基于谷脊线特征的三维网格模型简化方法

已有的网格简化算法容易丢失大量褶皱、边界等明显几何特征,导致简化后的模型在视觉上失真,为此提出一种基于谷脊线特征的三维网格模型简化方法.首先基于隐式曲面提取网格模型的谷脊线,得到体现重要性几何信息的模型特征点;然后利用层次化的紧支撑径向基函数(CS-RBFs)将上述模型特征点恢复成隐式曲面,得到简化后的三维网格模型.与N-Garland方法对比的实验结果表明,文中方法能显著地减少网格模型顶点数,生成的模型精确度高,生成过程高效.     

水平集网格简化算法在遗址场景中的应用

将水平集方法引入到三维模型网格简化中,构造符号距离函数,函数的零集定义为初始曲面;引入一个能量泛涵,通过对其极小化诱导出一个水平集形式的二阶几何偏微分方程,从而将网格简化过程转化为隐式模型的体素扩散过程。该方法目前已经用于文化遗产数字化的大场景和文物的模型简化中。对水平集网格简化算法和现常用的基于点对收缩的网格简化算法在视觉质量和几何误差方面做了比较和分析,实验表明该方法适用于任意拓扑形状的网格模型,使得模型大规模简化后,在保持较低误差的同时,仍然能够保持相当多的重要几何特征和较好的整体视觉效果。     

结合纹理特征的模型简化误差度量算子

模型的细节层次化表示是图形学中的重要研究方向，可以加速虚拟漫游中的成像速度而不降低成像质量，目前的简化技术大都是基于模型的几何特征进行的，难以很好地处理带有纹理图像的模型，该文提出一种结合纹理特征的模型简化误差度量算子，能高效度量简化过程中与纹理图像相关的视觉信息的变化，并与关于几何特征的度量进行结合，使简化模型能更好地保持重要的视觉信息，提高简化模型的成像质量，新的度量算子能与高效的简化方法相结合，并支持保持重要语义信息的用户主导简化方法。     

一种保持视觉特征的LOD模型简化算法

目前,很多模型简化算法在进行大规模简化后并不能很好保证模型的视觉特征,从而产生视觉失真。针对上述问题,提出一种模型简化算法,该算法通过引入顶点曲度特征因子和限制狭长三角形的生成,保持了模型的几何特征;通过标记色差明显的三角形,很好地保持模型的纹理特征;通过衡量边折叠代价队列和边变化队列中的数据,解决误差累积在模型简化后影响视觉效果的问题,进而保证模型简化后的几何特征和纹理特征。实验表明,该算法高效、可靠、能很好保持模型的视觉特征。     

一种边折叠三角网格简化算法

针对目前自动网格简化算法在大规模简化时往往丢失模型重要几何特征的问题，该文提出了一种改进的边折叠三角网格简化算法。在Garland算法基础上引入三角形重要度概念，并加入到误差测度中，使得二次误差测度不仅能够度量距离偏差，而且能够反映模型局部表面几何变化。实验结果表明新的算法在保持二次误差测度快速特点的同时，使得简化模型在较低分辨率下能够保持更多的重要几何特征，有效地降低了视觉失真。     

一种基于曲率的边折叠简化算法

针对目前三角网格简化算法在低分辨率的状态下往往丢失模型重要几何特征,从而导致视觉上的失真问题,提出了一种改进的边折叠三角网格简化算法。在Garland算法基础上引入了近似曲率的概念,并将其加入到二次误差测度中,使得二次误差测度在能够度量距离偏差的情况下,能够反映模型局部表面几何变化。实验结果表明改进的算法有效保持了模型的细节特征,简化效果更好。     

保持视觉外观特征的网格简化

针对附有纹理属性的网格模型,提出并实现了一种保持模型基本外观和形状特征的多分辨率网格简化算法.采用半边折叠操作,综合考虑了网格模型半边的几何重要性和纹理属性重要性,将其作为各半边的折叠代价来确定模型中所有边的折叠顺序.预先对网格模型中的边界边和纹理边进行标记,并在简化过程中进行加权处理.实验结果表明,即使在急剧的模型简化后,该方法仍能很好地保持原有模型的视觉外观和形状特征.     

带纹理的三维模型简化算法

三维物体的几何造型中,物体通常用三角形网格来描述.随着计算机建模、仿真,虚拟现实与可视化技术的发展,经常会遇到带有纹理的三角形网格模型的简化问题.为此,提出一种带纹理的三角形网格模型简化算法.该算法中综合考虑了模型几何信息以及纹理信息的全局误差,并通过记录每步边折叠操作来消除累计误差,最终生成在形状和纹理上与原始模型最相似的简化模型.     

