共查询到17条相似文献,搜索用时 62 毫秒
1.
2.
细节层次模型是指对同一个场景或场景中的物体,使用具有不同细节的描述方法得到一组模型,供绘制时选择使用。本文结合国内外在这一领域的最新进展,特别是我们自己在这方面的研究工作,对细节层次模型自动生成技术进行介绍和分类,并对一些典型方法的优缺点进行了分析,最后对这一技术的发展进行了展望。 相似文献
3.
4.
多细节层次模型间的平滑过渡 总被引:19,自引:1,他引:19
对虚拟现实中多细节层次模型间的平滑过渡技术进行了详细讨论,提出了一种基于顶点删除的累进网格的构造算法一种模型的不同细节层次间的插值算法。文中给出的一组实例说明本文算法的有效性。 相似文献
5.
多细节层次(LOD)是实时图形生成的一项重要技术。介绍了几种典型的多细节层次模型的自动生成算法,在此基础上提出了一种基于边折叠的多边形网格模型简化算法。实验表明,这种网格模型简化算法能在损失很少的屏幕像素误差的前提下提高图形绘制速度,是一种简单且有效的LOD自动生成算法。 相似文献
6.
7.
一种基于误差控制的网格多分辨模型生成算法 总被引:3,自引:0,他引:3
提出一种网格多分辨模型生成算法.该算法以最大误差L∞控制的网格简化算法为基础,通过删除边和拆分点操作进行向下和向上采样,将网格模型表示为由一个低分辨率的网格和一系列修改操作组成的多分辨模型.同其它算法相比,该算法在初始向下采样时,重点考虑了简化误差对模型精度的影响.在生成网格多分辨模型时,该算法将细化操作分解为对网格模型的几何修改信息和各细化操作之间的关系信息,确保了多分辨模型的健壮性.该算法可通过三角片数和简化误差两种方法来调整网格模型分辨率,实验结果证明了本算法的有效性. 相似文献
8.
9.
10.
一种全特征递进网格模型生成算法 总被引:3,自引:0,他引:3
递进网格模型可用于实现层次细节模型、网格模型的递进传输等。文中提出并实现了一种支持全特征的递进网格模型生成算法。该算法可生成带有颜色、纹理等附属信息的递进网格模型,且所占空间小,运行速度较快。 相似文献
11.
12.
约束Delaunay三角剖分中强行嵌入约束边的多对角线交换算法 总被引:11,自引:0,他引:11
在不允许改变原有点集的场合,实现约束Delaunay 三角剖分的一种有效算法是:将边界点与内点一起进行标准Delaunay 三角剖分,然后强行嵌入不在剖分中的约束边,最后删除域外三角形.其中,任意一条待嵌入约束边所经三角形构成的多边形区域称为该约束边的影响域,影响域内部的每条边称为对角线.文中对一般形状影响域中对角线的可交换性进行了研究,并在此基础上,结合对已有算法的分析和借鉴,提出并证明了两种强行嵌入约束边的多对角线交换算法,即递减算法与循环算法.其中的循环算法具有编程简单和运算速度快的特点 相似文献
13.
基于图像的室内虚拟环境的研究 总被引:8,自引:0,他引:8
基于图像的建模和绘制技术,提出了一个构造室内虚拟环境的完整方案,用户只需要输入少数照片,即可重建室内场景的全景图像,方案主要包括以下几点:首先由用户交互确定图像中的匹配象素,通过运动分析算法恢复整个场景的几何结构,然后,将原始图像变换至平面的参数坐标系,抽取纹理图像,并在参数空间对纹理图像进行拼接;最后生成场景的全景图像,算法对拍摄条件和设备没有苛刻要求,运算量较小,有较强的稳定性。 相似文献
14.
15.
16.
平面点集的O(logN)步凸壳算法 总被引:6,自引:0,他引:6
本文提出了一个平面点集的凸壳点判断定理,并依此定理,设计了在改进的三维树网上用O(logN)步就可找到平面点集(有N个点)的所有凸壳点的并行算法。 相似文献
17.
配电网络系统潮流计算的一种并行算法 总被引:1,自引:0,他引:1
In this paper, aiming to the problems, such as slow convergence, long computing time in the tidal current computation of present medium or large -scale distributed power system, one parallel algorithm based on MPI programming model and the character of distributed power system is given. Then the performance analysis is described. And the algorithm has been programmed in MPICH language. At last, the validity of the algorithm is verified by a middle-scale sample computation on 8 CPUs in a small cluster with 128 CPUs. 相似文献