散乱点云的三角网格重构

基于增量扩散法的思想,提出并实现了一个散乱点云的三角网格重构算法,算法首先利用体素网格的散列表对散乱点进行组织,然后在确定了初始种子三角形的基础上,基于活动边扩展规则构造新的三角形,使网格不断向周围扩展直到活动边表空为止,最后算法合并棱边并计算每个三角形的顶点法矢,最终构造出散乱点云的三角网格。     

基于混合策略的区域增长三角网格重构算法

提出一种对无规则点云进行三角网格重构的区域增长算法．重构网格从初始三角形开始,通过2个采取不同生长策略的生长阶段完成生长．第1阶段生长点分布均匀并且密度相对较高的区域,剩下的部分在第2阶段生长;还提出了一种空间划分方法和选择新点生成三角形的方法,并采用了附加三角形提高拓扑操作的可靠性．实验结果说明该算法是快速有效的．     

一种平面点集凸包与三角网格综合生成的算法

平面点集作为一种觉数学模型,其上常做的运算是求其凸包和三角网格,目前二者的研究是独立进行的,鉴于在很多情形下这两种处理结果均需要,提出了一种综合算法：在对离散点集进行ｄｅｌａｕｎａｙ剖分的过程中,增加对三角形边界的判别、管理功能,记录其中作为点集凸包边界的线段,使得在实现剖分的同时产生出点集的凸包,从而提高了算法效率,且当该算法实现单一的点集剖分或凸包功能或是用于简单多边形的凸包与剖分时效果也很好     

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.     

结构光视觉三维点云逐层三角网格化算法

针对结构光视觉恢复的大规模三维点云的可投影特点,提出一种基于投影网格的底边驱动逐层网格化曲面重建算法。该算法首先将点云投影到一个二维平面上;然后基于点云投影区域建立规则投影网格,并将投影点映射到规则二维投影网格上,建立二维网格点与三维点云间的映射关系;接着对投影网格进行底边驱动的逐层网格化,建立二维三角网格;最后根据二维投影点与三维点的对应关系及二维三角网格拓扑关系获得最终的三维网格曲面。实验结果表明,算法曲面重建速度快,可较好地保持曲面细节特征。     

混沌系统辨识的一种新的生长型神经气方法

在自组织神经网络基础上,根据生物群落自然增长的机制,提出了一种新的生长型神经气的自组织算法,用于混沌系统的自组织辨识.该算法在学习样本的激励下能够动态地增加神经元,避免某些神经元可能出现的欠训练现象,从而极大地提高了网络整体训练的速度.最后以Lorenz系统为对象进行了仿真.     

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。     

植物叶片点云三角剖分与分割的集成算法

对植物叶片点云进行三角剖分是使点云构成结构合理的三角网格,便于对植物叶片形态进行描述。对传统的基于区域生长的三角剖分算法进行改进,在三角剖分的同时对不连续点云进行分割;并在三角剖分的基础上对点云内部孔洞进行分析、修复。利用该算法对含有大量离群点的植物叶片点云进行三角剖分处理,结果表明,所提出的算法在完成点云三角剖分和分割的同时剔除了离群点的干扰,提取得到的点云边界及内部孔洞的修复,能满足植物建模中叶片重构的要求;该方法同时也对不连续物体表面的重构建模提供了有意义的参考。     

典型三角网格细分算法

介绍7种典型的三角网格细分算法,对各种细分算法在连续性、具备优点及应用状况等几个方面进行比较和归类。为提高三角网格细分效果的可视化程度,将基于功能类机制的状态机模型作为软件运行模式,利用MFC和Open GL实现交互式显示控制,并在此基础上对最具典型意义的Loop算法进行原型实现,给出优化方法。     

散乱点云的三角划分算法研究

通过对当前的三角网格划分方法进行比较分析,提出了一种散乱点云的3D三角网格划分算法。该算法不需如同二维划分方法那样要对散乱点云对应的自由曲面分片投影,而是直接在3D空间,根据离散点集所对应的曲面形态变化,利用网格扩展、边界环分裂和边界环封闭,逐层收缩生成三角网格。该算法能方便地处理空间多种曲面的散乱点云数据,并且生成的三角网格形态优良,布局合理。     

基于区域生长的三角网格模型孔洞修补方法

为复原残缺三角网格模型的原始形状,针对丢失尖锐特征的模型,提出一种基于区域生长的孔洞修补方法。在根据模型的拓扑连接关系提取孔洞边界信息后,利用广度优先算法以孔洞边界为起点对孔洞周边网格进行区域划分,由对应孔洞特征区域的几何性质计算新补丁面片的法矢,并据此逐层迭代地向孔洞内部进行异步生长,同时为每个孔洞边界网格设置一个控制信号控制区域生长的异步性,对不同区域的新面片求交恢复以确定尖锐特征线和特征角。实验结果表明,对于尖锐特征丢失的残缺模型,该方法在修补孔洞的同时能够完整地恢复模型的原始形状。     

