基于场表示的平面无序点集曲线重建算法

由无序离散点集重建出曲线曲面模型，在反求工程与计算机视觉中都有着广泛的应用。针对平面无序带噪声的曲线重建问题，通过模拟带电粒子在空间中形成场分布的现象，构造了一个反映平面点集形状与分布稠密程度的场函数，以场函数曲面的脊线在平面上的投影作为平面无序点集的重建曲线。为求得重建曲线，可先在平面上选取一条适当初始曲线，由初始曲线沿着场函数的梯度方向运动，其极限位置便为重建曲线。大量实例证明，这种方法简单可行，可获得满意的重建曲线；同时，对于带插值约束条件以及分布不均匀的点集，也可以获得满意的结果。     

平面无序点集曲线重建的跟踪算法

由无序离散点集重建出曲线曲面模型,在反求工程与计算机视觉中都有着广泛的应用.根据实际采样中离散点分布相对集中的特点,给出了一个用简单曲线拟合平面上的无序点集的跟踪算法.该方法仅从当前跟踪点的邻近点集与曲线重建光顺准则出发,无须迭代,可快速、有效地跟踪得到无序点集的一个中轴点列,最后再由此点列拟合出参数曲线.实验结果表明,该方法是一个简单、有效的曲线重建方法.     

平面离散点集的边界搜索算法

进行有限元仿真首先要建立有限元网格模型。使用不含有任何拓扑信息的离散点集直接进行网格划分可以快速、精确地建立网格模型。使用铺路法进行网格剖分是从边界开始向内生成网格单元。该文提出一种使用搜索盒的搜索平面离散点集边界的算法。该方法将离散点分配到搜索盒中，遍历位于边界的搜索盒，将其中的点连接成边界点链表。该算法能正确地搜索包含有凹点、孔洞特征的离散点集的边界，具有较强的通用性。文中介绍了算法的基本思想，并给出算例。     

动态生长的自组织神经网络点云重建技术

为了提高自组织特征映射网络算法中点云重建技术的质量、收敛速度和表面精度,提出一种动态生长的自组织神经网络算法.首先基于自组织神经网络算法,构造了球体三角网格作为神经网络的映射结构,正确选择拓扑邻域的环数,通过对大量无规则节点进行网络训练和学习达到神经元节点的分裂,改变了网络结构的固定性,并删除不稳定的网格节点;然后对网格进行优化,让神经元节点与输入的离散点保持更加的紧密,得到较好的点云重建结果.与自组织特征映射算法训练特性相比,该算法减少了计算量,提高了网络训练的收敛速度和离散点云重建的表面精度,特别是针对海量点云数据或者含有大量噪声点云数据的重建效果更明显.     

基于不规则三角网构建的网格生长算法

提出一种基于离散点Delaunay三角网快速构建的网格生长算法,采用分治算法将离散点表达为唯一网格,利用稀疏矩阵完成网格数据的压缩存储,通过标识码实现有值单元格与离散点之间的高效检索,从而提高网格构建的效率。依据有值单元格的密度获取预设正方形搜索空间,并在三角网扩展时根据需要动态建立正方形搜索空间,从而保证网格生长的准确性。实验结果表明,该算法的时间复杂度为O(nlogn),对于少量或海量离散点均具有较好的适应性。     

特征驱动的曲面重建*

提出了基于散乱空间点集进行曲面重建的新方法,从点集的空间位置信息中提取待建曲面的内蕴特征量——法向和曲率,利用点集的这些特征信息来确定拓扑重建的搜索空间,采用面片生长的方式重建曲面。该方法在快速获得正确拓扑连接的同时,直接生成了用较少的面片就能保持曲面特征的优化网格。     

特征驱动的曲面重建

提出了基于散乱空间点集进行曲面重建的新方法,从点集的空间位置信息中提取待建曲面的内蕴特征量——法向和曲率,利用点集的这些特征信息来确定拓扑重建的搜索空间,采用面片生长的方式重建曲面。该方法在快速获得正确拓扑连接的同时,直接生成了用较少的面片就能保持曲面特征的优化网格。     

