具有特殊效果的混合细分方法

提出了基于三角形和四边形的混合控制网格的细分曲面尖锐特征、半尖锐特征生成和控制方法,避免了已有方法仅局限于初始控制网格为单一的三角形或单一的四边形网格的缺陷.通过局部修改混合细分规则,在光滑混合曲面上产生了刺、尖、折痕、角的尖锐特征效果,并对尖锐特征处局部细分矩阵进行了详细的特征分析,讨论了极限曲面的收敛性及光滑性.同时,用特征处的离散曲率来控制特征处的尖锐程度,实现了半尖锐的特征效果,并通过自适应细分方法,把尖锐特征、半尖锐特征的生成统一起来.该方法具有多分辨率表示能力强、局部性好、简单易操作的特点.实验结果表明,该算法效果好,成功地解决了混合曲面特殊效果生成问题.     

一种保持尖锐特征的局部 细分算法

提出一种重建模型尖锐特征的局部 细分算法。在预处理过程中,只选取面向视点的网格作为能够被进一步自适应细分的网格,在自适应细分过程中,用相邻面片的法向夹角作为控制误差来反映细分的逼近程度是否足够,并根据预设的阈值 自动标记网格中的尖锐特征边,重新设计尖锐特征处的面具。实验结果表明,该算法能够用较少的存储量有效地保持模型的尖锐特征。     

带尖锐特征的Loop细分曲面拟合系统

实现了一个基于带尖锐特征的Loop细分曲面的三角网格拟合系统,其基本原理来自文献,但在系统设计层面对原算法作了相当大的补充和完善．整个系统框架包括尖锐特征提取、保持尖锐特征的三角网格简化、保持尖锐特征的网格平滑和拓扑优化、基于最近点策略的重采样和线性拟合系统求解．所得到的拟合曲面质量较原来的结果有了显著提高。     

一种保持尖锐特征的局部√3细分算法

提出一种重建模型尖锐特征的局部√3细分算法.在预处理过程中,只选取面向视点的网格作为能够被进一步自适应细分的网格,在自适应细分过程中,用相邻面片的法向夹角作为控制误差来反映细分的逼近程度是否足够,并根据预设的阈值θ自动标记网格中的尖锐特征边,重新设计尖锐特征处的面具.实验结果表明,该算法能够用较少的存储量有效地保持模型的尖锐特征.     

Doo-Sabin细分模式的尖锐特征造型

通过推广准均匀二次B样条的节点插入算法,对边界面、折痕面、角点面等特征面给出新的细分规则,从而使Doo-Sabin细分模式可以表示边界、折痕、角点、刺点等尖锐特征,且特征处不受拓扑结构的限制.在特征附近进行了连续性分析,所得到的极限曲面具有分片G1连续性.该算法既可以设计有特征的、任意拓扑的复杂曲面,又可以精确地表示球面、柱面、锥面等工程技术中常用的二次曲面,在CAD/CAM领域具有广泛的应用前景.     

一种保持尖锐特征的(√3)细分算法

提出一种能够重建模型尖锐特征的√3细分算法．首先根据预设的阈值θ自动标记网格中的尖锐特征边,并计算出各个顶点的尖特征度;然后根据顶点尖特征度的不同修改原√3细分方法的几何规则,设计出相应的权值掩模（mask）;最后通过在奇数次细分时不翻转特征边,在偶数次细分时插入边点的方法来实现尖锐特征的重建．实验结果表明,与原√3细分方法相比,该算法能够更好地保持模型的尖锐特征．     

一种保持尖锐特征的3~(1/2)细分算法

提出一种能够重建模型尖锐特征的3细分算法.首先根据预设的阈值θ自动标记网格中的尖锐特征边,并计算出各个顶点的尖特征度;然后根据顶点尖特征度的不同修改原3细分方法的几何规则,设计出相应的权值掩模(mask);最后通过在奇数次细分时不翻转特征边,在偶数次细分时插入边点的方法来实现尖锐特征的重建.实验结果表明,与原3细分方法相比,该算法能够更好地保持模型的尖锐特征.     

