论文部分内容阅读
实践应用中的三维模型的数量和种类正急剧增加,给模型的高效处理提出了很大的挑战。因此,视点选择得到了越来越多的关注,旨在选择出能观察到模型更多内容的视点,即好视点,以此提高观察模型的工作效率。选择模型的好视点,需要先在模型周围进行视点采样,然后对这些采样视点进行视点质量度量,从而找到观察质量高的好视点。为提高视点选择的效率,本文分别从提高视点度量的有效性、加快视点度量的速度,优化视点的采样方式和提高可见内容检测的效率等方面开展研究,并取得了如下的创新工作: (1)提出一种基于代理信息的快速视点度量方法。视点质量度量需要全面考察模型的信息,一般要对每个面片进行处理,使得单个视点度量的复杂度为O(N),这里N为模型的面片数。本文提出一种基于代理信息的视点度量方法,通过提取能反映模型主要内容的六种代表性信息,即代理信息,来度量视点质量,从而将视点度量的复杂度降至O(1)。该方法在确保视觉度量有效性的前提下,能很好地提升视点度量速度。 (2)提出一种基于规范区域构造的视点选择加速方法。在视点选择过程中,需要度量所有采样视点的质量,因此视点选择的效率与视点采样的数量相关。目前,已有方法往往通过稠密采样的方式,来避免遗漏好视点,这导致视点选择的效率较低。对此,本文研究了视点采样分布的优化处理,即通过对模型分割所得分块的好视点进行聚类,来估算模型的好视点可能存在的区域。然后,只在好视点所在聚类区域内进行采样,以缩小视点的采样范围,提高视点选择的效率。实验验证了本方法的有效性,并可将视点选择的效率提高约一个数量级。 (3)提出一种感知驱动的模型高质量分割方法。根据对人的视觉感知的研究,高质量的分割往往是根据模型在局部区域的主要变化,即局部主要变化,对模型进行分割。然而,已有方法在分割模型时,主要考虑模型的整体形状或局部细节,没有依据局部主要变化。这使得已有方法的分割结果,在视觉感知方面的质量较低。对此,本文提出了一种感知驱动的分割方法。首先,通过构造一种能描述模型局部主要变化的“羽状覆盖”(结构),以高质量地生成凹区域内的分割线(片段)。然后,通过设计一种感知相关的误差度量函数,来引导分割线两端的延拓,以获得封闭的分割线。最后,使用这些高质量的分割线,对模型进行分割,以得到高质量的分割结果。实验结果表明,本文方法的分割结果优于已有工作的结果。 (4)提出一种高效的点在多边形中的可见边检测算法。在度量视点质量时,往往需要检测模型的可见面。提高这种可见性判断的效率,对高效的视点度量具有重要作用。为此,本文先探讨二维情况下的点在多边形中的可见边检测问题,以期在后续工作中探讨三维模型的可见性处理。已有方法在检测可见边时,往往需要对多边形所有的边进行遮挡判断,其复杂度至少是O(n),这里n是多边形边的数量。本文注意到,检测凸多边形可见边的复杂度只有O(log(n))。因此,本文提出将模型进行凸片段分解,以加快每个片段的可见边检测效率。然后,为判断凸片段之间的遮挡,本文提出使用格网结构来优化遮挡判断,即以点为中心,由近至远地处理凸片段,来避免处理被遮挡的网格内的凸片段。利用凸片段分解和格网,本算法能够高效地检测出多边形的可见边,算法的时间复杂度在O(log(n))~O(,n)之间自适应地变化。