基于有向距离场的代数B-样条曲线重建

提出了一种以代数B-样条曲线为表达形式、基于有向距离场的隐式曲线重建方法.首先给定一个表示封闭曲线、可能带有噪音且分布不均匀的平面点云,采用移动最小平方(moving least square,简称MLS)方法对点云去噪、重采样,得到一个低噪音、分布均匀的"线状"点云,再通过Level Set方法建立该"线状"点云的离散几何距离场,最后用一个代数B-样条函数光顺拟合该离散距离场,代数函数的零点集即为重建曲线.曲线重建过程可以归结为求解线性方程组问题.这种重建方法不仅可以得到高质量的重建曲线,还可以得到曲线周围的距离场信息.同时,避免了隐式曲线重建中经常出现的多余分支问题.     

散乱点云的快速增量网格重建算法

散乱数据的网格重建是数字几何处理的基础性技术之一.本文提出一种快速增量式散乱点云网格重建算法,运用波前( Wave Front)方法渐进地由点云数据生成物体表面的网格模型.该算法以一个”种子”三角形初始化搜索队列,以逐渐生成的新边为搜索元素,借助Kd-树空间划分技术和搜索约束条件,快速完成优化点的评估及三角面片重建,可在保证网格质量的同时,过滤部分对重建效果意义不大的点.实验表明,该算法能够高效、可靠地生成具有不同几何复杂度的原始曲面二维流形三角网格逼近,适用于海量数据点的网格重建.     

分段提取函数型数据特征的算法研究

针对函数型数据分类算法中全局统计特征表达能力有限,且显著点特征易受噪声干扰等问题,提出一种基于统计深度方法的函数曲线特征分段提取算法。首先,利用数据平滑技术对离散观测的数据进行平滑化处理,同时引入函数型数据的一阶和二阶导函数;然后,分段计算函数本身及其低阶导函数的马氏积分深度值,在此基础上构造函数曲线特征向量;最后,给出三种选择调节参数的搜索方案,并进行分类研究。在UCR数据集上的实验表明,与当前其他曲线特征提取算法相比,所提算法能有效提取函数曲线特征,提高分类的准确性。     

基于遗传算法的B样条曲线拟合改进算法

B样条曲线拟合应用于绘制离散数据点的变化趋势,一般采用数据逼近或者迭代的方法得到,是图像处理和逆向工程中的重要内容。针对待拟合曲线存在多峰值、尖点、间断等问题,提出一种基于遗传算法的B样条曲线拟合算法。首先利用惩罚函数将带约束的曲线优化问题转换为无约束问题,然后利用改进的遗传算法来选择合适的适应度函数,再结合模拟退火算法自适应调整节点的数量和位置,在寻优的过程中找到最优的节点向量,持续迭代直到产生最终的优良重建曲线为止。实验结果表明,该算法有效地提高了精度并加快了收敛速度。     

带法向约束的隐式T样条曲线重构

目的 隐式曲线能够描述复杂的几何形状和拓扑结构,而传统的隐式B样条曲线的控制网格需要大量多余的控制点满足拓扑约束。有些情况下,获取的数据点不仅包含坐标信息,还包含相应的法向约束条件。针对这个问题,提出了一种带法向约束的隐式T样条曲线重建算法。方法 结合曲率自适应地调整采样点的疏密,利用二叉树及其细分过程从散乱数据点集构造2维T网格;基于隐式T样条函数提出了一种有效的曲线拟合模型。通过加入偏移数据点和光滑项消除额外零水平集,同时加入法向项减小曲线的法向误差,并依据最优化原理将问题转化为线性方程组求解得到控制系数,从而实现隐式曲线的重构。在误差较大的区域进行T网格局部细分,提高重建隐式曲线的精度。结果 实验在3个数据集上与两种方法进行比较,实验结果表明,本文算法的法向误差显著减小,法向平均误差由10^-3数量级缩小为10^-4数量级,法向最大误差由10^-2数量级缩小为10^-3数量级。在重构曲线质量上,消除了额外零水平集。与隐式B样条控制网格相比,3个数据集的T网格的控制点数量只有B样条网格的55.88%、39.80%和47.06%。结论 本文算法能在保证数据点精度的前提下,有效降低法向误差,消除了额外的零水平集。与隐式B样条曲线相比,本文方法减少了控制系数的数量,提高了运算速度。     