带尖锐特征的细分曲线参数化及曲线拟合

快速精确地估计曲线曲面参数具有广泛的应用。在前人研究的基础上,通过对细分过程及三次B样条细分矩阵的特征结构进行分析,将细分模式转换到其特征空间,给出了带尖锐特征的B样条细分曲线的参数化形式。并用于处理带尖锐特征的光滑曲线拟合问题。以曲率极大点作为初始拟合点。利用推导的参数化公式构造曲线的尖锐部分并方便误差估计。拟合点为曲线段端点,误差估计时不仅优化计算速度,而且在曲线分支距离过近或自交情况下避免错误匹配。     

子分曲面尖锐特征生成

虽然生成光滑曲面是自由曲面造型的一个主要追求目标,但在某些场合却又要求能够产生非光滑的特殊效果,即所谓的尖锐特征(sharp feature).该文研究子分曲面造型中特殊效果的生成,提出一种基于网格拓扑构造的方法,把折痕、角、尖刺和锥等尖锐特征的生成统一到边界处理方法中,从而避免了为各种效果建立特殊子分规则,并在不改变已有子分模式的情况下实现特殊尖锐特征造型.     

自适应细分技术研究进展

对自适应细分及其需要解决的关键技术作了详细的探讨,对已有的自适应细分技术进行了比较归类,并基于对具体算法的实现列举了各种各样的实例．最后指出自适应细分技术存在的问题及其可能的解决途径,以及未来的发展方向．     

三角网格的自适应细分研究

提出面向三角网格全局细分和局部自适应的细分算法。在原三角网格模型上计算每个面片的中心坐标,据此生成的中心坐标点作为新的顶点坐标进行重新绘制得到三角基网格,然后进行多次迭代,达到基本的全局细分目标。在最后生成的基网格上,可以通过调节最大网格面积和平均网格面积之间的比例系数等,来得到更加均匀的三角网格。实验表明该方法能到得到质量较高的细分结果。     

一种基于混合特征核的图像检索方法

为了更准确地描述图像的视觉特征,提高图像检索的查准率与查全率,提出了一种基于混合特征核的图像检索方法.该方法提取图像的颜色、纹理、SIFT特征,引入高斯核函数,建立图像的混合特征核模型,在高维的核空间进行基于核的图像聚类.实验表明,该混合模型与传统多特征融合方法以及单一特征核方法相比,能够更好地表示图像的视觉特征,提高检索的查准率和查全率.     

Catmull-Clark细分网格数据点拾取

针对将OpenGL选择拾取机制直接作用于Catmull-Clark细分网格数据点的拾取,可能会因细分网格数据量过大而导致名字堆栈溢出的问题,借鉴细分曲面求交的思想,提出一种新的细分网格数据点拾取方法.该方法通过提取拾取对象的邻域网格并进行局部细分,将对细分任意层次上网格数据点的拾取转化为对初始控制网格以及在达到细分层次要求以前每一次局部细分网格点、边、面的拾取和对最后一次局部细分网格数据点的拾取.采用多个拾取算例进行对比分析实验,当细分网格顶点数量较多时,所给拾取方法的拾取命名对象总量和拾取时间都远小于传统OpenGL选择拾取方法.实验结果表明,所给拾取方法能快速准确实现细分网格数据点的拾取,尤其适用于数据量较大的复杂细分模型,可有效避免因拾取名字堆栈溢出而导致的拾取错误.     

基于Doo Sabin 细分的图像插值

图像插值是放大低分辨率图像以适应目标显示屏幕的一种重要方法。保持图像的几何特征是保证放大图像质量的一个有效途径。基于Doo Sabin细分,提出了一种新的图像插值方法。该方法首先通过一次映射关系获取高分辨图像的部分数据;然后根据高分辨率图像中未知像素点的几何特征将它们分类;再根据Doo Sabin细分方法由已知像素点插值出所有未知像素点。未知像素点的值是与最相关的邻近像素点的加权均值,加权策略根据像素点间的相对位置由Doo Sabin细分推演获得。实验证明,与现有插值方法相比,基于Doo Sabin细分的图像插值能够更好地保持上采样图像的边缘的尖锐特性,减少锯齿现象,获取高质量的高分辨率图像。     

Multiresolution representation for curves based on ternary subdivision schemes

Subdivision offers a way to increase the resolution of models, while reverse subdivision possesses the opposite ability. Combining the two theories could realize the multiresolution (MR) representation of models. Based on two ternary subdivision schemes, we present the trial and refined filters and an algorithm to realize MR representation for curves, which has some difference compared with the work relating to binary schemes. And the filters yield biorthogonal wavelet systems which are the underlying theory fundament of curves MR. By experiments and numerical calculations, we demonstrate that by using the ternary methods one can accomplish the MR representation for curves and the low-resolution results obtained by reverse subdivision can approximate the original curves well. Besides, ternary methods need smaller number of decomposition times than binary methods to get low-resolution results at similar levels of resolution for the same original curve.