点云数据集的隐式曲面重构研究进展

点云数据的曲面重建就是对扫描设备获得的物体散乱数据点重建三维物体表面,它被广泛应用于计算机动画、目标识别、数据可视化以及地理信息系统。点云的隐式曲面重建由于能够去除点云噪声,修补孔洞和裂缝,不需要拼接和平滑等后续处理,成为点云数据集曲面重构的重要方法。文中综述了目前一些主要的隐式曲面重构方法,就隐式模型以及相应的曲面重构算法的优缺点进行了分析比较,并对隐式曲面重构存在的问题和未来发展方向作了相应的分析和讨论。     

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BP神经网络的隐式曲面构造方法

通过把BP神经网络与隐式曲面构造原理相结合,提出构造隐式曲面的新方法.用约束点来描述、控制曲面形状,构造BP网的输入与输出,通过智能学习、仿真模拟,最后从仿真超曲面抽取出的零等值面就是隐式曲面.同时,从理论上证明了此方法所构造的隐式曲面具有任意精度.实验表明该方法对约束点的个数、误差、内外点与边点的距离等不敏感,表现出很好的稳定性与可操作性.该构造方法不仅可用于构造隐式曲面,而且在图形理解、数据分类等领域也具有良好的应用前景.     

基于RBF神经网络的点云数据曲面重建快速算法

在分析现有重构方法局限性的基础上,给出了一种基于神经网络的点云数据重构三维网格形状的快速算法。首先对点云数据进行归一化处理;然后进行特征线提取,并以特征线为基础对曲面进行分割。该方法能直接从神经网络的权值矩阵得到曲线的控制顶点或曲面的控制网格,通过神经网络的权值约束实现曲线段或曲面片之间的连接。实验结果表明,使用该方法能快速获得形状良好的网格曲面。     

基于三坐标测量数据的点云曲面重构

基于CMM测量数据,针对鼠标数据的特点,进行了边界拟合、特征识别、分片重建、光滑拼接等技术的研究.利用三次B样条拟合边界曲线,利用微分几何方法进行曲面特征的识别与分割,利用拉伸及放样法进行曲面片重构,最后进行曲面片相交、剪裁、过渡完成最终的鼠标模型.     

一种基于点云数据的快速曲面重构方法

研究激光扫描中的点云数据重构技术,提出一种基于规则点云数据的快速曲面重构方法。分析相邻扫描线之间数据点的相对位置关系,在三角剖分的基础上,设计改进的扫描线剖分算法,根据激光逐行扫描的特点,对点云数据进行不规则三角网格划分,利用几何关系进行配对构网,并在所建三角模型的基础上实现三角网格的局部优化和纹理映射,得到重建模型。实验结果表明,与传统Delaunay空间三角剖分算法相比,该算法可明显提高三角构网速度和质量,消除空洞,改善重建效果。     

基于隐式T样条的曲面重构算法

提出隐式T样条曲面，将T网格从二维推广到三维情形，同时利用八叉树及其细分过程，从无结构散乱点数据集构造T网格，利用曲面拟合模型将曲面重构问题转化为最优化问题；然后基于隐式T样条曲面将最优化问题通过矩阵形式表述，依据最优化原理将该问题转化成线性方程组，通过求解线性方程组解决曲面重构问题；最后结合计算实例进行讨论．该方法能较好地解决曲面重构问题，与传统张量B样条函数相比，能效地减少未知控制系数与计算量．     

隐式多项式曲线的信息建模研究进展

用隐式多项式曲线来描述数据点集合轮廓具有天然的优势,尤其是在数据点集合轮廓的拟合过程中体现得更为明显。概括了基于隐式多项式曲线的信息建模研究现状,侧重于目前国内外各种隐式多项式曲线拟合算法的分析以及优劣比较。以多个图像物体数据点集合轮廓为例,使用各种拟合算法对其进行拟合,并给出了拟合的效果,分析了算法的优劣和改进措施以及以后的研究方向.     

