CN109872394A - 基于最小二乘支持向量机的狭长三角形网格优化方法 - Google Patents
基于最小二乘支持向量机的狭长三角形网格优化方法 Download PDFInfo
- Publication number
- CN109872394A CN109872394A CN201910023996.0A CN201910023996A CN109872394A CN 109872394 A CN109872394 A CN 109872394A CN 201910023996 A CN201910023996 A CN 201910023996A CN 109872394 A CN109872394 A CN 109872394A
- Authority
- CN
- China
- Prior art keywords
- triangular mesh
- long
- coordinate
- mesh grid
- narrow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Generation (AREA)
Abstract
本发明公开了基于最小二乘支持向量机的狭长三角形网格优化方法,主要步骤为:1)利用工业CT技术,得到待测对象的CT切片。2)将CT切片重建为三维点云STL模型,并读取三维点云STL模型。3)优化三维点云STL模型。4)对优化后的三维点云STL模型进行狭长三角形网格识别。5)利用最小二乘支持向量机和拉普拉斯算子对狭长三角形网格的顶点坐标进行优化。本发明提出了一种基于支持向量机以最小二乘法作为向量机改进形式的拉普拉斯算子的三角形网格优化方法。本发明可以使狭长三角形网格尽可能的接近正三角形的网格,并使得优化的网格曲面更加光顺。
Description
技术领域
本发明涉及三维重建领域,具体是基于最小二乘支持向量机的狭长三角形网格优化方法。
背景技术
目前从工业CT三维重建到STL三角形网格模型在经过网格简化、优化操作之后,虽能够解决孔洞、面片重叠和多边共线等缺陷,但是网格中往往还存在大量细小或者狭长的三角形网格(如图1)。在计算机图形学中,三角形网格的三角单元越接近正三角形则质量越高,狭长三角形网格质量低而降低渲染效果,影响有限元分析等。因此需要对狭长三角形网格进行优化以提高网格的质量。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,基于最小二乘支持向量机的狭长三角形网格优化方法,主要包括以下步骤:
1)利用工业CT技术,对待测对象进行处理,得到待测对象的CT切片。
2)将CT切片重建为三维点云STL模型,并读取三维点云STL模型。
所述三维点云STL模型为ASCII格式。
将CT切片重建为三维点云STL模型的方法为MC算法。
3)优化三维点云STL模型。
4)对优化后的三维点云STL模型进行狭长三角形网格识别。
对优化后的三维点云STL模型进行狭长三角形网格识别的主要步骤如下:
4.1)建立STL模型的几何元素间的拓扑关系。
4.2)根据三角形面积法识别狭长三角形网格,并找到狭长三角形网格的n阶邻域三角形。n为正整数。
狭长三角形网格面积Q满足下式:
式中,h1、h2和h3分别为三角形网格的三条边长。A为狭长三角网格面积。
4.3)在STL模型中标识出狭长三角形网格。
5)利用最小二乘支持向量机和拉普拉斯算子对狭长三角形网格的顶点坐标进行优化。
对狭长三角形顶点坐标进行优化的主要步骤如下:
5.1)利用最小二乘法拟合狭长三角形网格的一阶邻域三角形曲面,并将一阶邻域三角形曲面作为局部曲面。
最小二乘法拟合函数如下所示:
式中,(x,y)为顶点坐标。a00、a01、a02、a03、a10、a11、a12、a20、a21和a30为计算系数。f(x,y)为顶点坐标函数。
5.2)利用拉普拉斯算子δi分别计算狭长三角形网格的拉普拉斯坐标和一阶邻域三角形顶点的拉普拉斯坐标。
式中,wij为权重。vi和vj为三角形网格的顶点。N(i)为顶点集合。
5.3)利用二阶加权拉普拉斯算子对狭长三角形网格一阶邻域三角形进行优化处理,得到更新后的三角形网格顶点的拉普拉斯坐标。
