采用R^＊-tree的三角网格曲面非均匀精简算法

提出了一种三角网格曲面非均匀精简算法。该算法采用R^＊-tree组织三角网格曲面的空间拓扑结构，实现了三角面片拓扑邻域的快速查询。结合三角网格曲面模型的曲率分布状况，对三角网格曲面进行聚类分簇处理，通过对分簇网格进行局部精简，实现了三角网格曲面模型的整体保形性精简。与同类精简算法的对比实验表明，该算法的数据适应性强，有效地保留了三角网格曲面的型面特征，精简后的网格模型与原网格模型的面片偏差降低了20％～45％，精简时间减少了10％～35％。

点云数据虚拟场景图像智能展示仿真研究

为了提供更真实、自然的虚拟现实体验,为用户提供舒适的体验效果,提出一种基于图像点云大数据的虚拟现实场景展示方法。采用体素化网格滤波器对图像点云大数据滤波处理,基于旋转图像特征描述子改进迭代最近点算法,用于图像点云大数据配准,再通过包围盒法建立点云K-邻域,结合曲率信息和均匀网格精简点云,对场景深度加以分析,基于获取的深度信息利用Unity3D实现虚拟现实场景展示。仿真结果表明,通过所提方法得到的虚拟现实场景展示效果更为理想,避免了点云精简过度的问题,亮度和饱和度更为自然,更符合人眼对图像的要求。

一种改进的点云数据组合精简算法

在逆向工程中,点云数据的精简是一个重要的步骤,精简的质量直接关系到后续曲面重构的效率。文章针对广州灰塑曲率较大,凹凸面较多的特点,提出了一种基于曲率和均匀精简的点云数据精简方法:利用包围盒法对散乱的点云数据进行拓扑规则排序,建立点的K-邻域集,计算点云在某点处的曲率,在曲率较大处保留更多的特征点,但是曲率较小处会删除较多的点云数据。文章在此基础上再利用均匀网格的方法对初始精简后的点云进行重采样处理,使得曲率较小处的特征点也能保留下来。