基于曲率和面积的二次误差测度网格简化算法

在经典的二次误差测度(QEM)简化算法基础上,将离散曲率和面积引入到边收缩代价计算中,提出了一种基于离散曲率和面积的二次误差测度网格简化改进算法.该算法既考虑了离散曲面在各顶点附近的弯曲程度,又考虑了曲面的几何形状特征.为保留模型的原始边界特征,规定不对其边界进行简化.试验结果表明,改进算法在网格简化过程中保持了原有算法运行速度快的优点,且简化模型能合理地分配网格,并更好地保持了原始模型的重要特征.     

基于改进离散曲率的三角形折叠简化算法

本文提出一种基于改进离散曲率的三角形折叠网格简化算法。利用描述三角形形状的内角权值改进Taubin算法估算三角形顶点的离散高斯曲率,根据Garland算法引入三角形顶点的二次误差度量矩阵,定义三角形的折叠代价为二者的加权和。由折叠代价取得最小值来计算折叠后新点的位置,并以该最小值作为三角形的折叠代价来确定折叠顺序。实验表明,改进的离散曲率能更好的描述三角网格顶点处的弯曲程度,该算法简单快速,并能很好的保持模型的重要几何特征以及拓扑结构。     

基于离散曲率的二次误差度量网格简化算法

在医学图像三维重建时产生大量的三角面片,极大地限制了三维重建的速度。提出了一种基于离散曲率的二次误差度量网格简化算法。在代价函数中引入顶点离散曲率,通过将代价函数作为顶点对的权值来控制顶点对合并次序,更好地保留了原模型的细节特征,同时修改模型特征点与特征线的权值,使得简化过程中原模型的特征点与特征线能够较好地保留。经实验对比与分析表明,该算法有效地提高了图像质量且能很好地保持原模型的图形特征。     

基于特征保持和三角形优化的网格模型简化

在已有的以几何误差最小化为准则的边折叠简化算法的基础上，提出了一种新的三角网格模型简化算法．通过分析网格模型中顶点超邻域的二次误差矩阵，对模型上的重要细节特征进行定位，实现了网格简化过程中细节特征的保持．同时，在边折叠的代价函数中考虑新生成三角形的空间形状优化，并改善了简化序列的构造．算法既保持了边折叠算法快速的优点，又满足了对逼真度和网格质量的较高要求．     

利用顶点预测方法实现三维网格的保形简化

针对产品的三维表面用三角网格来表示时,三角形数量巨大的问题,提出了一种基于顶点预测的三角形折叠简化方法。首先根据网格模型的每一个顶点与其周边元素之间的几何拓扑关系,运用投影预测方法来预测三角形折叠的折叠点坐标,然后运用线性插值算子对折叠点坐标进行调整。为进一步保证简化后模型的质量,在采用距离误差控制的同时,引入了角度误差控制方法。实验结果表明,该简化算法在减少模型的三角形数量的同时,有效地保持模型特征,保证了模型表面的光顺。     

一种改进的基于二次误差测度的网格简化算法

在医学图像三维表面建模中,会产生大量的三角面,难以在普通PC机上进行实时渲染.为了解决这个问题,本文作者提出一种改进的基于二次误差测度的网格简化算法.通过对顶点进行分类,在简化过程中更好地保持了模型的细节特征,同时考虑了网格中三角面的分布情况,减小了几何误差.结果表明,算法既保持了原算法快速的优点,又满足了医学图像处理对逼真度和网格质量的较高要求.     

基于四边形折叠的三角网格简化算法

 通过定义三角网格模型中的两个以公共边相连的三角形构成一个空间四边形,提出了一种新的基于这种空间四边形折叠的网格简化算法。该算法以四边形折叠为基本操作,利用Garland的二次误差度量(QEM)做误差控制,每次折叠操作可以减少3个顶点及6个面片,从而实现比Garland的QEM算法、周昆等的三角形折叠算法更高的简化效率,文中给出多个试验结果说明了该算法的有效性。     

基于MMDS的近似测地距离快速求解算法

通过运用度量多维尺度分析(Metric multidimensional scaling,MMDS)技术,将低维曲面上的测地距离计算转化为高维空间中的欧氏距离计算问题,提出一种快速求解三角网格上任意两点间近似测地距离的算法。首先对给定三角网格模型进行简化,得到原网格模型的简化版本。在原始网格模型上求取简化网格中所有顶点对的测地距离,并根据得到的测地距离将简化网格嵌入到高维空间中。运用最小二乘方法将原网格中其他顶点也嵌入到该高维空间。最后,在高维空间中计算顶点之间的欧氏距离来近似表示原网格上任意两点间的测地距离。实验表明,该文算法运行稳定,能够快速计算出不同网格模型上不同顶点间的近似测地距离。     

基于边顶点重要度的动态多分辨率简化算法

基于三角形网格边折叠简化思想，提出了一种基于边顶点重要度的动态多分辨率简化算法．该算法的折叠边顶点位置从折叠边顶点中选取，有利于保持三维模型的初始形状，减少运算量，实现不同分辨率模型之间的平滑转换．采用改进的三角形网格数据结构，层次清楚、操作简单，能有效支持多种网格的多分辨率简化．     

基于粒子群优化聚类算法的点模型简化

为了有效地简化稠密采样点模型,提出了一种基于粒子群优化聚类算法的点模型简化方法.引入了具有强大全局寻优能力的粒子群优化算法,对传统的k-均值聚类算法进行改进,基于改进的聚类算法对点模型进行简化,选取具有最优个体适应度函数的粒子作为原始采样点集的最终简化模型.算法聚类依据采样点的空间位置、法向和曲率的邻近性,实现了点模型表面区域几何特征保持的简化.同时在聚类区域的划分中考虑了曲率阈值和区域半径,使得算法在有效地保持特征边界和曲面细节的同时,能够生成高质量的简化曲面.实验结果表明,粒子群优化的k-均值聚类算法克服了传统聚类算法容易陷入局部极小的缺点,具有更好的全局收敛性和较快的收敛速度.该简化方法在有效简化点模型的同时,很好地保持了原始模型的几何形状,且在相同简化效率下能够生成更高质量的简化曲面.