对狭长三角形网格一阶邻域三角形进行优化处理的主要步骤如下:
5.3.1)计算一阶邻域三角形中每个三角形顶点沿投影梯度方向在切平面上的位移T(v)。
T(v)=-[U2(v)-(U2(v)·Nv)·Nv]。 (4)
式中,U2(v)为二阶加权拉普拉斯算子。Nv为顶点v的法向量。
二阶加权拉普拉斯算子U2(v)如下所示:
式中,wi为权重。i为顶点。U(v)为一阶加权拉普拉斯算子。U(si)为顶点v的一阶邻域顶点。
5.3.2)基于位移T(v),更新各顶点的拉普拉斯坐标。
顶点v更新后的拉普拉斯坐标v′如下所示:
v′=v+τ·T(v)。 (6)
式中,τ为顶点v的调整步长。0<τ≤1。
5.3.3)重复步骤5.3.1和步骤5.3.2,直至T(v)趋近于0。
当T(v)≈0时,所有三角形网格顶点的拉普拉斯坐标更新完成,并将更新后的三角形网格顶点的拉普拉斯坐标作为最小二乘支持向量机的学习样本。
5.4)将更新后的三角形网格顶点的拉普拉斯坐标作为最小二乘支持向量机的学习样本。将拉普拉斯坐标在同一坐标上的分量作为最小二乘支持向量机的学习训练集。
拉普拉斯坐标在同一坐标上的分量S如下所示:
式中,δis为在y坐标上的拉普拉斯坐标分量。i为任意顶点序号。l为顶点个数。Vis为在x坐标上的拉普拉斯坐标分量。R表示整个坐标维度。
5.5)将学习样本输入到最小二乘支持向量机中,并利用学习训练集对最小二乘支持向量机进行训练,得到回归函数式子d(x),即:
式中,αi为拉格朗日乘子。b为偏差。K(x,xi)为核函数。
回归函数式子分解得到三个回归函数fx(x),fy(x),fz(x),即优化的狭长三角形网格顶点坐标函数。
本发明的技术效果是毋庸置疑的。本发明提出了一种基于支持向量机以最小二乘法作为向量机改进形式的拉普拉斯算子的三角形网格优化方法。本发明可以使狭长三角形网格尽可能的接近正三角形的网格,并使得优化的网格曲面更加光顺。
本发明结合了机器学习里的支持向量机采集狭长三角形网格的三个顶点及其n阶邻域三角形网格的顶点作为学习样本训练支持向量机,使其能够表示狭长三角形网格周围局部拓扑结构的表面函数形式拟合作为局部曲面。进而得到最优的拉普拉斯算子相关参数进而优化狭长三角形网格。
附图说明
图1为茶壶模型中存在的狭长三角形;
图2为基于支持向量机的三角网格优化方法流程图;
图3为T(v)与顶点v及其一阶邻域顶点的关系;
图4为网格的局部几何关系;
图5为茶壶优化后的局部狭长三角网格;
图6为化油器优化后的局部狭长三角网格。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图2至图4,基于最小二乘支持向量机(LSSVM)的狭长三角形网格优化方法,主要包括以下步骤:
1)利用工业CT技术,对待测对象进行处理,得到待测对象的CT切片。待测对象可以为工件。
2)将CT切片重建为三维点云STL模型,并读取三维点云STL模型。
所述三维点云STL模型为ASCII格式。若三维点云STL模型不是ASCII格式,则转换为ASCII格式。
将CT切片重建为三维点云STL模型的方法为MC(Marching Cubes)算法。MC算法(移动立方体算法)是一种三维规则数据场等值面生成的经典算法。
3)优化三维点云STL模型。本实施例是针对已经简化的STL模型在一系列优化操作之后,比如孔洞修补等。在优化完成之后三维点云STL模型往往还存在一些狭长的三角面片,本实施例针对这些狭长的三角面片提出优化算法。
4)对优化后的三维点云STL模型进行狭长三角形网格识别。
对优化后的三维点云STL模型进行狭长三角形网格识别的主要步骤如下:
4.1)建立STL模型的几何元素间的拓扑关系,包括STL模型点、线、面片之间的数据结构关系。
4.2)根据三角形面积法识别狭长三角形网格,并找到狭长三角形网格的n阶邻域三角形。n为正整数。本实施例中n=1。
狭长三角形网格面积Q满足下式:
式中,h1、h2和h3分别为三角形网格的三条边长。A为狭长三角网格面积。
4.3)在STL模型中标识出狭长三角形网格,即利用OpenGL对狭长三角形网格进行可视化处理。
