三角域上Said-Ball基的推广渐近迭代逼近

目的：如果一组基函数是规范全正（Normalized Totally Positive, abbr. NTP）的,并且对应的配置矩阵是非奇异的,那么由它所生成的参数曲线或张量积曲面具有渐近迭代逼近（progressive iteration approximation, abbr. PIA）性质。为了进一步推广渐近迭代逼近性质的适用范围,本文提出对于一组基函数,如果其对应的配置矩阵不是全正的,那么该基函数也可能具有渐近迭代逼近性质。方法：提出的定理是以基函数具有渐近迭代逼近性质时其对应的配置矩阵所需满足的条件作为理论基础,建立了配置矩阵为严格对角占优或者广义严格对角占优矩阵与基函数具有渐近迭代逼近性质之间的联系。结果：配置矩阵为严格对角占优或者广义严格对角占优矩阵,则相应的三角曲面具有PIA性质或带权PIA性质,即广义PIA性质。数值试验验证了上述理论,并细致地分析了三角域上的低次Said-Ball基,指出了它们具有相应的广义PIA性质。结论：本文将渐近迭代逼近的适用范围推广到三角域上的一般混合基函数。类似三角域上Said-Ball基,本文算法亦可用于研究三角域上的其他各类广义Ball基的PIA性质。     

三次均匀B样条扩展曲线的渐进迭代逼近法

为了得到收敛速度更快的几何迭代法,提出带形状参数的三次均匀B样条扩展曲线的(加权)渐进迭代逼近法.首先基于三次均匀B样条扩展曲线提出(加权)渐进迭代逼近法的迭代格式;然后通过分析迭代矩阵的谱半径,探讨迭代法的最优形状参数及加权渐进迭代逼近法的最优权系数;最后指出双三次均匀B样条扩展曲面同样具有(加权)渐进迭代逼近性质.数值实例结果表明,所求的最优形状参数及权系数使得迭代法具有最快的收敛速度.     

带互异权值的B样条曲线的最小二乘渐进迭代逼近

为使B样条拟合目标曲线的迭代过程中单独控制部分数据点,调整局部曲线形状,减小局部曲线迭代误差,提出带互异权值的最小二乘渐进迭代逼近法.首先赋统一初始权值于每个数据点,用最小二乘渐进迭代逼近法生成B样条拟合曲线;其次调整部分数据点对应的权值,运用带互异权值的最小二乘渐进迭代逼近法生成B样条拟合曲线;最后比较调整前后拟合误差.实例结果表明,本文所提出方法可调整局部拟合曲线形状,减小拟合误差.     

渐进迭代逼近方法在等距曲线逼近中的应用

渐进迭代逼近(PIA)方法在CAD领域有很好的自适应性和收敛稳定性,在曲线或曲面的逼近和拟合问题上具有很好的应用前景.文中将该方法应用于二维自由曲线的等距曲线(也称offset曲线)的逼近,提出基于PIA的等距曲线逼近算法.首先在等距曲线上采样数据点,采用Floater的方法对数据点进行参数化,并以这些采样点作为初始控制顶点,由这些初始控制顶点产生初始逼近曲线;然后考察相同参数值处采样点和逼近点的误差,并运用PIA方法逐步逼近等距曲线.该算法分别考虑了等距曲线的多项式逼近和有理逼近.数值实例结果表明,综合控制顶点数和算法误差这2项因素,文中算法具备较好的优势.     

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.     

NURBS曲线拟合的最小二乘渐进迭代逼近优化算法

为了使NURBS曲线更精确地拟合散乱数据点,提出了一种基于最小二乘渐进迭代逼近(least square progressive and iterative approximation,LSPIA)的NURBS曲线拟合优化算法.首先,确定一条初始NURBS曲线,利用LSPIA算法优化控制顶点;然后,分别优化数据点参数,拟合曲线的节点和权因子,每优化好一个变量,重新优化控制顶点;最后,经多次优化迭代得到高精度的NURBS拟合曲线.在优化每类变量时,为了避免被其他变量影响,保持其他变量不变.基于LSPIA的NURBS曲线拟合优化算法充分利用了LSPIA算法的优点,在迭代过程中,可以重复使用前一迭代步骤得到的控制顶点等数据,从而节省了运算时间.算法实例表明,该算法能获得一定保形效果.     

Bézier曲线降阶的迭代算法

为提高Bézier曲线降阶的稳定性,提出以基于L_2范数的逼近误差为指导的一种迭代算法. 该算法从一条初始Bézier曲线开始逐渐地对其控制顶点进行偏移,得到具有误差最小的逼近曲线; 同时,应用线性搜索方法来优化控制顶点的偏移,使得在每次迭代后逼近误差可以达到局部最小. 实例结果表明了该算法的快速收敛性.     