基于多边形顶点法矢量的网格模型简化算法

在计算机图形学中，经常采用网格模型进行几何物体的描述，而网格模型的大数据量成为实时绘制的瓶颈，因此，必须对网格模型进行简化。目前的简化算法，主要是以网格模型几何误差的最小化为准则，而忽略了模型的视觉特征，为此提出了一种基于法矢量的模型简化算法，其简化准则是视觉特征的最优化。首先获取多边形顶点的平均法矢量，然后依据该法矢量确定简化门限。实验结果表明，当地景模型简化至95.4%时，仍然保持了令人满意的图象质量。该算法能够在保证高度真实感视觉效果的前提下，实现模型较大幅度的简化。     

基于二次误差度量的大型网格模型简化算法

针对传统网格模型简化算法无法处理尺寸大于内存容量的网格模型的问题,提出一种改进的基于二次误差度量的大型网格简化算法.在经典二次误差度量(quadric error metric,QEM)算法的基础上,改进算法引入顶点法向量夹角与边长作为权值,以及基于八叉树的模型划分策略.实验结果表明,该算法能够完成大型网格模型的简化,并且在简化过程中很好地保持了原模型的细节特征.     

一种基于CLMF的深度卷积神经网络模型

针对传统人工特征提取模型难以满足复杂场景下目标识别的需求, 提出了一种基于CLMF的深度卷积神经网络(Convolutional neural networks with candidate location and multi-feature fusion, CLMF-CNN).该模型结合视觉显著性、多特征融合和CNN模型实现目标对象的识别. 首先, 利用加权Itti模型获取目标候选区; 然后, 利用CNN模型从颜色、亮度多特征角度提取目标对象的特征, 经过加权融合供目标识别; 最后, 与单一特征以及目前的流行算法进行对比实验, 结果表明本文模型不仅在同等条件下正确识别率得到了提高, 同时, 达到实时性要求.     

基于逆 Loop 细分的半正则网格简化算法

摘 要：三维网格简化是在保留目标物体几何形状信息的前提下尽量减小精细化三维模型 中的点数和面数的一种操作,对提高三维网格数据的存取和网络传输速度、编辑和渲染效率具 有十分重要的作用。针对大多网格简化算法在简化过程中未考虑网格拓扑结构与视觉质量的问 题,提出了一种基于逆 Loop 细分的半正则网格简化算法。首先根据邻域质心偏移量进行特征 点检测,随后随机选取种子三角形,以边扩展方式获取正则区域并执行逆 Loop 细分进行简化。 最后,以向内分割方式进行边缘拼接,获取最终的简化模型。与经典算法在公开数据集上进行 实验对比,结果表明,该算法能够在简化的同时有效地保持网格特征,尽可能保留与原始网格 一致的规则的拓扑结构,并且在视觉质量上优于边折叠以及聚类简化算法。     

多特征融合的图像自动变形

目的 图像变形算法中特征基元提取和匹配方式大部分都是采用人机交互的方式进行,并且在遮挡区域变形时出现较多的鬼影和模糊现象,使得针对同一场景图像变形实现繁琐且效果不佳,针对这些问题提出一种基于多特征融合的自动图像变形算法。方法 该算法提取多种图像特征信息（如Surf特征算子、Harris算子、Canny算子等）并进行多特征融合匹配,得到一个分布适当且对应关系正确的三角网格,再结合图像变形,实现自动图像插值。结果 实验结果显示,自动的提取特征基元有效地减少了人工操作,而多特征融合匹配有效地抑制了图像变形时边缘或遮挡区域鬼影的产生。结论 提出的融合匹配方法,将不同的特征信息有效地融合匹配从而改善了图像变形算法。通过对多组实验结果进行问卷调查,91%的参与者认为该算法有效地改进图像变形结果。     

基于多特征融合的花卉图像检索

以植物花卉图像为研究对象,对植物花卉图像在区域分割、特征提取、基于内容的雷同图像过滤以及基于SVM的植物花卉图像检索等方面进行了系统、深入和较为全面的研究。首先为保证检索效果,提出了基于Canny边缘的雷同图片过滤算法对花卉图像库中的雷同图片进行过滤。然后提出基于2RGB混合颜色模型的自适应阂值分割算法来对花卉图像进行分割。对特征提取采用多特征融合的方法,其中针对形状特征提出了基于HSV颜色模型的加权不变矩,并提出了结合形状特征与纹理特征的边缘LBP算子。通过在花卉图像库进行的实验表明,提出的若干方法都是有效的。     