OpenGL全称Open Graphics Library,是一个跨平台的第三方图形绘制库。
5)利用最小二乘支持向量机和拉普拉斯算子对狭长三角形网格的顶点坐标进行优化。
对狭长三角形顶点坐标进行优化的主要步骤如下:
5.1)利用最小二乘法拟合狭长三角形网格的一阶邻域三角形曲面,并将一阶邻域三角形曲面作为局部曲面。
最小二乘法拟合函数如下所示:
式中,(x,y)为顶点坐标。a00、a01、a02、a03、a10、a11、a12、a20、a21和a30为计算系数。f(x,y)为顶点坐标函数。上标0、1、2、3表示次方。
5.2)利用拉普拉斯算子δi分别计算狭长三角形网格的拉普拉斯坐标和一阶邻域三角形顶点的拉普拉斯坐标。
式中,wij为权重。vi和vj为三角形网格的顶点。N(i)为顶点集合。
5.3)利用二阶加权拉普拉斯算子对狭长三角形网格一阶邻域三角形进行优化处理,得到更新后的三角形网格顶点的拉普拉斯坐标。
对狭长三角形网格一阶邻域三角形进行优化处理的主要步骤如下:
5.3.1)计算一阶邻域三角形中每个三角形顶点沿投影梯度方向在切平面上的位移T(v)。
T(v)=-[U2(v)-(U2(v)·Nv)·Nv]。 (4)
式中,U2(v)为二阶加权拉普拉斯算子。Nv为顶点v的法向量。
二阶加权拉普拉斯算子U2(v)如下所示:
式中,wi为权重。i为顶点。U(v)为一阶加权拉普拉斯算子。U(si)为顶点v的一阶邻域顶点。
5.3.2)基于位移T(v),更新各顶点的拉普拉斯坐标。
顶点v更新后的拉普拉斯坐标v′如下所示:
v′=v+τ·T(v)。 (6)
式中,τ为顶点v的调整步长。0<τ≤1。
5.3.3)重复步骤5.3.1和步骤5.3.2,直至T(v)趋近于0。
当T(v)≈0时,所有三角形网格顶点的拉普拉斯坐标更新完成,并将更新后的三角形网格顶点的拉普拉斯坐标作为最小二乘支持向量机的学习样本。
趋近于0是指误差小于ζ。本实施例设定ζ=0.001,也可以根据检测对象的实际情况及STL模型进行设置。
5.4)将更新后的三角形网格顶点的拉普拉斯坐标作为最小二乘支持向量机的学习样本。将拉普拉斯坐标在同一坐标上的分量作为最小二乘支持向量机的学习训练集。
拉普拉斯坐标在同一坐标上的分量S如下所示:
式中,δis为在y坐标上的拉普拉斯坐标分量。i为任意顶点序号。l为顶点个数,也即输入学***面。
5.5)将学习样本输入到最小二乘支持向量机中,并利用学习训练集对最小二乘支持向量机进行训练,得到回归函数式子d(x),即:
式中,αi为拉格朗日乘子。b为偏差。K(x,xi)为核函数。
回归函数式子分解得到三个回归函数fx(x),fy(x),fz(x),即优化的狭长三角形网格顶点坐标函数。fx(x)为优化的狭长三角形网格顶点x坐标函数,fy(x)为优化的狭长三角形网格顶点y坐标函数,fz(x)为优化的狭长三角形网格顶点z坐标函数。x表示任意顶点;实施例2:
利用基于最小二乘支持向量机的狭长三角形网格优化方法对茶壶狭长三角形网格进行优化的实验,主要包括以下步骤:
1)利用工业CT技术,得到茶壶的CT切片。
2)将CT切片重建为三维点云STL模型,并读取三维点云STL模型。
3)优化三维点云STL模型。
4)对优化后的三维点云STL模型进行狭长三角形网格识别,如图1所示。
5)利用最小二乘支持向量机和拉普拉斯算子对狭长三角形网格的顶点坐标进行优化,如图5所示。
实施例3:
利用基于最小二乘支持向量机的狭长三角形网格优化方法对化油器狭长三角形网格进行优化的实验,主要包括以下步骤:
1)利用工业CT技术,得到化油器的CT切片。
2)将CT切片重建为三维点云STL模型,并读取三维点云STL模型。
3)优化三维点云STL模型。
4)对优化后的三维点云STL模型进行狭长三角形网格识别,如图1所示。
5)利用最小二乘支持向量机和拉普拉斯算子对狭长三角形网格的顶点坐标进行优化,如图6所示。
Claims (6)
1.基于最小二乘支持向量机的狭长三角形网格优化方法,其特征在于,主要包括以下步骤:
1)利用工业CT技术,对所述待测对象进行处理,得到待测对象的CT切片;
2)将CT切片重建为三维点云STL模型,并读取三维点云STL模型。