T-Bézier三角曲面带权渐进迭代算法及其推广

三角曲面和渐进迭代逼近在散乱点数据的拟合及逆向工程中有重要应用,研究了四阶T-Bézier三角曲面的带权渐进迭代算法。给出了带权渐进迭代算法,分析了算法的收敛性,并基于1-范数、2-范数和∞-范数分别给出了带权渐进迭代算法的逼近误差;针对不同的控制顶点赋予不同权值以加快收敛速度,给出了推广的带权渐进迭代算法;数值实例说明了算法的有效性及其应用。     

渐进迭代逼近方法在曲线变形上的应用

目的 随着几何造型、计算机动画等领域的快速发展,曲线的自由变形技术在近年来受到了广泛的关注。为了获得更多有趣、逼真的变形效果,提出基于渐进迭代逼近与主顶点方法的曲线局部变形算法。方法 给定数据点集,首先采用渐进迭代逼近方法或是基于最小二乘的渐进迭代逼近方法产生待变形曲线;其次对待变形区域使用延拓准则,基于主顶点方法与待变形曲线的形状信息选取控制顶点进行调整;最后对调整后的控制顶点运用局部渐进迭代逼近方法生成逼近曲线,得到期望的变形效果。结果 此变形操作借助于局部渐进迭代逼近方法,具有较好的灵活性。通过茶壶、面部轮廓、手等数值实例,表明了该方法可以得到良好的变形效果。进一步地,借助于叠加变形还可以得到整体的、周期的、伸缩的等各类更加丰富的变形效果。结论 本文研究渐进迭代逼近在曲线变形上的应用,将主顶点方法引入曲线的变形之中,把两者相结合提出了基于渐进迭代逼近与主顶点方法的曲线局部变形算法。该算法不仅具备渐进迭代逼近方法的收敛稳定性,且借助于主顶点方法,可以得到较好的变形效果。该方法适用于曲线的局部变形,丰富了曲线的变形效果。     

基于渐进迭代逼近的矢量地图曲线化简方法

矢量地图化简在地形仿真、制图综合等研究中具有重要应用。针对已有算法难以兼顾化简曲线 的整体形态和局部特征点精度的问题,提出一种基于 B 样条曲线渐进迭代逼近(PIA)的矢量地图曲线化简方法。 首先筛选出能保持曲线轮廓、具有最大信息量的特征点列,将其作为初始控制点列,得到相应的非均匀 3 次 B 样条拟合曲线;然后根据拟合曲线与特征点的误差进行迭代调整控制点,逐步得到一系列逼近曲线,直至最终 满足精度要求。实验表明,PIA 方法不仅保持了化简曲线的整体几何形态,而且能在满足全局误差要求的情况 下,实现特征点处的高精度逼近。     

分组渐进迭代逼近算法拟合数据点集

目的 在计算机辅助设计领域里,曲线或曲面的渐进迭代逼近（PIA）性质在插值与拟合问题中有着广泛的应用。如果直接使用PIA方法对所有的数据点集进行拟合,那么在拟合大规模数据点时就缺少一定的灵活性。为了进一步提高渐进迭代逼近方法在拟合大规模点集时的灵活性,提出基于分组的渐进迭代逼近方法。方法 首先对待拟合点集进行分组;其次对分组后的点集采用PIA方法或是基于最小二乘的渐进迭代逼近方法（LSPIA）来得到一组插值或拟合精度不断改善的曲线/曲面;最后运用曲线/曲面拼接算法保证曲线/曲面的连续性,得到1条/张插值或拟合于给定点集的曲线/曲面。结果 给定相同的数据点集,分别采用分组PIA方法,PIA方法和LSPIA方法进行拟合。分组PIA方法与PIA方法相比误差减少的倍数与组数相当;分组PIA方法与LSPIA方法相比误差减少一半。结论 本文将分组思想引入渐进迭代逼近方法之中,提出了基于分组的渐进迭代逼近方法。该分组算法适用于拟合大规模数据点集,在拟合过程中,可以提高渐进迭代逼近方法在拟合大规模点集时的灵活性;经过理论推导证明了曲线/曲面的迭代效率有所提高,且与PIA方法相比误差有较大的改善。     

关键点选取的最小二乘渐进迭代逼近

目的 最小二乘渐进迭代逼近（LSPIA）方法多以均匀参数化或弦长参数化的形式均匀地确定初始控制点,虽然取得了良好效果,但在处理复杂曲线时,迭代速度相对较慢且误差精度不一定能达到预期设定值。为了进一步提高迭代效率和误差精度,本文提出了基于关键点（局部曲率最大点和极端曲率点）的最小二乘渐进迭代逼近方法。方法 首先计算所有数据点的离散曲率,筛选出局部曲率最大点;接着设定初始的曲率下限,筛选出极端曲率点;然后将关键点与均匀选取的控制点按参数顺序化,并将其作为迭代的初始控制点;最后利用LSPIA方法对数据点进行拟合。结果 对同一组数据点,分别采用LSPIA方法和基于关键点的LSPIA方法,本文方法较好地提高了收敛速度;在相同的控制点数目下,与LSPIA算法相比,本文方法的误差精度较小。结论 本文方法适合于比较复杂的曲线,基于曲率分布的关键点的选取,可以更好地反映曲线的几何信息。数值实例表明,结合关键点筛选策略的LSPIA算法提高了计算效率,取得了更好的拟合效果。     

