一种大规模散乱数据自适应压缩与曲面重建方法

针对大规模散乱数据点云,提出了一种基于曲率与距离的三角网格抽样方法。算法既能保证所生成网格曲面中每个三角片具有较好的形状,又能较鲜明地刻画曲面的细节特征。同时还能将原先规模较大的点云压缩到事先可控的数量上,是一种简单高效的自适应压缩和曲面生成方法。     

散乱数据点的细分曲面重建算法及实现

提出一种对海量散乱数据根据给定精度拟合出无需裁剪和拼接的、反映细节特征的、分片光滑的细分曲面算法．该算法的核心是基于细分的局部特性，通过对有特征的细分控制网格极限位置分析，按照拟合曲面与数据点的距离误差最小原则，对细分曲面控制网格循环进行调整、优化、特征识别、白适应细分等过程，使得细分曲面不断地逼近原始数据．实例表明：该算法不仅具有高效性、稳定性，同时构造出的细分曲面还较好地反映了原始数据的细节特征。     

一种基于投影的散乱数据表面增量重建算法

针对3维散乱数据场提出了一种表面重建算法.根据空间曲面的局平特性和平面三角化的基本原则,在参考点的切平面上对邻域点按角度排序,应用可见性准则删除不可见点后,相邻邻域点和参考点形成三角网格.将平面上的网格关系对应到空间,以增量方式重建反映散乱数据场拓扑关系的空间曲面.设定角度阈值优化网格,判断空间曲面的边界和孔洞.对多个数据场进行重建并对结果进行分析.对多个数据场进行重建并对结果进行分析表明,算法具有原理简单,重建速度快,重建效果好的特点.     

基于边界检测的三维散乱点快速曲面重建算法

针对Power Crust算法提出一种带边界检测的不均匀降采样算法。曲面重建前先通过该算法减少参与运算的采样点,表面特征丰富的区域削减的采样点数远小于特征不丰富的区域,再进行曲面重建。通过实例表明该算法大大加快了散乱点数据的重建速度,而且很好地保持了模型表面的特征,能够较为真实地重建出曲面模型。     

散乱数据点的增量快速曲面重建算法

给出了一个新的散乱数据的曲面重建算法.算法充分利用邻近点集反映出的局部拓扑和几何信息,基于二维Delaunay 三角剖分技术快速地实现每个数据点的局部拓扑重建,然后通过自动矫正局部数据点的非法连接关系,以增量扩张的方式把局部三角网拼接成一张标准的整体二维流形网格.该算法在重建过程中能自动进行洞的检测,判断出散乱数据所蕴涵的开或闭的拓扑结构.实验结果表明,该算法高效、稳定,可以快速地直接重构出任意拓扑结构的二维流形三角形网格.     

基于散乱点集的曲面重建

基于散乱点集的曲面重建是计算机图形学和虚拟现实等领域的研究热点.在对基于散乱点集的曲面重建经典算法进行综述的基础上,较详细地讨论了基于成长型神经网络的曲面重建方法和基于法向量场的曲面重建方法.     

三维散乱点云快速曲面重建算法

提出了一种基于Delaunay三角剖分的三维散乱点云快速曲面重建算法。算法首先计算点云的Delaunay三角剖分, 从Delaunay四面体提取初始三角网格, 根据Voronoi体元的特征构造优先队列并生成种子三角网格, 然后通过区域生长的方式进行流形提取。实验结果表明, 该算法可以高效、稳定地重构具有复杂拓扑结构、非封闭曲面甚至是非均匀采样的点云数据。与传统的基于Delaunay的方法比较, 该算法仅需要进行一次Delaunay三角剖分, 无须极点的计算, 因此算法的重构速度快。     

非矩形定义域上的散乱数据曲面重建的Multiquadric基函数拟合法

传统的Multiquadric基函数拟合散乱数据方法,只能用于定义域呈矩形拓扑的散乱数据集上,而逆向工程中通常遇到的是非矩形定义域上的散乱数据集,因此不能用传统方法。文章提出一种新的Multiquadric基函数拟合非矩形定义域上的散乱数据集。该方法首先找到一个与该散乱数据集所在曲面拓扑等价的参数曲面,通过将散乱数据点(xi,yi,zi)一一映射到此参数曲面,反求出其对应参数(ui,vi),由于(ui,vi)∈犤0,1犦×犤0,1犦,从而将非矩形定义域上的Multiquadric基函数拟合方法转化为传统的方法。将Multiquadric曲面与B-样条曲面进行了比较,指出了Multiquadric曲面优于B-样条曲面之处。     

散乱点云数据的高阶平滑隐式曲面重建

针对三维扫描或三维重建获取的散乱点云数据曲面重建问题, 提出基于拉普拉斯规则化的高阶平滑算法。首先, 计算点云数据的包围盒并离散化得到体素空间; 其次, 在体素空间根据隐式曲面的梯度和点云位置、法向信息建立目标函数, 并通过对目标函数的拉普拉斯规则化达到控制重建曲面光顺效果的目的; 再次, 根据最优化原理将重建问题转换为一个稀疏线性方程组求解问题; 最后, 通过步进立方体算法得到重建曲面的三角网格表示。定性和定量的实验结果表明, 该方法重建曲面绘制效果和精确度优于常用的Poisson方法。     

