基于Kohonen神经网络的B样条曲面重构

探讨了三维散乱数据点的自由曲面自组织重构方法。建立了基于自组织特征映射神经网络的矩形网格重构模型及其训练算法。所建模型利用神经元对曲面散乱数据点的学习和训练来模拟曲面上点与点之间的内在关系,节点连接权向量集作为对散乱数据点集的工程近似化并重构曲面样本点的内在拓扑关系。通过该方法不仅能够对无规则散乱数据点进行逼近,并且通过该方法得到的曲面也可以作为后继曲面重构的初始曲面。仿真实验表明,所建神经网络模型可实现三维密集无规则数据点的曲面自组织重构集自压缩于一体。     

各向异性扩散的研究

各向异性扩散是有选择性的平滑过程,这种平滑过程在均匀的区域不受限制,而在跨越边界部分被抑制,因此在平滑噪声的同时保持图像的边缘特征。同样,双边滤波既可以达到滤波的效果又可以保持图像的高频细节,它是一种非线性、非迭代的、局部的和简单的滤波,它是数字图像非线性滤波的代表。论文利用稳健统计方法,分析了各向异性扩散与双边滤波之间的关系,扩大了数字图像非线性滤波与非线性扩散之间的关联。     

基于RBF神经网络NURBS的散乱数据点自由曲面重建

根据径向基函数(RBF)神经网络可以用任意精度逼近任何非线性函数,以及强大的抗噪、修复能力等优点,该文采用RBF神经网络模型进行自由曲面重构,建立了适合曲面重构的径向基函数网络模型。进行了理论分析,并在非均匀有理B样条(NURBS)曲面上做了仿真试验。结果表明:该模型不仅能够有效地逼近不完善的、带有噪声的曲面,而且学习速度很快,提高了对破损、不完全曲面重建的效率和精度,得到的曲面光顺性好。     

一种基于半边折叠的多分辨率模型构造方法*

虚拟现实的真实感限时图形生成中加速技术十分关键, 细节层次模型(LOD)在实时绘制复杂场景中得到了广泛应用。提出了一种基于半边折叠的多分辨率模型构造方法,该算法能够快速简单并有效地减少模型的多边形数,同时将简化记录紧致地存储在隐含着多分辨率模型的单分辨率模型中,减少了存储空间,并能实现快速地提取及显示。     

各向异性扩散和双边滤波关系的研究

本文主要利用稳健统计方法,分析了各向异性扩散与双边滤波之间的关系,不仅扩大了数字图像非线性滤波与非线性扩散之间的关联,而且为数字图像中的滤波方法应用到曲面重构奠定了基础。     

基于混合训练方法的RBF神经网络的曲面重构*

根据径向基函数神经网络(RBFNN)具有很强的非线性逼近能力,以及强大的抗噪、修复能力等优点,讨论了目前神经网络训练方法,提出将径向基函数神经网络应用于带有噪声数据散乱数据点自由曲面的重构,并对该方法理论上的可行性和实践上的实用性进行了讨论和验证。结果表明：径向基函数网络用于曲面重构, 不仅能够有效地逼近不完善的、带有噪声的曲面,而且拟合精度高、网络的训练速度快,说明了径向基函数神经网络应用于曲面重构问题的可行性,为解决反向工程的技术关键——自由曲面重构提供了一个新的途径。