基于径向基函数的单级插值隐式曲面重构

研究基于径向基函数单级插值隐式曲面重构问题．探讨基于标准紧支撑径向基函数和变形径向基函数插值的参数求解过程。实验结果表明,该方法能有效地构造隐式曲面。并且插值过程相当快。     

基于代数张量积B样条的隐式曲面重构

提出一种以代数张量积B-样条曲面作为几何表示形式的方式,采用Sampson距离来度量数据点与曲面之间的误差,它不仅是几何距离的很好近似且具有齐性和刚体不变的良好性质.建立了近似几何误差和薄板能量极小化的最优化隐式曲面重构模型.同时结合最优化理论中的信赖域思想和拟牛顿法,给出自适应的选代求解算法及其实现.理论上由信赖域法的收敛性分析,迭代算法具有总体收敛性.最后基于散乱点数据集,给出曲面重构的实例,并作简单的讨论.     

基于径向基函数网络的隐式曲线

将径向基函数网络与隐式曲线构造原理相结合,提出了构造隐式曲线的新方法,即首先由约束点构造神经网络的输入与输出,把描述物体边界曲线的隐式函数转化为显式函数,然后用径向基函数网络对此显式函数进行逼近,最后由神经网络的仿真曲面得到物体边界的拟合曲线．实验表明,基于径向基函数网络的隐式曲线具有很强的物体边界描述能力和缺损修复能力．     

一种保特征的隐式曲面算法

结合径向基函数和隐式曲面构造原理,提出了一种保特征的隐式曲面重建算法。应用紧支撑单元产生稀疏的矩阵,降低了计算复杂度,可重建大规模的点云数据。通过几次简单调整支撑域内点的个数,获得保持原特征的重建效果。实验结果证明,算法可以保持原模型的特征。     

点模型微分属性的估算及其应用

为了有效地估算点模型的微分属性,提出了一种基于几何特征相似性的估算方法. 首先,利用Mean shift (MS)聚类法,对点模型进行几何特征相似性聚类;然后,基于径向基函数(Radial basis functions, RBF),重构各聚类单元的局部隐式曲面; 最后,依据经典微分几何理论,在径向基函数 曲面上便捷地求解采样点的微分属性并给出具体应用. 实验与应用结果表明,该方法能够比较精确地估算出点模型的微分属性且得到有效应用.     

几何迭代法及其应用综述

几何迭代法,又称渐进迭代逼近(progressive-iterative approximation,PIA),是一种具有明显几何意义的迭代方法.它通过不断调整曲线曲面的控制顶点,生成的极限曲线曲面插值(逼近)给定的数据点集.文中从理论和应用2个方面对几何迭代法进行了综述.在理论方面,介绍了插值型几何迭代法的迭代格式、收敛性证明、局部性质、加速方法,以及逼近型几何迭代法的迭代格式和收敛性证明等.进而,展示了几何迭代法在几个方面的成功应用,包括自适应数据拟合、大规模数据拟合、对称曲面拟合,以及插值给定位置、切矢量和曲率矢量的曲线迭代生成,有质量保证的四边网格和六面体网格生成,三变量B-spline体的生成等.     

基于拓扑不变性的GSRBF隐式曲面重建

为提高大规模点云曲面重建的精度和效率,提出一种基于拓扑不变性的全局支撑的径向基函数(GSRBF)隐式曲面重建算法。结合Hausdorff算法,根据点云的主曲率和高斯曲率引入一个临界值,防止提取特征点时产生较大误差,构造特征点点云拓扑同胚的拓扑结构;引入八叉树网格划分法进行点云拓扑关系的构造,通过构造与模型控制网格拓扑同胚的拓扑结构来重建曲面的拓扑;构造基函数确定特征点的影响范围,将其归一化得到曲面拓扑上的单位分解,复合单位分解与特征点得到隐式曲面。实验结果表明,该算法适用于任意拓扑的曲面重建,具有较高的精度和效率。     

径向基函数网络的隐式曲面方法

将径向基函数网络与隐式曲面构造原理相结合，提出一种构造隐式曲面的方法．首先以描述物体曲面的隐式函数为基础构造三元显式函数，然后用径向基函数网络逼近显式函数，最后从神经网络的仿真超曲面得到描述物体的封闭曲面；并证明了在理论上此等值面可以以任意精度逼近物体曲面．该方法具有光滑度高、稳定性好，尤其适用少量采样点情形等特点．实验表明，它具有很强的造型能力．     

空间采样点的隐式曲面表示与优化

基于元球隐式曲面表示,提出一个对给定3维物体表面采样数据进行自动曲面重建的方法。首先由空间采样点获取它们的球逼近表示;然后使用这些球作为元球的初始估计,构造出一张初始的元球隐式曲面;最后通过一个能量优化过程调整每个元球的形状参数,得到最终的隐式曲面。球的位置与形状的有效估计和局部支撑的元球核函数的使用极大地加速了曲面优化过程。实验结果表明该方法是有效而实用的。     

一类快速收敛的渐进迭代逼近方法

渐进迭代逼近(PIA)是一种用于数据拟合的经典几何迭代方法,其操作简单,表达显式.针对经典PIA算法存在收敛速度慢的问题,将逆矩阵的具有高阶收敛的迭代算法与经典PIA方法融合,提出一类单步非定常的加速PIA算法.首先,对给定数据点用均匀或累加弦长法进行参数化;然后,用加速PIA算法调整控制点生成拟合曲线(曲面)序列,从理论上保证了生成的曲线(曲面)序列的极限插值原始数据点.在规则曲线曲面,散乱数据点以及加噪声散乱数据点的拟合实验结果表明,在相同终止误差条件下,相比经典PIA算法,所提加速PIA算法需要的迭代次数平均减少84.75%,运算时间平均减少65.53%.