广义相容三角网格及其优化

研究了在散乱数据点集的 3 D三角网格划分中 ,一种虽有三角片相互交叠 ,却可通过优化得到相容网格的情况 ,这种网格可称为广义相容三角网格。文中详细讨论了广义相容三角网格的特点及优化算法 ,并给出应用实例     

密集散乱数据三角划分及数据压缩

介绍了Delaunay三角划分方法，运用一种算法对密集散乱数据进行三角划分，并在给定容差条件下对其进行成批压缩。由点云数据中最大、最小的六个点构成初始八面体，将数据分割为八个星角形区域上的凸包数据，在每个凸包数据中，搜寻到其对应的三角形的垂直距离最大的点，如果距离大于给定的容差，则将该点插入并局部优化三角网格。反之则将该点压缩掉。最后给出的实例证明了该算法的有效性和效率。     

一种散乱数据的三角剖分新算法

根据逆向工程中散乱数据点规模越来越大的趋势,为缩小剖分时搜寻和遍历数据点的空间范围,提高算法效率,提出了一种大规模散乱数据的空间划分方法及相应的数据结构和编码方案.同时,提出了外连剖分和内连剖分的概念,给出了基于局部增量网格扩张的3维散乱数据点的空间直接三角剖分算法.该算法的总体计算复杂度为O（N）,与三角剖分的典型算法相比,有效降低了其时间复杂度,提高了剖分后网格的质量.     

一种受约束的散乱点三角划分方法

提出了一种基于区域分割的方法来解决受任意边界、孔域、特征线约束的二维散乱点的三角划分问题。该方法分两个步骤 ,第一步实现散乱点的初始三角形连接 ,第二步实现三角形网格优化。在初始三角形连接中 ,每连接一个三角形 ,将待划分区域分为两至三个较小的区域 ,然后分别对每个区域内的散乱点进行三角划分 ,这样一直迭代下去 ,直至没有新区域出现为止。本方法不仅能解决非凸边界、孔域、特征线嵌入等三角划分中的难点 ,而且其计算量也少     

散乱数据点的快速三角剖分算法

提出了一种改进的波前扩展算法,该算法给出的候选点判断准则,可对数据点的K近邻进行快速过滤,并有效避免了单元自相交;建立的匹配点查找和优化准则,可生成局部优化的三角形网格单元;依据四种不同的查询结果,制定了相应的波前环更新和数据点标记方法。将波前扩展算法应用于具有复杂特征的散乱数据点的三角剖分中,结果表明,该算法可快速生成高质量的三角网格模型。     

散乱数据点的快速三角剖分算法

提出了一种改进的波前扩展算法,该算法给出的候选点判断准则,可对数据点的K近邻进行快速过滤,并有效避免了单元自相交;建立的匹配点查找和优化准则,可生成局部优化的三角形网格单元;依据四种不同的查询结果,制定了相应的波前环更新和数据点标记方法.将波前扩展算法应用于具有复杂特征的散乱数据点的三角剖分中,结果表明,该算法可快速生成高质量的三角网格模型.     

散乱点云的三角网格曲面重建算法

在采用计算机视觉法获取物体三维重建数据的过程中,为了得到较完整的模型信息,所测得的曲面点通常带有大量冗余,而这些冗余数据的存在大大增加了曲面重建的难度.在此背景下,我们针对散乱无序、无任何几何拓扑信息的密集数据,提出了一种空间三角网格直接剖分算法.该算法能够节省存储空间,提高曲面重建效率,保证输出的曲面网格优质.算法首先对原始数据进行预处理,然后采用空间栅格法及Delaunay空球等准则,扩展动态三角网,最后统一法向量输出完整的三角网格模型.通过实例证明,算法重建速度快,曲面网格质量高.     

精确逼近密集散乱点数据的矩形网格

基于自组织特征映射(Self-Organizing Feature Map,SOFM)神经网络构建的矩形网格模型可以实现密集散乱点数据自组织压缩,生成双有序点列,但该模型存在矩形网格的逼近误差和边缘误差。为减小矩形网格的逼近误差和边缘误差,改进了矩形网格模型的训练模式。首先采用整个测量点集对矩形网格模型中的所有神经元进行整体训练;然后对矩形网格中的网格神经元的位置权重,沿网格顶点法矢方向进行修正;最后采用测量点集中的边界点集,对矩形网格模型中的网格边界神经元进行训练。算例表明,应用该训练模式,可以有效减小矩形网格的边缘误差,矩形网格逼近散乱数据点集的逼近精度得到大幅提高并覆盖散乱数据点集整体分布范围。     

基于散乱点的全自动四边形网格剖分方法

提出一种基于散乱点的全自动三维非结构化四边形网格剖分方法。对散乱点进行自适应预处理，包括冗余点的自动删除和模型边界提取。使用改进节点计算和铺路面相交搜索处理的铺路算法，自动生成全四边形网格。该方法可有效地控制生成网格单元的尺寸和质量，网格模型满足有限元分析的要求。与常规的基于CAD几何信息的网格生成方法相比，该方法避免了繁琐的模型修补问题，可快速生成高质量的全四边形网格模型。算例证明了该方法的有效性和实用性。     

