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。     

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。     

一种有效的散乱数据点云三角剖分算法

本文使用的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。本算法的运行效率高,且思想简单易于实现;输出结果为最常用的三角网格表示,适用于任意拓扑结构的物体和各种类型的散乱数据点云对象,允许数据点集的分布具有一定的不均匀性。     

边界保持的隐式曲面三角化方法

隐式曲面三角化是隐式曲面绘制的常用算法.对于开区域上散乱点数据重建的隐式曲面,常用的隐式曲面三角化方法得到网格模型不能很好地保持散乱点数据的边界.针对该问题,提出了一种边界保持的隐式曲面三角化方法.根据散乱点数据的空间分布,控制等值面的抽取范围,实现了边界保持.实验结果表明,该算法能够产生和散乱点数据边界一致的三角网格.     

一种基于最小搜索圆平面多边形域约束Delaunay三角剖分算法

给出一种新的基于边优先的二维多边形域任意散乱数据的约束Delaunay三角剖分算法.算法结合网格分块技术,提出基于最小搜索圆的点搜索思想,并证明了该思想的正确性,有效地提高了搜索第三点的速度.算法中散乱数据可以是任意复杂的折线、封闭多边形环及离散点.另外,在三角剖分过程中,实时地去掉封闭点和封闭边,极大地加快了构网速度,实现了平面多边形域散乱数据的快速约束Delaunay三角化.     

一种基于点云数据的快速曲面重构方法

研究激光扫描中的点云数据重构技术,提出一种基于规则点云数据的快速曲面重构方法。分析相邻扫描线之间数据点的相对位置关系,在三角剖分的基础上,设计改进的扫描线剖分算法,根据激光逐行扫描的特点,对点云数据进行不规则三角网格划分,利用几何关系进行配对构网,并在所建三角模型的基础上实现三角网格的局部优化和纹理映射,得到重建模型。实验结果表明,与传统Delaunay空间三角剖分算法相比,该算法可明显提高三角构网速度和质量,消除空洞,改善重建效果。     

任意平面域上离散点集的三角化方法

本文提出了一种快速、有效的三角化算法,实现了任意平面域上散乱数据的三角化,生成的网络符合Delaunay准则,网格的优化是在网格生成过程中完成的,算法复杂度与点数呈近似线性关系.该算法运用于石油地质勘探领域,成功地解决了包含复杂断层的大规模数据点的三角化问题.     

一种散乱点云空间直接剖分算法

散乱点云的三角剖分在曲面重建中发挥着重要作用。在对三角剖分基本方法深入分析的基础上对此类点云提出了一种高效的重构算法。本算法将基于动态球策略的搜索算法引入到曲面重建中,源于增量式计算的思想,结合约束准则和设计的顶点度量函数,从基础三角面片开始扩展到覆盖整个物体表面。分析及实验结果表明,该算法能有效地对点云数据进行三角网格化,同时剖分后的三角网格曲面最大限度地保持了原有曲面的特性,证明了提出的基于动态球的曲面重构算法应用于散乱点云曲面重构问题的可行性。     

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。     

一种改进的区域扩张三角网格面逆向重构算法

三角网格面重构是逆向工程中常用的曲面重构方法之一．本文提出了一种基于局部信息的区域扩张算法（LIBRG），用以解决由离散点云重构三角网格面的问题．该算法由一个初始三角片开始，扩张式地搜索满足要求的点以生成新的三角片．算法充分利用了区域扩张过程中的局部空间信息，所以能很好地适应曲率的变化并自动筛选掉一些无效点；同时LIBRG算法也针对传统算法中的全程遍历搜索方式进行了改进，以获得较高的时间效率．     

面向非均匀采样点集的3维表面重建算法

针对非均匀采样点集,提出一种改进的3维表面重建方法。该方法将整个点集进行空间划分,缩小近邻点的搜索范围,减少搜索时间;在确定近邻点时,先计算几何近邻点,然后通过求方向性点并构造最小生成树的方法,确定拓扑近邻点;最后通过将拓扑近邻点投影到局部切平面上,利用约束条件对投影点进行三角剖分,并将剖分得到的顶点连接关系映射到3维空间中,实现3维表面重建。实验结果表明,改进后的算法运行效率高、重建效果好、广泛适用于非均匀采样点集的表面重建。     

基于SOM网络的三次B样条曲线重建

使用散乱点集重建曲线曲面,在逆向工程和计算机视觉中有着广泛的应用。提出基于SOM网络的三次B样条曲线重建算法。给定某一曲线散乱点集和一初始神经网络,优化SOM网络中神经元位置,使网络逼近散乱点和映射散乱点空间特征。用特征点反求三次B样条曲线控制点,利用控制点重建三次B样条曲线。试验结果表明,算法取得的曲线重建效果良好。     