基于正则渐进迭代逼近的自适应B 样条曲线拟合

基于渐进迭代逼近(PIA)的数据拟合方法以其简单和灵活的特性获得了广泛的关 注。为了获得高保真度的拟合曲线,提出了一种基于主导点选取和正则渐进迭代逼近(RPIA)的 自适应B 样条曲线拟合算法。首先根据数据点的曲率估计选取初始主导点并生成初始PIA 曲线。 然后,借助于拟合误差和数据点集的曲率分布选取加细的主导点及实现PIA 曲线的更新。得益 于基于曲率分布的主导点选取,使得拟合曲线在复杂区域分布较多的控制顶点,而在平坦区域 则较少。通过正则参数的引入构造了一种RPIA 格式,提升了渐进迭代控制的灵活性。最后, 数值算例表明相比于传统最小二乘曲线拟合该算法在使用较少数量的控制顶点时可实现较高的 拟合精度。     

基于法矢控制的B样条曲面逼近的PIA方法

提出了一种基于法矢控制的 B 样条曲面逼近的渐进迭代逼近(PIA)算法。一方面该方法将离散数据点的切失、曲率、法矢等几何特征充分应用到离散数据点的逼近问题上,利用数据点两个方向的切矢构造出数据点的法矢约束来控制逼近曲面形状,相比于无法矢控制的 B 样条曲面逼近的渐进迭代逼近(PIA)方法,逼近曲面更光顺,可获得更好的逼近效果。另一方面由于该算法选取主特征点作为控制顶点,所以允许在曲面拟合中控制顶点的数目小于数据点的数目。而且PIA算法的每次迭代过程中的各个步骤都是独立的,很容易被应用到并行计算上,可提高计算效率。本文还给出了一些实例来验证该算法的有效性。     

DFP优化的数据点渐进迭代拟合方法

DFP方法(由Davidon,Fletcher和Powell 3人共同提出)是求解无约束优化问题的一种经典方法,文中指出数据点的拟合问题可转化为无约束优化问题的求解,并基于DFP优化方法给出了一种大规模数据点拟合方法,称之为DFP渐进迭代拟合方法.文中证明了该方法生成的极限曲线为初始数据点的最小二乘拟合曲线;它承袭了经典最小二乘渐进迭代逼近算法的众多优良性质,如具备直观的几何意义、可灵活地拟合大规模数据点、初始控制顶点的选择不影响最终迭代结果等.数值实例进一步表明,同等条件下,文中方法的收敛速度明显优于现有的几种数据点拟合方法.     

Progressive iterative approximation for triangular Bézier surfaces

Recently, for the sake of fitting scattered data points, an important method based on the PIA (progressive iterative approximation) property of the univariate NTP (normalized totally positive) bases has been effectively adopted. We extend this property to the bivariate Bernstein basis over a triangle domain for constructing triangular Bézier surfaces, and prove that this good property is satisfied with the triangular Bernstein basis in the case of uniform parameters. Due to the particular advantages of triangular Bézier surfaces or rational triangular Bézier surfaces in CAD (computer aided design), it has wide application prospects in reverse engineering.     

An extended iterative format for the progressive-iteration approximation

Progressive-iteration approximation (PIA) is a new data fitting technique developed recently for blending curves and surfaces. Taking the given data points as the initial control points, PIA constructs a series of fitting curves (surfaces) by adjusting the control points iteratively, while the limit curve (surface) interpolates the data points. More importantly, progressive-iteration approximation has the local property, that is, the limit curve (surface) can interpolate a subset of data points by just adjusting a part of corresponding control points, and remaining others unchanged. However, the current PIA format requires that the number of the control points equals that of the data points, thus making the PIA technique inappropriate to fitting large scale data points. To overcome this drawback, in this paper, we develop an extended PIA (EPIA) format, which allows that the number of the control points is less than that of the given data points. Moreover, since the main computations of EPIA are independent, they can be performed in parallel efficiently, with storage requirement O(n), where n is the number of the control points. Therefore, due to its local property and parallel computing capability, the EPIA technique has great potential in large scale data fitting. Specifically, by the EPIA format, we develop an incremental data fitting algorithm in this paper. In addition, some examples are demonstrated in this paper, all implemented by the parallel computing toolbox of Matlab, and run on a PC with a four-core CPU.