针对密集点云的快速曲面重建算法

为了能够快速地从高密度散乱点云生成三角形网格曲面,提出一种针对散乱点云的曲面重建算法.首先通过逐层外扩建立原始点云的近似网格曲面,然后对近似网格曲面进行二次剖分生成最终的精确曲面;为了能够处理噪声点云,在剖分过程中所有网格曲面顶点都通过层次B样条进行了优化.相比于其他曲面重建方法,该算法剖分速度快,且能够保证点云到所生成的三角网格曲面的距离小于预先设定容限.实验结果表明,文中算法能够有效地实现高密度散乱点云的三角剖分,且其剖分速度较已有算法有大幅提高.     

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。     

一种基于映射法的散乱点云Delaunay三角剖分算法

针对直接在三维空间构建海量点云的Delaunay三角网格效率低下,提出一种新的基于映射法的Delau-nay三角网格构建算法.首先提出一种基于区域增长法的点云分片方法,能够保证对分片后的点云数据进行映射而不产生重叠;然后保持空间点云之间的距离特性,将三维点云映射到二维平面;在二维平面内进行Delaunay三角剖分,再将结果返回到三维空间内.实验结果表明,算法能够构建质量较好的三角网格.由于该算法将点云的三角剖分转换到低维空间,通过实验结果对比本算法与其他算法效果,证明该方法能够更快地完成重构.     

大规模点云数据的球面纹理映射方法

针对点云数据的Delaunay三角网格纹理映射速度慢、映射效果不够细腻及不适合大规模点云数据纹理映射等问题,提出一种基于球面纹理映射的点云数据重建改进方法,并在Qsplat算法的基础上进行实现。采用Qsplat算法对大规模点云数据进行模型重建,利用球面等比约束纹理映射算法建立纹理坐标、球面、点云重建模型三者之间的数学关系,实现大规模点云数据的球面纹理映射。实验结果表明,与传统的三角网格纹理映射相比,该方法可明显提高纹理映射的速度和质量,拓宽球面等比约束纹理映射方法的应用范围,适用于大规模点云数据的纹理映射。     

使用Lloyd Relaxation的物体表面网格化

根据输入的物体表面点云生成与表面点云拓扑结构一致且几何形状接近的三角网格,在计算机图形学建模中具有很重要的作用,提出一种基于Lloyd relaxation的模型表面点云网格化方法.首先从输人点云中随机选取一些样本点,样本点的数目可以指定;然后运用扩展的Lloyd relaxation算法将这些样本点沿着物体表面移动;当得到一个近似均匀的样本点分布后,运用改进的"crust"算法根据这些样本点生成三角网格.通过在每次relaxation过程中减少网格和曲面间体积的方法,使生成的三角网格与原始表面点云的几何形状接近.实验结果证明,该方法能正确、有效地生成输入点云模型的三角网格,并可以运用在三维物体表面重建和网格简化上.     

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。     

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。     

一种基于扫描点的平面散乱点云边界的提取算法

根据平面散乱点云的特点,依据边界点和非边界点的位置关系,用网格把点云划分开来,在确定边界网格和非边界网格以后,将所有的边界网格按照它们的位置关系连接成环,对于从每一个边界网格提取边界提出了一种最小凸边算法,并且从理论和实验上证明了这种最小凸边算法的可行性。     

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。     

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.     

一种非完全的散点图去重叠算法

散点图中数据点重叠现象会严重影响可视分析效率.现有散点图去重叠算法主要通过调整部分数据点的位置来完全去除重叠，但普遍存在画布面积增长、轮廓保持不自然、迭代时间较长等问题.认为完全去除重叠是非必须的，通过实验发现：用户能够在散点图有轻微重叠的情况下，快速、准确地完成数据点选取和区域密度估计等可视分析任务.因此，提出了一个非完全的散点图去重叠算法，该算法通过结合虚拟点临时占位、Voronoi网格划分、数据点选择性移动和重叠率快速计算等方法，实现分布紧凑、轮廓自然、高效迭代的散点图去重叠效果.通过客观实验和主观实验评估了算法性能.实验结果表明，该算法在移动距离、面积增长、形状保持、正交顺序、邻域保持这5个客观指标和形状相似性、类簇稳定性这2个主观指标上都优于现有算法.     

多传感器网络目标定位的一种算法及其实现

在多传感器网络中,测距定位是目标定位的一种常用手段,但是由于系统设备和环境干扰等因素的影响,使得测距数据产生误差,影响定位精度。目前还没有更好的方法用来消除误差,只能应用某些特定的算法,来尽量减少测距误差对定位精度的影响。提出了一种基于测量误差服从概率统计特性的算法,首先根据所有测距数据,拟合出初始概位点,以初始概位点为中心,选取矩形区域并网格化,以每一个小网格的中心点代表该小网格,再通过所有感知节点的3-3组合,统计小网格的权值,以权值最大点作为目标定位点。通过在MATLAB软件包中编程并仿真实验,结果表明,该算法可有效地提高定位精度。     

