically compute a reasonable number of clusters as an initial value of $kappa$. Finally the mesh segmentation is completed by merging other vertices except the sharp vertices into the nearest cluster by geodesic distance.