Visual salience guided feature-aware shape simplification

In the area of 3D digital engineering and 3D digital geometry processing, shape simplification is an important task to reduce their requirement of large memory and high time complexity. By incorporating the content-aware visual salience measure of a polygonal mesh into simplification operation, a novel feature-aware shape simplification approach is presented in this paper. Owing to the robust extraction of relief heights on 3D highly detailed meshes, our visual salience measure is defined by a center-surround operator on Gaussian-weighted relief heights in a scale-dependent manner. Guided by our visual salience map, the feature-aware shape simplification algorithm can be performed by weighting the high-dimensional feature space quadric error metric of vertex pair contractions with the weight map derived from our visual salience map. The weighted quadric error metric is calculated in a six-dimensional feature space by combining the position and normal information of mesh vertices. Experimental results demonstrate that our visual salience guided shape simplification scheme can adaptively and effectively re-sample the underlying models in a feature-aware manner, which can account for the visually salient features of the complex shapes and thus yield better visual fidelity.     

保持外形特征的网格简化算法

目前许多网格简化算法在大幅度减少算法简化时间的同时,忽略了模型简化后的仿真质量。为此提出一种基于外形特征保持的网格简化算法：依据顶点坍塌值由小到大的次序将顶点排入网格简化优先队列中;每次选择队首顶点向其折叠点合并,并且更新队列中受影响的顶点信息,再对队列重新排序。此算法数据结构存储简单,大规模简化后的模型仍然较好保持了原模型的视觉特征。     

基于TPLBP/HOG特征与DBN深度模型的人脸识别研究

针对传统人脸识别方法所提取的人脸信息特征较为单一,且分类算法存在局限性的问题,在多特征信息融合的基础上结合深度信念网络(DBN)对人脸进行深度训练并进行识别。首先采取对比度受限自适应均衡化对人脸图像进行预处理,从而削弱光照对人脸识别的影响;然后,将提取到的人脸图像的TPLBP纹理特征和HOG结构特征进行特征融合,得到信息互补的融合特征;最后,将降维后的融合特征作为DBN的输入,通过对DBN深度模型的参数的动态搜索确定最佳值后,基于训练好的深度信念网络实现人脸图像样本的识别。以ORL、AR和Yale-B人脸数据库为基础进行试验,试验结果表明本文方法相较于传统的SVM、KNN和DBN算法准确率有很大提高,鲁棒性强。     

RGBD人体行为识别中的自适应特征选择方法

目前在RGBD视频的行为识别中,为了提高识别准确率,许多方法采用多特征融合的方式。通过实验分析发现,行为在特定特征上的分类效果好,但是多特征融合并不能体现个别特征的分类优势,同时融合后的特征维度很高,时空开销大。为了解决这个问题,提出了RGBD人体行为识别中的自适应特征选择方法,通过随机森林和信息熵分析人体关节点判别力,以高判别力的人体关节点的数量作为特征选择的标准。通过该数量阈值的筛选,选择关节点特征或者关节点相对位置作为行为识别特征。实验结果表明,该方法相比于特征融合的算法,行为识别的准确率有了较大提高,超过了大部分算法的识别结果。     

基于模拟多曝光融合的低照度图像增强方法

针对部分低照度图像整体亮度偏暗、对比度差和视觉信息偏弱等问题，提出一种基于模拟多曝光融合的低照度图像增强方法。首先，利用改进的变分Retinex模型和形态学的结合产生基准图来保证曝光图像集中的主体信息；其次，结合Sigmoid函数和伽马矫正构造新的光照补偿归一化函数，同时提出了一种基于高斯引导滤波的反锐化掩模算法，用于调整基准图的细节；最后，分别从亮度、色调和曝光率设计曝光图集的加权值，通过多尺度融合得到最终增强结果，有效地避免了增强结果中的光晕和颜色失真。在不同的公开数据集上的实验结果表明，与传统的低照度图像增强方法进行相比，所提方法降低了亮度失真率，提升了视觉信息保真度。该方法能够有效地保留视觉信息，有利于实现低照度图像增强的实时性应用。     

一种基于视觉知识加工模型的目标识别方法

提出了一种基于视觉知识加工模型的目标识别方法. 该加工模型结合目标定位、模板筛选和MFF-HMAX (Hierarchical model and X based on multi-feature fusion)方法对图像进行学习, 形成相应的视觉知识库, 并用于指导目标的识别. 首先, 利用Itti模型获取图像的显著区, 结合视觉通路中What和Where通道的位置、大小等特征以及视觉知识库中的定位知识确定初期候选目标区域; 然后, 采用二步去噪处理获取候选目标区域, 利用MFF-HMAX模型提取目标区域的颜色、亮度、纹理、轮廓、大小等知识特征, 并采用特征融合思想将各项特征融合供目标识别; 最后, 与单一特征以及目前的流行方法进行对比实验, 结果表明本文方法不仅具备较高的识别效果, 同时能够模仿人脑学习视觉知识的过程形成视觉知识库.