逼近散乱点云数据的三角形网格精确剖分

基于自组织特征映射神经网络构建的三角形网格模型可以实现测量点云 压缩后的Delaunay 三角逼近剖分,但该模型存在逼近误差和边缘误差。为减小三角形网格 的逼近误差和边缘误差,构建了精确逼近的三角形网格模型。首先采用整个测量点云,对三 角形网格模型中的所有神经元进行整体训练;然后对三角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;最后采用测量点云中的边界点集,对三角形网格模型中 的网格边界神经元进行训练。算例表明,应用该模型,可以有效减小三角形网格的边缘误差, 三角形网格逼近散乱点云的逼近精度得到大幅提高并覆盖散乱点云整体分布范围。     

基于点云几何与形状特征的曲面重构算法

提出一种新的利用点云进行曲面重构的算法,该算法基于点云的几何与形状特征,根据点云的几何分布进行分类和按照点的局部形状特征进行分类,对每类点进行局部网格重构,并进行后续处理以修补拓扑和几何错误。实验结果表明,该算法强健有效,能生成高质量的网格,并能较好地保持模型的几何与形状特征。     

基于三角网格模型简化的研究

三角网格模型需要大量的信息来记录点、边和面之间的连接关系,对于复杂模型更需要大量的存储空间,且在网络上传输的速度比较慢。三角网格模型的简化对于其存储、处理、传输以及实时绘制有着重要的意义。本文在针对国内外关于这一领域相关技术研究的基础上,设计出了一种基于三角形删除的简化算法。该算法首先计算三角形的权重,根据设定的权重差值比例来删除相应的三角网格模型区域,然后再对删除后的区域实行三角网格的重建。最后,以两个实例进行探讨,以原始网格模型与简化后的网格模型进行对比,说明本文所设计的网格模型简化算法即有效地实现了三角网格模型的简化,又保持了三角网格模型原有的基本特征,且使简化的效率得到了提高,达到了令人满意的结果。     

基于不规则三角网构建的网格生长算法

提出一种基于离散点Delaunay三角网快速构建的网格生长算法,采用分治算法将离散点表达为唯一网格,利用稀疏矩阵完成网格数据的压缩存储,通过标识码实现有值单元格与离散点之间的高效检索,从而提高网格构建的效率。依据有值单元格的密度获取预设正方形搜索空间,并在三角网扩展时根据需要动态建立正方形搜索空间,从而保证网格生长的准确性。实验结果表明,该算法的时间复杂度为O(nlogn),对于少量或海量离散点均具有较好的适应性。     

一种三角网格模型的边界提取快速算法

针对三角网格数据,提出一种边界提取的快速算法。建立边栈,将所有边索引压入边栈中,并初始化一个空的边池。从边栈中弹出一个边索引与池中的所有边索引进行比较,如果2条边索引相同则视该边为内边,从池中删除;否则留在池中。继续执行该过程,直到边栈为空,结束边界提取,边池中的边即边界边。实验结果表明,该算法易于实现,具有较高的计算效率。     

散乱点云离群点的分类识别算法

散乱点云离群点识别和滤除是重建高质量曲面的前提,也是散乱点云预处理的重要步骤.提出一种散乱点云区域增长策略和一个基于曲面变化度的局部离群指标SVLOF,并将其应用到离群点识别中.通过分析离群点产生的原因,根据离群点到点云主体的距离将离群点分为远离群点和近离群点2类;对远离群点采用基于三维区域增长的方法进行识别,而对于近离群点采用SVLOF系数进行识别.基于仿真数据和实测数据的实验均表明,采用文中算法能够快速、有效地检测出孤立离群点和小型聚类离群点.     

基于注意力机制的点云神经网络架构搜索方法

为了解决设计面向点云数据的神经网络需要大量人工介入的问题,提出了基于注意力机制和点卷积的神经网络架构搜索方法。针对不同尺度点云的信息融合问题,提出了一种基于注意力机制的多尺度融合模块。针对点云的处理效率问题,设计了基于点卷积的特征提取模块作为候选操作,并与多尺度融合模块组成搜索单元。将多个搜索单元叠加成的神经网络作为搜索空间,并采用基于可微分神经网络架构搜索算法搜索出最优神经网络。在公开点云数据集ModelNet上的实验结果证明,该方法得到的神经网络具有领先的精度,同时具有较少的可学习参数,并且该方法大幅减少了人工介入的工作量。该数据集上的消融实验结果表明,在基线模型中加入提出的基于注意力机制的多尺度融合模块,精度提升了1.1个百分点。     

基于曲面拟合的三角形网格简化

针对有限元网格简化问题,将边折叠和三角形折叠算法相结合,提出一种基于曲面拟合的网格简化方法。根据节点离散度识别网格特征,对具有不同特征的部位采用不同的简化策略从而实现自适应变密度网格简化。按长高比最优原则对合并后的节点进行预测,运用曲面拟合技术最终确定合并后的节点,达到优化网格和保持网格特征的目的。实验结果证明,该方法能在保证网格质量的前提下有效简化网格模型,提高CAE分析速度,最多可缩短75%的计算时间。