由点云数据重建的隐式曲面的可视化算法

针对由点云数据重建的隐式曲面提出一种新的基于粒子系统的可视化算法。首先,基于平行线束的初始化方法在隐式模型表面找到均匀分布的采样点,避免原来粒子系统中的分割-死亡过程;用共轭梯度法替代原来粒子系统中的梯度下降法作为优化算法,将每一个椭圆粒子累进移动到低能量状态,避免了较长的收敛时间和围绕最小值的摆动现象;用贪婪选择法选择能够覆盖整个曲面的且不产生空洞的活动子集;松弛过程进一步改善依赖曲率的各向异性粒子采样。本文的粒子专门为基于Splats的表示法而设计,可以直接转换为椭圆Splats而不需要任何改动。因此,本算法可以快速、高质量地绘制出复杂隐式曲面模型。     

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。     

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。     

结合间接邻域的散乱点云三角网格曲面重构

对于非均匀散乱点云,多数基于区域生长方法的曲面重构往往容易出现孔洞等缺陷。针对该问题,在K邻域点集的基础上提出间接邻域点集的概念,对以点为生长对象进行区域生长的三角网格曲面重构方法进行了研究,实现三角网格曲面重构。以生长点的邻域点集为样点估算微切平面,将邻域点投影至该平面上,并按照右手定则、逆时针方向进行排序,通过拓扑正确性原则从点列中去除错误的连接点,优化局部网格,选择较好的连接点,实现网格曲面的区域生长。     

基于VTK的三维点云曲面重建研究

针对三维点云数据重建效率低、不能实时交互等问题,利用鲁棒性强的Power Crust算法和三维可视化类库Visualization Toolkit (VTK)的良好并行机制与强大的图像处理能力,实现了三维点云数据曲面快速重建.该算法使用Power Crust对三维点云进行曲面重建,接着对得到的网格进行线性调整、简化和平滑,最后引入VTK进行渲染、绘制、显示,并实时交互.实验结果表明,该算法可以加快散乱点云数据的重建速度,较好地保持了点云数据的拓扑结构,提高了曲面重建的精确性和鲁棒性,且交互性强,适合实时处理.     

并行广义神经网络的交通流预测

实时、准确的交通流预测是智能交通诱导实现的前提和关键。针对BP神经网络学习过程收敛速度慢、容易陷入局部极小的缺点,引入智能神经元组成的广义神经网络建立交通流预测模型,同时给出基于训练集分解和动态通信模式的并行学习算法来提高广义神经网络的收敛速度,并利用大连市的实际交通流数据进行预测分析。实验结果表明,并行广义神经网络能够满足交通流量预测实时性、精确性的要求,具有一定的应用价值。     

基于SOFM与RBF神经网络的自由曲面重建

根据SOFM神经网络重构曲面样本点的内在拓扑关系,实现对散乱数据的工程近似化,利用RBF神经网络具有的强大非线性逼近能力,提出一种基于SOFM网络和RBF网络相结合的自由曲面重建方法.该方法可有效地解决RBF神经网络对大规模密集散乱点的曲面拟合时出现计算量大、数据网格化难、网络收敛速度慢等问题.     

基于点云面的区域性三维重建及点云拼接*

目前基于点云面的三维重建方法中,重建的区域性选择存在着两个问题：重建区域过大会导致目标物体不明确,效果不佳,运行时间长;重建区域过小会导致目标物体不完整,信息丢失。针对重建窗口过大时,本文采用改进的snake的区域性重建算法,即通过轮廓提取只对窗口内的目标物进行重建;针对重建窗口过小时,本文采用基于投影面的点云拼接算法,即通过重建后的点云进行拼接的方法使目标物体恢复完整。以上两点改进弥补了点云三维重建及拼接时出现的应用局限性和不稳定性,减少重建时间,提高重建有效性,鲁棒性。     

一种新型神经网络在自由曲面重构中的应用

以层次划分和模块化为思想基础,提出了一种新型神经网络模型对自由曲面进行重构,即基于径向基函数（RBF）神经网络的混合网络模型。先后运用减聚类方法、正交最小二乘法、最大似然法对网络进行有无监督的混合训练,旨在解决大样本集的简化建模和快速训练问题,提高混合网络输出精度。实验结果表明该网络模型使得曲面的拟合精度有了明显提高。