三维扫描点云优化网格重建与软件系统实现

物体经过三维扫描后获得大量的散乱点数据,为了能快速、准确的重建出网格曲面,提出了一种空间三角网格螺旋增长重建的算法。该算法首先利用包围球法对散乱点云进行优化,然后根据极坐标法确定螺旋增长的初始三角形,通过对生长的三角形最长边、最小内角和具有公共边的三角形所在面的二面角进行限制和对相应的新的网格边界点进行加锁和解锁操作,不断的寻找最佳扩展点,直到无可用的扩展点为止,最后再对有缝隙的网格边界进行缝合,完成三维扫描点云优化网格重建。     

离散数据点集的3D三角划分算法研究

在实物测量造型过程中,根据离散点集进行三角网格划分是其关键环节之一,也是进行后续进行曲面重构的前提和基础。本文在当前的三角网格划分方法比较之后,提出了一种散乱点集的三角网生长算法,该算法无须对离散点集所对应的自由曲面进行分片投影,直接在3D空间从已划分区域边界到未划分区域按照Delaunay准则生成三角网格,并给出了用此算法处理散乱数据的试验结果。     

逼近散乱数据的矩形网格边缘误差的减小研究

基于SOFM神经网络构建的矩形网格模型可以实现密集散乱点数据自组织压缩,生成期望疏密程度和精度的双有序点列,但该模型存在边缘误差。为减小矩形网格的边缘误差,改进了矩形网格模型的训练模式,提出了3步训练模式。第1步采用整个测量点集,对矩形网格模型中的所有神经元进行整体训练;第2步采用测量点集中的边界点集,对矩形网格模型中的网格边界神经元进行训练;第3步采用边界点集中的角点点集,对矩形网格模型中的网格边界角点神经元进行训练。算例表明,应用该训练模式,可以有效减小矩形网格的边缘误差,矩形网格逼近散乱数据点集的逼近精度得到提高并覆盖数据点集整体分布范围。     

一种新的散乱数据边界点提取方法

综合采用了邻域和平面上提取边界点的思想 ,提出了一种新的在二维平面上提取边界点的方法 ;并在曲面局部近似一个平面的前提下把它推广到三维空间 ,从而形成了一种可直接在三维空间对任意复杂形状曲面进行边界点提取的 3D方法     

一种基于RBF隐式曲面的离散数据快速重建方法

本文针对空间散乱数据, 提出一种基于RBF（Radial Basis Function）隐式模型的快速曲面重建方法,并实现了隐式曲面的可视化。三维离散数据由于分布稠密、不均匀,空间拓扑结构未知的特点,本文首先强调大规模散乱数据预处理的重要性。通过基于空间法向量约束和主元分析两种方法进行数据简化和特征提取。其次采用K-d tree数据结构进行空间数据分割,将全局模型转化为局部的RBF模型,从而通过求解线性方程组得到模型的权值系数。最后在局部交叠空间光滑拼接,得到一个代数表达形式的光滑曲面。实验结果表明,该方法适用于任意复杂物体的三维曲面重建,而且具有较高的重建精度。     

基于测量步距的散乱点云k近邻搜索算法

提出了一种基于测量步距d的k近邻快速搜索算法。该算法根据三维测量原理,综合考虑了测量数据的密度ρ和测量误差δ,给出了散乱点云数据的临界搜索半径r,极大地缩小了k近邻的搜索区域。考虑到邻近点数k的取值,弹性地改变搜索半径r以满足不同k值的需要,实现散乱点云数据k近邻的快速最优搜索。     

散乱数据点的邻近关系及参数化

逆向工程中要解决的重要问题之一是对散乱测量数据进行参数化处理。本文提出了建立散乱数据点间的邻近关系及基于这种关系的数据点凸组合映射参数化方法。实例表明 ,本文所介绍的方法简单可靠 ,可有效地处理三维散乱测量数据的参数化问题     

散乱测量数据多层次B样条逼近曲面拟合算法

提出了一种散乱测量数据的快速曲面拟合方法。该方法使用由粗到精的有继承关系的控制网格分级,从而产生相应的拟合逼近函数,每一级都比前一级更加逼近测量数据。拟合曲面的精度与光顺性可通过适当选择分级层数得到控制。当控制网格分级足够多,密度足够大时,最后拟合结果是插值于测量数据的C2连续曲面。     

The Pre-Processing of Data Points for Curve Fitting in Reverse Engineering

Reverse engineering has become an important tool for CAD model construction from the data points, measured by a coordinate measuring machine (CMM), of an existing part. A major problem in reverse engineering is that the measured points having an irregular format and unequal distribution are difficult to fit into a B-spline curve or surface. The paper presents a method for pre-processing data points for curve fitting in reverse engineering. The proposed method has been developed to process the measured data points before fitting into a B-spline form. The format of the new data points regenerated by the proposed method is suitable for the requirements for fitting into a smooth B-spline curve with a good shape. The entire procedure of this method involves filtering, curvature analysis, segmentation, regressing, and regenerating steps. The method is implemented and used for a practical application in reverse engineering. The result of the reconstruction proves the viability of the proposed method for integration with current commercial CAD systems.     

三维散乱点云凸包快速求解算法

提出一种三维散乱点云凸包快速求解算法,该算法建立点集内外包围盒,依据包围盒对点云数据进行精简,排除大量不可能构成凸包的数据点,减小求解凸包时的数据处理量,通过对精简后的点集求解凸包实现对整个点云的凸包求解,实例表明该算法实现简单,可显著提高凸包的求解效率。