散乱数据点集曲线重构的最短路逼近算法

给出了散乱数据点集曲线重构的最短路逼近算法．算法根据数据点的分布构造带权连通图,通过求解带权连通图的最短路径,将散乱数据点集的曲线重构问题转化为有序数据点集的曲线重构问题．算法可以对单连通、多连通和封闭的数据点集进行重构．重构曲线较好地保持了数据点集的形状和走向,尤其是带尖点的数据点集的形状特征．最后给出不同拓扑结构的数据点集的重构曲线实例．     

基于二进制GA的B样条重构曲线节点优化

带法向约束的自由曲线曲面重构在光学反射面设计中起至关重要的作用.本文为解决法向约束下的曲线重构问题提出了一种优化方案,使得重构出的曲线在逼近数据点的同时,亦能满足相应法向约束.首先,利用惩罚函数的方法将带法向约束的优化问题转化为无约束的优化问题.然后,引入二进制编码的遗传算法（GA）,建立合适的适应度函数,自适应产生优化节点向量,如此迭代进化,直到产生令人满意的重构曲线为止.考虑到节点向量非递减的特性,而遗传算法在寻找最优节点向量的过程中有可能打乱节点向量的顺序,所以在建立适应度函数的时候将变量调整为无序有界变量.通过与传统最小二乘方法和粒子群智能优化方法的比较,本文方案在解决带法向条件约束的曲线重构问题上优势明显,且对于任意形状的曲线重构都行之有效.     

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     

基于闭环理论的自由曲面测量与实时重构

寻求更优的测量方法和更精确的重构模式一直是逆向工程中的研究重点。基此,对具有自由曲面特征的产品逆向,提出一种自适应测量、实时重构和在线评价的方法。依据几何特性,测量实物外形并用高次Bézier曲线拟合,微分推演探测点及矢量,指导三坐标测量机CMM（Coordinate Measuring Machining）自适应探测完整实物点云;借助非均匀B-spline架构曲面模型,基于扫描网格和实物特征从以上重构的曲面上抽取关键检测点,在线引导CMM确定上述检测点在实物上的准确位置并评价已构曲面误差,若误差高于阀值就将检测点加入更新曲面,逐步提高直至满足几何精度,集成测→构→评→添的全闭环逆向过程,建立精确的实物数字化模型。实例验证表明,该方法可利用曲面的几何特性,让测点分布随曲面曲率变化而呈疏密变化,以获得高质量的原始数据点云,实时模型重构、在线评价并及时添加检测点修正模型,可完整表述曲面的几何信息,可使重构模型精度达微米级。     

特征保留的点云数据自适应精简算法

提出一种特征保留的点云数据自适应精简算法。该算法首先构造散乱点云数据的局部拓扑信息,通过一种改进的二次栅格法快速建立K邻域,由此估算点的邻域弯曲度,再进行分类。算法在保留特征点后对其余点应用自适应精简距离进行阈值精简,故算法不仅可以完整保存实物模型整体轮廓,而且能够最大限度地保证模型区域特征。数值实验结果表明,该算法能够得到不错的精简效果,且具有较小的计算时间复杂度。     

基于SOM网络的三次B样条曲线重建

使用散乱点集重建曲线曲面,在逆向工程和计算机视觉中有着广泛的应用。提出基于SOM网络的三次B样条曲线重建算法。给定某一曲线散乱点集和一初始神经网络,优化SOM网络中神经元位置,使网络逼近散乱点和映射散乱点空间特征。用特征点反求三次B样条曲线控制点,利用控制点重建三次B样条曲线。试验结果表明,算法取得的曲线重建效果良好。