3)优化三维STL模型;
4)对优化后的三维点云STL模型进行狭长三角形网格识别;
5)利用最小二乘支持向量机和拉普拉斯算子对狭长三角形网格的顶点坐标进行优化。
2.根据权利要求1所述的基于最小二乘支持向量机的狭长三角形网格优化方法,其特征在于,所述三维点云STL模型为ASCII格式。
3.根据权利要求1或2所述的基于最小二乘支持向量机的狭长三角形网格优化方法,其特征在于,将CT切片重建为三维点云STL模型的方法为MC算法。
4.根据权利要求1或3所述的基于最小二乘支持向量机的狭长三角形网格优化方法,其特征在于,对优化后的三维点云STL模型进行狭长三角形网格识别的主要步骤如下:
1)建立STL模型的几何元素间的拓扑关系;
2)根据三角形面积法识别狭长三角形网格,并找到狭长三角形网格的n阶邻域三角形;n为正整数;
狭长三角形网格面积Q满足下式:
式中,h1、h2和h3分别为三角形网格的三条边长;A为狭长三角网格面积;
3)在STL模型中标识出狭长三角形网格。
5.根据权利要求1或2所述的基于最小二乘支持向量机的狭长三角形网格优化方法,其特征在于,对狭长三角形顶点坐标进行优化的主要步骤如下:
1)利用最小二乘法拟合狭长三角形网格的一阶邻域三角形曲面,并将一阶邻域三角形曲面作为局部曲面;
最小二乘法拟合函数如下所示:
式中,(x,y)为顶点坐标;a00、a01、a02、a03、a10、a11、a12、a20、a21和a30为计算系数;f(x,y)为顶点坐标函数;
2)利用拉普拉斯算子δi分别计算狭长三角形网格的拉普拉斯坐标和一阶邻域三角形顶点的拉普拉斯坐标;
式中,wij为权重;vi和vj为三角形网格的顶点;N(i)为顶点集合;
3)利用二阶加权拉普拉斯算子对狭长三角形网格一阶邻域三角形进行优化处理,得到更新后的三角形网格顶点的拉普拉斯坐标;
4)将更新后的三角形网格顶点的拉普拉斯坐标作为最小二乘支持向量机的学习样本;将拉普拉斯坐标在同一坐标上的分量作为最小二乘支持向量机的学习训练集;
拉普拉斯坐标在同一坐标上的分量S如下所示:
式中,δis为在y坐标上的拉普拉斯坐标分量;i为任意顶点序号;l为顶点个数;Vis为在x坐标上的拉普拉斯坐标分量;R表示整个坐标维度;
5)将学习样本输入到最小二乘支持向量机中,并利用学习训练集对最小二乘支持向量机进行训练,得到回归函数式子d(x),即:
式中,αi为拉格朗日乘子;b为偏差;K(x,xi)为核函数;
回归函数式子分解得到三个回归函数fx(x),fy(x),fz(x),即优化的狭长三角形网格顶点坐标函数。
6.根据权利要求5所述的基于最小二乘支持向量机的狭长三角形网格优化方法,其特征在于,对狭长三角形网格一阶邻域三角形进行优化处理的主要步骤如下:
1)计算一阶邻域三角形中每个三角形顶点沿投影梯度方向在切平面上的位移T(v);
T(v)=-[U2(v)-(U2(v)·Nv)·Nv]; (5)
式中,U2(v)为二阶加权拉普拉斯算子;Nv为顶点v的法向量;
二阶加权拉普拉斯算子U2(v)如下所示:
式中,wi为权重;i为顶点;U(v)为一阶加权拉普拉斯算子;U(si)为顶点v的一阶邻域顶点;
2)基于位移T(v),更新各顶点的拉普拉斯坐标;
顶点v更新后的拉普拉斯坐标v′如下所示:
v′=v+τ·T(v); (7)
式中,τ为顶点v的调整步长;0<τ≤1;
3)重复步骤1和步骤2,直至T(v)趋近于0;
当T(v)≈0时,所有三角形网格顶点的拉普拉斯坐标更新完成,并将更新后的三角形网格顶点的拉普拉斯坐标作为最小二乘支持向量机的学习样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910023996.0A CN109872394B (zh) | 2019-01-10 | 2019-01-10 | 基于最小二乘支持向量机的狭长三角形网格优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910023996.0A CN109872394B (zh) | 2019-01-10 | 2019-01-10 | 基于最小二乘支持向量机的狭长三角形网格优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109872394A true CN109872394A (zh) | 2019-06-11 |
