三维散乱数据的非均匀简化算法

提出了一种三维散乱数据的非均匀简化算法,该算法首先将数据集的最小包围盒分割成许多大小相同的立方体,然后,在每个含有数据点的立方体内,计算其所包含曲面的局部法向变化量,并根据用户给定的局部法向变化量门限值将整个三维数据集进行非均匀简化。应用实例验证了算法的有效性。

基于模糊逻辑的三维散乱数据非均匀简化算法

研究了三维散乱数据的非均匀简化问题,给出了法向变化量的定义及其与曲面高斯曲率的关系。在此基础上,提出了一种新的基于模糊逻辑的非均匀简化算法。该算法可通过初始分块立方体的大小调节平坦区域数据点的密度,也可通过对不同的模糊集设置不同的细分函数,调节中、大曲率区域数据点的密度。算法还采用了分别在每个含点立方体内进行法向一致性调整的方法,提高了法向调整的速度。应用实例表明了算法的实用性和有效性。

基于八叉树的海量测量数据的非均匀简化

提出了一种高效的非均匀简化方法:先求出数据集的最小立方体包围盒,应用八叉树原理将其分割成八个小立方体;然后计算每个非空立方体中局部离散曲面的曲面变分和包含的点数,并根据用户给定的曲面变分阈值和点数阈值决定是否继续分割;最后为每个叶子立方体保留一个点。应用实例表明,该方法速度快,能很好地保留原始数据的几何特征,适用于复杂的测量数据。

复杂曲面点云非均匀简化技术研究

复杂曲面点云简化时,通常存在特征点丢失问题;提出按照点云曲率云图自动划分特征区域实现非均匀简化。首先建立散乱点云拓扑关系,计算点云曲率,生成彩色曲率云图,之后划分特征区域边界。精简率随着曲率的减小而增大,在复杂细节特征点区域,点云密度大;在简单平坦区域,点云被大量简化,点云密度小。实验表明,精简率达76%,在精简率相同的情况下,该方法能有效避免局部细节特征丢失,对于复杂曲面点云简化有较好的效果。

基于强制约束的非均匀网格简化算法

在工程中通常采用三角形网格描述几何物体,但是网格模型的大数据量成为后续处理的瓶颈,因此三角形网格模型的简化成为了多个领域中的研究热点。文章针对逆向工程中的特殊简化要求,提出了一种强制约束下的非均匀网格简化算法。对于工程应用实例的简化计算,可以得到与原始网格拓扑一致的非均匀简化网格,表明了所提出简化算法的有效性。

保留边界的点云简化方法

针对点云简化算法中边界点丢失的问题,提出了一种保留边界的三维散乱点云的非均匀简化算法。首先利用kd-tree建立散乱数据点云的空间拓扑关系,计算出每个数据点的k邻域;然后针对目前依据点云分布均匀性算法提取边界效率低的问题,提出一种改进的点云边界点判定算法;最后保留所有边界点,对非边界点,根据曲面变分值和k邻域点已保留比例,进行点云的非均匀简化。实验结果表明,该算法精度高,空间复杂度低,而且简化后点云边界保留完整。