基于快速Delaunay三角化的散乱点曲面重建算法

针对现有三维重建算法速度较慢的问题,提出了一种基于快速Delaunay三角化的散乱数据点的三维重建算法。首先,提出一种新的平面Delaunay三角化插入点目标三角形定位算法,利用插入点的方向搜索线与三角形是否相交以及交点个数加速目标三角形定位,不用额外判断点是否在三角形内;其次,自动检测曲面漏洞,利用凸壳的边界拼接方法进行漏洞弥补。实验结果表明,本算法不仅能较好地重建出三维模型,而且有较高的效率。     

散乱数据点的增量快速曲面重建算法

给出了一个新的散乱数据的曲面重建算法.算法充分利用邻近点集反映出的局部拓扑和几何信息,基于二维Delaunay 三角剖分技术快速地实现每个数据点的局部拓扑重建,然后通过自动矫正局部数据点的非法连接关系,以增量扩张的方式把局部三角网拼接成一张标准的整体二维流形网格.该算法在重建过程中能自动进行洞的检测,判断出散乱数据所蕴涵的开或闭的拓扑结构.实验结果表明,该算法高效、稳定,可以快速地直接重构出任意拓扑结构的二维流形三角形网格.     

三维散乱点云快速曲面重建算法

提出了一种基于Delaunay三角剖分的三维散乱点云快速曲面重建算法。算法首先计算点云的Delaunay三角剖分, 从Delaunay四面体提取初始三角网格, 根据Voronoi体元的特征构造优先队列并生成种子三角网格, 然后通过区域生长的方式进行流形提取。实验结果表明, 该算法可以高效、稳定地重构具有复杂拓扑结构、非封闭曲面甚至是非均匀采样的点云数据。与传统的基于Delaunay的方法比较, 该算法仅需要进行一次Delaunay三角剖分, 无须极点的计算, 因此算法的重构速度快。     

海量点云曲面增量拓扑重建EI北大核心CSCD

针对现有的曲面重建算法难以兼顾大规模采样数据的重建效率与重建曲面拓扑正确性的问题,提出一种基于局部Delaunay网格剖分的曲面增量重建算法.该算法采用波前扩展的策略,通过波前环的扩张、分裂、重叠面片的消除等步骤,将局部重建过程传播至每个样点的邻近区域,获得插值于采样点集的二维定向流形网格曲面,实现整个采样点集的增量拓扑重建;在曲面局部重建过程中,分别基于局部区域的Cocone算法与二维投影点集的Delaunay网格剖分方法重建曲面的尖锐区域与平坦区域,其中局部区域重建曲面网格的边界的正确性由区域之外的少量辅助样点保护.实验结果表明,文中算法具有较高的重建效率,适用于封闭和非封闭海量点云数据的重建;且在采样密度符合要求的情况下,重建的网格曲面与原表面拓扑同构.     

一个利用法矢的散乱点三角剖分算法

曲面上散乱点的三角剖分在曲面重建中发挥着重要作用,借助于曲面上的法矢信息和三维Delaunay三角剖分算法,该文给出了一种新的散乱点三角剖分算法,输入一组散乱点以及所在曲面S在这些散乱点处的一致定向的法矢信息,该算法将产生一张插值散乱点的三角网格曲面M,并且曲面M可以近似地看成是曲面S的三角剖分,算法的主要步骤分为两步：首先通过曲面S的一致定向的法矢信息,在曲面S的同一侧添加辅助点,利用这些辅助点来剔除Delaunay三角剖分中产生的不需要的三角片;然后将剩余的三角片连接成一张完整的网格曲面,与基于中轴的三角剖分算法相比,该文算法需要更少和更简单的计算,与局部三角剖分算法相比,该文算法可以更有效地避免重建后的曲面产生自交,该文的算法可用于任意拓扑的光滑曲面重建。     

基于散乱点集的曲面重建

基于散乱点集的曲面重建是计算机图形学和虚拟现实等领域的研究热点.在对基于散乱点集的曲面重建经典算法进行综述的基础上,较详细地讨论了基于成长型神经网络的曲面重建方法和基于法向量场的曲面重建方法.     

基于边界检测的三维散乱点快速曲面重建算法

针对Power Crust算法提出一种带边界检测的不均匀降采样算法。曲面重建前先通过该算法减少参与运算的采样点,表面特征丰富的区域削减的采样点数远小于特征不丰富的区域,再进行曲面重建。通过实例表明该算法大大加快了散乱点数据的重建速度,而且很好地保持了模型表面的特征,能够较为真实地重建出曲面模型。     

一种基于投影的散乱数据表面增量重建算法

针对3维散乱数据场提出了一种表面重建算法.根据空间曲面的局平特性和平面三角化的基本原则,在参考点的切平面上对邻域点按角度排序,应用可见性准则删除不可见点后,相邻邻域点和参考点形成三角网格.将平面上的网格关系对应到空间,以增量方式重建反映散乱数据场拓扑关系的空间曲面.设定角度阈值优化网格,判断空间曲面的边界和孔洞.对多个数据场进行重建并对结果进行分析.对多个数据场进行重建并对结果进行分析表明,算法具有原理简单,重建速度快,重建效果好的特点.     

