密集散乱测量数据点的B样条曲面拟合研究

回顾了密集散乱数量数据点面拟合研究发展情况,针对异形边界自由曲面密集散乱测量数据点,提出一种B样条曲面多步拟合算法,其中涉及边界插值B样条曲面生成、Hardy′s双二次局部插值、规则网格数据点B样条曲面最小二乘拟合等关键技术,通过一个工程实例,对文中提出的B样条曲面多步拟合算法进行了实验验证。     

利用OpenGL实现曲面重构图形显示

OpenGL已成为国际上通用的开放式三维图形工业标准，本文以双三次B样条曲面反求为例，研究了OpenGL在曲面反求过程中，三维数据的图形显示。     

稠密散乱数据点多分辨率曲面重构

将曲面重构看作是一种信号重构过程,针对大量散乱数据点,借助成熟的三角网格划分和网格化简算法,利用提升小波变换实现曲面重构,可以快速地构造出复杂拓扑结构的Calmull-Clark曲面;给出了小波系数估算方法以及基于网格拓扑结构的局部最优路径搜索算法．通过运行实例证明了文中算法的有效性．     

基于逼近理论的曲面重构方法的研究

针对三维扫描数据点的曲面重构技术在实际系统中的应用，提出了一种NURBS曲面构造方法。该方法根据已知数据点逼近目标曲面。通过实际系统应用验证，该方法是一种行之有效的曲面拟合方法。     

以多条离散曲线为测地线构造离散曲面

为了解决CAD中逆向主动设计问题,提出以任意多条空间离散曲线为测地线构造离散曲面的算法.首先通过密切圆思想离散化曲线相关几何变量;其次利用局部插值思想和测地线蕴涵特征,推导出满足约束条件的离散曲面公式;最后给出以B样条为度量函数的离散曲面构造公式.逆向主动设计实例表明,该算法是可行的并有较强的交互性,可以通过调整B样条度量函数的节点向量或控制顶点来调节曲面形状,设计出满足各种不同需求的曲面,在服装、鞋帽、义齿设计等领域有很好的应用前景.     

基于车身曲面离散点的三角形网格生成

基于车身曲面的离散点,文章利用稀疏阵法搜寻法来自动生成三角形曲面。该方法首先通过曲面离散点在投影面上的投影点来生成稀疏矩阵,接着利用环形边表和边界搜寻盒来进行离散点的自动三角化。该方法算法简单,生成三角形的速度快,且生成的三角形网格适用于有限元分析和车身曲面的反求问题。文章最后给出的具体算例证明了该算法的有效性。     

Cubic B样条旋转曲面的自由绘制技术

随着基于样条曲线的模型逐渐成为CAGD的主要研究对象,进一步带动了高度自由曲面建模技术的发展.本文描述一个新颖、直观的旋转曲面绘制技术,它支持三次B样条的自由输入作为轮廓线,并通过提取的样点矢量以及最小方差逼近方法形成旋转轴,利用轴上测量点的切线方向确定各个圆平面,从而建立了平面上旋转坐标矩阵,最终插值空间球面样点生成双三次B样条曲面.实验结果有效地验证了此技术的高效性.     

一种离散点插值的新算法

提出了一种按离散测量点构造曲面的新方法,即对每一测量点定义一个矩形作用域,并在每一个作用域上构造一个特殊的Hermilte插值曲面,最后通过各作用域在高度上的叠加来构造一张插值曲面。证明了新算法的完备性和对测量点的依赖性,并通过实例计算证明了新算法的有效性。     

基于SIFT特征检测和三次插值样条的快速曲面重构算法

针对传统的曲面重构算法一直存在重构精度低、效率差的问题,提出新的快速曲面重构算法;基于三次插值样条和改进SIFT特征检测和匹配方法,先对二维图像预处理后,检测其边界点并且拟合,然后将区域按四个象限进行分区,用三次插值样条边界进行曲面重构,同时结合改进的SIFT特征检测和匹配方法,检测各个区域曲面边界的特征点,然后再进行匹配拼接;实验结果表明,该算法得到曲面模型的时间效率有很大的提高,并且曲面效果好,光滑、平顺。     

拟B样条离散曲面分层修改的研究

拟Ｂ样条离散曲面在曲面造型中是十分灵活的，但当对它进行局部修改时却存在一些不足，针对这一问题，本文提出了一种怕谓分层修改的方法，这一方法为设计者提供了新的有力的编辑工具。     

基于混合训练方法的RBF神经网络的曲面重构

根据径向基函数神经网络(RBFNN)具有很强的非线性逼近能力,以及强大的抗噪、修复能力等优点,讨论了目前神经网络训练方法,提出将径向基函数神经网络应用于带有噪声数据散乱数据点自由曲面的重构,并对该方法理论上的可行性和实践上的实用性进行了讨论和验证。结果表明：径向基函数网络用于曲面重构, 不仅能够有效地逼近不完善的、带有噪声的曲面,而且拟合精度高、网络的训练速度快,说明了径向基函数神经网络应用于曲面重构问题的可行性,为解决反向工程的技术关键——自由曲面重构提供了一个新的途径。     

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.     

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。     

一种基于离散点的透明折射算法

传统真实感图形绘制所采用的造型都是基于多边形的表示方法 ,由于该方法存在着一些不足之处 ,为此提出了一种基于离散点的表示方法 ,该方法首先求出场景中 ,曲面上的某些离散点 ,然后将这些离散点排列成若干序列并存储 .同时也提出 ,并实现了一种基于离散点的透明折射算法 ,该算法的关键就是如何确定检测线段 ,由于只有该检测线段上的像素对应序列中的点才有可能在折射线上 ,这样就抛弃了大量的不需要参与运算的点 ,因此可减小计算量 .试验结果表明 ,该表示方法及透明折射算法可以较准确、真实地反映实际场景中的透明现象 .     

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。     

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。     

等高线的光滑内插重构三维物体

三维曲面重构技术在现实中有着广泛的应用,目前已经有多种三维曲面重构技术出现．本文通过对当前各种三维重构算法的研究,在DSI算法的基础上提出了一个三维曲面模型重构的新方法。该方法简捷直观,集成了其它方法的优点,而又避免了它们的不足。     

等值线的三维曲面重建技术

文章提出了一种基于二维等值线的三维曲面重建方法,该方法不考虑等值线的走向及轮廓线的对应关系,而把它们当作无组织,无结构的点集来重建三维图形。测试结果表明该方法简捷高效,可以广泛应用于图形及图像处理的工作以及地质模型的建造过程中。     

Decomposition of a Three-Dimensional Discrete Object Surface into Discrete Plane Pieces

This paper deals with the polyhedrization of discrete volumes. The aim is to do a reversible transformation from a discrete volume to a Euclidean polyhedron, i.e. such that the discretization of the Euclidean volume is exactly the initial discrete volume. We propose a new polynomial algorithm to split the surface of any discrete volume into pieces of naive discrete planes with well-defined shape properties, and present a study of the time complexity as well as a study of the influence of the voxel tracking order during the execution of this algorithm.