图象中目标的快速搜索算法

随着系统技术的发展,对目标识别跟踪系统的要求正朝着智能化方向发展,即要求系统具有对目标的自动捕获、自动识别和自动跟踪的能力。为此,在利用目标与背景之间的灰度分布特性的基础上,提出了一种在一定的范围内能自动搜索并锁定目标的目标搜索算法。该算法假定搜索过程是在一个较大的区域开始进行的,而目标仅是该区域内一个在灰度上与背景有差别的小区域。由于这个假定是符合实际情况的,因此该搜索算法可以看作是一个简单的主动边界方法,它首先由一个收缩算法逐步缩小搜索区域,再结合图象的梯度信息来搜索目标,最后锁定目标轮廓。该算法在搜索过程中只对少数的控制点进行计算,而且对控制点的初始位置无严格限制,因而可以在含有目标的区域快速完成搜索过程,实验结果表明,该算法对不同大小、不同形状的目标都可以取得很好的搜索结果。     

基于自步数据重构正则化的模糊C均值聚类算法改进

为了有效降低模糊C均值算法对奇异值和噪声点的敏感性,本文提出一种自步数据重构正则化模糊C均值聚类算法。传统算法是在C均值算法的目标函数中引入加权参数来实现对数据的模糊性划分,而本文提出的方法则是通过对C均值的目标函数进行数据重构正则化来实现,并以自步学习的方式逐步对数据点进行聚类。实验结果表明,本文算法在模拟数据、实际数据以及在图像分割中都能显著降低算法对奇异值和噪声数据的敏感性,聚类更为准确高效。     

基于Kinect的环境平面特征提取与重构

针对三维场景物体特征识别过程中数据量大、算法复杂等问题,提出一种基于Kinect的环境平面特征提取与重构算法。首先,针对场景的点云分割,采用融合场景几何信息和颜色信息的随机采样一致性(RANSAC)算法,综合二者分割优势,克服几何特征分割过程中分割不足或者过分割,提高分割精度;其次,根据投影变换原理推导出相应的三维坐标变换矩阵,指导分割后独立区域内的三维平面特征信息到二维空间映射,利用凸包概念搜索物体边界信息,实现二维空间的轮廓点提取;最后,通过旋转逆变换,恢复轮廓点的三维信息,完成环境特征重构。采用3组场景数据验证所提算法,实验结果表明,所提算法分割较精确,不容易产生过分割的情况,对不同形状特征的物体,具有较好的重构效果。     

基于成长型神经网络以线段为基元的曲线重建

在逆向工程中,对基于散乱数据点的曲线重建研究有着重要的意义。曲线可用线段基元逼近。提出使用成长型神经网络以线段为基元的曲线重建新算法。给定某一曲线的散乱点集和一初始折线,新算法优化折线上的顶点位置,使折线更好地逼近散乱点;持续分裂折线上活动性强的顶点和删除活动性最弱的顶点,使折线上顶点的分布更符合散乱点数据的概率分布。实验结果表明,新算法能够取得良好的曲线重建效果。     

Sharp feature preserving MLS surface reconstruction based on local feature line approximations

Sharp features in manufactured and designed objects require particular attention when reconstructing surfaces from unorganized scan point sets using moving least squares (MLS) fitting. It is an inherent property of MLS fitting that sharp features are smoothed out. Instead of searching for appropriate new fitting functions our approach computes a modified local point neighborhood so that a standard MLS fitting can be applied enhanced by sharp features reconstruction.We present a two-stage algorithm. In a pre-processing step sharp feature points are marked first. This algorithm is robust to noise since it is based on Gauss map clustering. In the main phase, the selected feature points are used to locally approximate the feature curve and to segment and enhance the local point neighborhood. The MLS projection thus leads to a piecewise smooth surface preserving all sharp features. The method is simple to implement and able to preserve line-type features as well as corner-type features during reconstruction.     

运动估计中UMHexagonS的研究与改进

针对UMHexagonS算法搜索点数较多,运算量较大以及耗时等问题,提出了改进方案。一方面,对部分搜索模板提出了一种菱-八边形搜索模板和一种多层次八边形搜索模板;另一方面,在整个搜索过程中,结合象限区域分割法,可以有效减少搜索点数和搜索时间。实验结果表明,改进后的算法在保证较好的PSNR和码率情况下,比原算法减少了4%~26%的运动估计时间。