论文部分内容阅读
提高以棱边特征为代表的实物表面样点几何特征重建精度是国内外曲面重建领域的研究重点。目前曲面重建采用的曲面局部样本存在有偏性,影响最终曲面重建结果的精度,并且不合理的重建规则也会导致重建结果存在孔洞、棱边凹陷以及非流形面片等缺陷。本文对曲面局部样本进行增益优化,将其应用于α-shape和Cocone算法曲面重建过程的优化,以有效提高棱边特征曲面的重建精度。主要研究内容与成果如下:(1)提出曲面局部样本增益优化算法,基于KD树结构快速查询目标样点的k近邻点集,将其用作实物表面上相应位置的初始曲面局部样本,对样本内各点按其概率密度大小进行K均值聚类,基于分类结果使曲面局部样本适度向邻近的采样稀疏区域扩展,从而弥补因实物表面相应位置样点分布不均匀或曲率较大而造成的局部样本有偏性。该算法对各种分布类型的实物表面样点应性较好,可获取目标样点处的良好曲面局部样本,而且具有较高的效率。(2)提出α-shape尺度阈值自适应调整算法,结合增益优化后的曲面局部样本和曲面重建先验知识,建立α-shape尺度阈值调整准则,提高尺度阈值对实物表面局部样点分布特征反映的准确性。基于尺度阈值调整准则,提出包含曲面局部样本增益优化过程的α-shape曲面重建算法,将其用于实物表面样点的曲面重建,可显著减少重建结果中的孔洞和棱边凹陷等缺陷,减少初次网格过滤结果中非流形面片的数量,而且具有与主流Delaunay网格过滤方法相当的重建效率。(3)提出保持棱边特征的Cocone曲面重建算法,建立Cocone棱边特征重建优化准则,通过修正法向估计结果和调整棱边特征样点的Cocone角度阈值,优化棱边特征重建过程。对PCA法向估计所用曲面局部样本进行增益优化,从而修正法向估计结果。建立棱边特征样点Cocone角度阈值的调整准则,使棱边特征样点的角度阈值大小适应棱边特征区域的样点分布。在上述角度阈值调整过程中,基于对曲面局部样本的自适应离散高斯聚类实现棱边特征样点识别,并基于α-shape尺度阈值快速滤除因角度阈值调整而产生的跨区域狭长面片。利用优化后的Cocone算法进行曲面重建,可显著减少重建结果在棱边特征区域处的凹陷和孔洞等缺陷。