基于曲面局平特性的散乱数据拓扑重建算法

提出了一种基于曲面局平特性的,以散乱点集及其密度指标作为输入,以三角形分片线性曲面作为输出的拓扑重建算法.算法利用曲面的局平特性,从散乱点集三维Delaunay三角剖分的邻域结构中完成每个样点周围的局部拓扑重建,并从局部重建的并集中删除不相容的三角形,最终得到一个二维流形拓扑曲面集作为重建结果.该算法适应于包括单侧曲面在内的任意不自交的拓扑曲面集,并且重建结果是相对优化的曲面三角形剖分,可以应用于科学计算可视化、雕塑曲面造型和反求工程等领域.     

稠密散乱数据点多分辨率曲面重构

将曲面重构看作是一种信号重构过程,针对大量散乱数据点,借助成熟的三角网格划分和网格化简算法,利用提升小波变换实现曲面重构,可以快速地构造出复杂拓扑结构的Calmull-Clark曲面;给出了小波系数估算方法以及基于网格拓扑结构的局部最优路径搜索算法．通过运行实例证明了文中算法的有效性．     

散乱分布数据曲面重构的光顺-有限元方法

提出了一种基于散乱分布的数据点重构三维曲面的有限元方法.根据最佳逼近与数据光顺理论建立正定的目标泛函,采用有限元最佳拟合使泛函极小化,求得最优解.通过八节点等参数有限元插值计算,重新构造出三维曲面.这种光顺-有限元方法有效地抑制了输入数据上误差噪声的影响,与有限元拟合方法相比,所需的输入数据点少,重构的曲面逼近精度高、光顺性好.数值实验表明,该方法简单,便于应用.     

三维重建中散乱点云的聚类筛选与网格重建

三维重建过程中获得的初始海量数据存在大量的噪声和孤立点,使得直接使用这些数据进行网格重建时,将会产生尖锐的凸出,导致重建效果不好,甚至是网格重建失败.针对以上问题,提出首先采用基于密度聚类的方法筛选三维点云,然后进行网格重建.实验表明本文算法获得了较好的网格重建效果.     

密集散乱数据的三角形网格曲面逼近方法

介绍了一种密集三维散乱点群数据的三角形网格曲面逼近方法 .算法采用一定数量的球体在曲面空间的有效投影域上的排布来模拟 Voronoi多边形 ,从而实现平面域约束 Delaunay三角剖分 ,并利用 Hardy多二项式插值原理将其映射到曲面空间 .通过对球体集合的动力学数值仿真 ,解决了网格节点的位置确定和最佳网格节点数量确定的问题 .实际模拟结果表明 :算法结构清晰、实用 ,三角化结果品质良好 ,在数控加工和反求工程中有着广阔的应用前景 .     

多连通曲面离散点集的3D三角划分算法研究

在对非封闭曲面、简单封闭曲面和多连通封闭曲面的特点进行分析之后,提出了一种多连通封闭曲面离散点集的3D三角划分算法.该算法无须对离散点集所对应的自由曲面进行分片,直接在3D空间根据曲面的形态变化向前逐层推进生成三角网格.算法同时还适用于非封闭曲面和简单封闭曲面两种情形.实验结果表明,该算法的划分效果优良,能够满足曲面重构的需要.     

基于SOM的散乱数据点集的B样条曲面重建

利用自组织映射神经网络(SOM)技术对散乱数据点集进行B样条曲面重建时,往往存在网络学习时间过长和学习效果不理想等问题。提出了一种新的神经元初始化方法和分块学习算法,该算法首先运用主元素分析方法(PCA)对散乱数据进行分块,将拓扑结构为四边形的输出层神经元初始化在每块散乱数据的最小二乘平面上进行网络学习和训练,将分块学习得到的各网格曲面拼接成一个整体;然后对该整体网格曲面的边界和内部单独学习,得到一张逼近待重建曲面的双线性B样条曲面;最后对该B样条曲面误差进行了修正。实例证明,该算法可以明显地减少SOM网络学习时间,并改善网络学习效果。     

海量散乱点的曲面重建算法研究

基于海量散乱点的曲面重建在机械产品测量造型、计算机视觉、根据切片数据的医学图像重建等领域中有重要应用.给出了一种以物体表面上不附加任何几何和拓扑信息(包括测点法矢、曲面边界信息)的散乱点集为处理对象,自动生成物体表面的三角网格模型的算法.该算法首先根据测点的邻近测点估算曲面在该测点处的法矢,并采用优化的顺序对法矢方向进行调整以使各测点处的法矢都指向曲面外侧,最后用步进立方体算法输出三角网格模型.采用新的方法计算切平面,不但进一步提高了效率,而且改善了曲面边界及尖锐棱边区域的重建效果.还提出并解决了法矢方向传播中可能出现的局部“孤岛”问题.同时,提出了一种对海量数据进行空间划分的算法,从而大大提高了海量数据的处理效率.应用实例表明,算法效果良好