一种基于散乱数据的自适应曲面重建算法

本文依据Shepard基本原理,提出了一种新的自适应曲面重建算法。该算法首先利用LMS方法优化改进型Shepard算法,求出由粗糙到细致的控制网格。再利用双线性插值方法进行曲面重建,同时保证曲面的平滑性。实验结果表明本文提出的算法能够有效地重建较高精度的曲面。     

利用Voronoi图改进离散数据重构曲面算法

本文利用Delaunay三角剖分和 Voronoi图的性质,实现了一种对散乱点重构闭合曲面的方法。该方法在搜索策略上进行了改进：首先对输入点进行三角剖分,产生相互独立的四面体,构建一个凸包;然后利用Delaunay三角剖分产生Voronoi图;最后根据Voronoi图的性质,选择包含在形体内部的四面体,提取出边界三角形,完成散乱点边界重构。计算复杂度和Delaunay四面体数量成正比,在自动形状重构时形状边界提取过程的计算复杂度为O(n),算法适用于各种涉及图形重构的工程应用。     

基于Delaunay规则的无组织采样点集表面重建方法

表面重建在3维地理信息系统、计算机辅助设计与图形学、计算机造型、逆向工程、虚拟仿真等应用领域有着广阔的应用前景。在前人研究的基础上,提出了一种基于Delaunay规则的3维表面重建方法,通过将局部采样顶点投影到局部切平面上,利用Delaunay规则对投影点进行约束三角剖分,并将剖分得到的顶点连接关系映射到3维空间中,即可得到采样点之间的相互连接关系,实现采样曲面S的表面重建。实验结果表明,算法在表面重建过程中可以有效检测不充分采样区域以及表面边界部分,适用于开、闭两种类型曲面的表面重建。此外,算法还具有实现简单、运行高效等优点。     

散乱数据点的细分曲面重建算法及实现

提出一种对海量散乱数据根据给定精度拟合出无需裁剪和拼接的、反映细节特征的、分片光滑的细分曲面算法．该算法的核心是基于细分的局部特性，通过对有特征的细分控制网格极限位置分析，按照拟合曲面与数据点的距离误差最小原则，对细分曲面控制网格循环进行调整、优化、特征识别、白适应细分等过程，使得细分曲面不断地逼近原始数据．实例表明：该算法不仅具有高效性、稳定性，同时构造出的细分曲面还较好地反映了原始数据的细节特征。     

散乱点云的快速增量网格重建算法

散乱数据的网格重建是数字几何处理的基础性技术之一.本文提出一种快速增量式散乱点云网格重建算法,运用波前( Wave Front)方法渐进地由点云数据生成物体表面的网格模型.该算法以一个”种子”三角形初始化搜索队列,以逐渐生成的新边为搜索元素,借助Kd-树空间划分技术和搜索约束条件,快速完成优化点的评估及三角面片重建,可在保证网格质量的同时,过滤部分对重建效果意义不大的点.实验表明,该算法能够高效、可靠地生成具有不同几何复杂度的原始曲面二维流形三角网格逼近,适用于海量数据点的网格重建.     

基于无组织结构数据集的三维表面重建算法

三维表面重建技术具有广泛的应用前景,通用高效的重建算法是迫切需要研究的课题之一。由于三维点集分布不均匀,目前通用的基于无组织结构数据集的重建算法欠缺稳定性,应用范围受到了限制。文中提出了分布不均匀补偿的近邻点确定算法,提高了算法的稳定性和可靠性,扩展了基于无组织结构数据集表面重建算法的应用范围。实验表明通过分布不均匀补偿的离散数据集三维表面重建算法具有很好的重建效果。     

一种基于逼近理论的曲面重构方法

从离散点列构造一条曲线出发,提出了一种可以处理散乱数据点的曲面重构方法,其主要思想是逐步逼近,即分别用平面三角形和三角Bezier曲面片逼近。详细介绍了空间点的三角划分、离散点的参数化、三角Bezier曲面片逼近以及两曲面片的拼接等算法;最后,给出了几个应用实现。     

平面无序点集曲线重建的跟踪算法

由无序离散点集重建出曲线曲面模型,在反求工程与计算机视觉中都有着广泛的应用.根据实际采样中离散点分布相对集中的特点,给出了一个用简单曲线拟合平面上的无序点集的跟踪算法.该方法仅从当前跟踪点的邻近点集与曲线重建光顺准则出发,无须迭代,可快速、有效地跟踪得到无序点集的一个中轴点列,最后再由此点列拟合出参数曲线.实验结果表明,该方法是一个简单、有效的曲线重建方法.     

散乱点的快速曲面重建方法

空间散乱点的曲面重建有着广泛的应用前景，是当前国际上的研究热点之一，Crust算法是一种基于计算几何中的Voronoi周期图的曲面重建算法，它算法简单，重建结果精细，但是由于计算量太大，其应用受到了限制，为此提出了一种依据采样点的局部特征尺度对原始采样集进行不均匀降采样的方法，在保证采样集能够满足重建要求的前提下，使参与重建的表面点数大为降低，减少了重建算法的计算量，从而提高了重建的速度，这一方法还可以应用于网络简化，通过剔除某些顶点达到简化之目的。