基于密度峰值和网格的自动选定聚类中心算法

针对快速搜索和发现密度峰值的聚类算法(DPC)中数据点之间计算复杂,最终聚类的中心个数需要通过决策图手动选取等问题,提出基于密度峰值和网格的自动选定聚类中心的改进算法GADPC。首先结合Clique网格聚类算法的思想,不再针对点对象进行操作,而是将点映射到网格,并将网格作为聚类对象,从而减少了DPC算法中对数据点之间的距离计算和聚类次数;其次通过改进后的聚类中心个数判定准则更精确地自动选定聚类中心个数;最后对网格边缘点和噪声点,采用网格内点对象和相邻网格间的相似度进行了处理。实验通过采用UEF(University of Eastern Finland)提供的数据挖掘使用的人工合成数据集和UCI自然数据集进行对比,其聚类评价指标(Rand Index)表明,改进的算法在计算大数据集时聚类质量不低于DPC和K-means算法,而且提高了DPC算法的处理效率。     

栅格数据模型中附有条件的最短路径算法

将附有条件的最短路径概括为点约束、边约束和属性约束的最短路径问题。以栅格数据模型为图或网络描述方式,基于贪心算法思想,提出栅格数据模型中附有条件的最短路径算法。最后,通过实例进行了算法测试,结果表明栅格数据模型中附有条件的最短路径算法是完全可行和有效的。     

基于双层网格和密度的数据流聚类算法

传统的基于网格的数据流聚类算法在同一粒度的网格上进行聚类,虽然提高了处理速度,但聚类准确性较低。针对此问题,提出一种新的基于双层网格和密度的数据流聚类算法DBG Stream。在2种粒度的网格上对数据流进行聚类,并借鉴CluStream算法的思想,将聚类过程分为2个阶段。在线过程中利用粗粒度的网格单元形成初始聚类,离线过程中在细粒度网格单元上,对位于簇边界的网格单元进行二次聚类以提高聚类精度,并实现了关键参数的自动设置,通过删格策略提高算法效率。实验结果表明,DBG Stream算法的聚类精确度较D Stream算法有较大提高,有效解决了传统基于网格聚类算法的聚类精度较低的问题。     

基于自适应遗传算法的点云曲线重建

由于用无序离散点集来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，为此根据实际采样中离散点分布相对集中的特点，提出了一个基于自适应遗传算法的多维无序点集曲线重建算法。该算法针对无序带噪声的空间曲线重建问题，先把点云分布空间网格化，然后在每个网格中用自适应遗传算法搜索出最能代表该网格中点集的特征点，由于每个网格区域中点集分布的不均匀性，因此可根据搜索出来的特征点，利用改进的自适应的SIG（sphere-of-influence graph）图来对每个特征点进行进一步调整，以便能使得到待重建曲线的型值点，最后利用测地距离函数来确定型值点的拓扑结构，并利用B样条函数来重建曲线。实例证明，无论是2维平面点云还是3维空间点云，该点云重建方法简单可行，特别是对于存在自交情况以及点云具有明显角点的情况亦可以获得满意的结果。     

基于改进网格划分统计的特征点快速匹配方法

针对图像特征点匹配算法大多存在数据量大和计算耗时长等问题,提出一种改进网格划分统计的特征点快速匹配算法。首先将图像的长宽比作为约束项,把图像划分成多个非重叠的方形状网格,并统计网格内的粗匹配特征点数量,然后利用改进的五宫格统计方法剔除错误匹配,即将特征点所在网格的相邻对称的四个网格作为邻域范围,把五宫格特征分数与新提出的阈值公式计算的值进行比较,最终得到精匹配特征点集;在OxFord数据集和实际拍摄的无人机遥感图像上,将本文算法与多种算法进行比较,实验结果表明,该方法在保证精确率和召回率接近当前最新的特征点快速匹配算法的情况下,运行速度相对提高了35.6 %,证明了特征点匹配的实时性和有效性。     

海量点云的边缘快速提取算法

提出一种海量点云边缘快速提取算法。该算法先对点云数据进行格网组织,然后排除非边缘的离散点,最后采用Alpha Shapes判断条件提取边缘。该算法牺牲少量格网数据组织时间,节约大量的Alpha Shapes条件判断时间,从而显著提高算法效率。在VC环境下实现了该算法,实验结果表明该算法不仅具有提取外边界、空洞等功能,而且效率高。     

平面点集凸包快速构建算法的研究

文章提出了一种提高构建凸包速度的新方法。该算法生成一个网格来管理离散点,在淘汰明显不位于凸包上的点时,将对离散点的取舍转换为对格的取舍,计算工作量只与离散点的范围及网格的密度有关,与离散点的数目无关;同时对点集也进行了初略的排序。在求取剩余点集的凸包时,采用了一种先分段求取凸包边界,最后将这些边界合并成凸包的方法,该方法充分利用了剩余点集所具有的有序性。     

一种新的地物与地形的网格融合方法

三维地形可视化中重要的地物模型需要使用CAD软件（3D Studio MAX/AutoCAD（3D）/MultiGen）构建的模型数据,来逼真表示城市的精细结构、材质特征及地物的内部形态,在将其和地形网格集成的过程中,必须让地物和地形之间实现无缝融合。提出了一种新的地物和地形的融合方法：首先读取地形高度图,利用基于四叉树的LOD技术生成地形网格,其次导入三维地物模型并放置于地形网格某位置,对三维地物模型投影得到地物模型的底面网格边界框及点集,地物边界框对应的地形网格分裂,产生融合位置的地形网格边界及对应点集,根据地物网格边界和地形网格边界的这两个点集以及Delauney三角形限定条件生成三角网,实现网格融合。利用该方法实现了四叉树LOD技术生成的地形和地物的融合,最后讨论了该方法的特点及应用。