CN109872394B CN109872394B (zh) | 2021-04-27 |
Family
ID=66917662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910023996.0A Expired - Fee Related CN109872394B (zh) | 2019-01-10 | 2019-01-10 | 基于最小二乘支持向量机的狭长三角形网格优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872394B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110279476A (zh) * | 2019-07-02 | 2019-09-27 | 中国人民解放军国防科技大学 | 基于支持向量机的虚拟牙龈变形处理制作矫治器的方法 |
CN110796693A (zh) * | 2019-09-11 | 2020-02-14 | 重庆大学 | 一种工业ct切片图像直接生成二维有限元模型的方法 |
CN111291793A (zh) * | 2020-01-20 | 2020-06-16 | 北京大学口腔医学院 | 一种网格曲面的元素分类方法、装置及存储介质 |
CN112767552A (zh) * | 2021-01-25 | 2021-05-07 | 绍兴文理学院 | 基于支持向量机的散乱点云三角化方法 |
CN113221403A (zh) * | 2021-04-28 | 2021-08-06 | 中汽数据(天津)有限公司 | 基于深度强化学习的有限元网格优化方法、设备和介质 |
CN113689566A (zh) * | 2021-07-16 | 2021-11-23 | 淮阴工学院 | 一种基于特征约束的三角网格优化方法 |
CN113792459A (zh) * | 2021-09-09 | 2021-12-14 | 中国航天科工集团第二研究院 | 一种有限元三角形网格的网格光顺优化方法及装置 |
CN117456110A (zh) * | 2023-12-25 | 2024-01-26 | 北京飞渡科技股份有限公司 | 一种三维场景***网格数据轻量化处理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655992A (zh) * | 2009-09-15 | 2010-02-24 | 中国科学院软件研究所 | 一种三角网格模型的重建方法 |
EP2422741A1 (en) * | 2010-08-31 | 2012-02-29 | Straumann Holding AG | Computer-implemented method for digitally designing a dental restoration and a computer-readable medium |
CN102930091A (zh) * | 2012-10-24 | 2013-02-13 | 浙江大学 | 一种面向牙齿牙龈的高效网格修补方法 |
CN105243687A (zh) * | 2015-10-23 | 2016-01-13 | 佛山市南海区广工大数控装备协同创新研究院 | 一种义齿模型三角网格优化方法 |
CN105405162A (zh) * | 2015-10-16 | 2016-03-16 | 北京师范大学 | 基于局部结构和方向感知的树点云三维重建方法 |
CN106157370A (zh) * | 2016-03-03 | 2016-11-23 | 重庆大学 | 一种基于粒子群算法的三角网格规范化方法 |
CN106683186A (zh) * | 2016-11-16 | 2017-05-17 | 浙江工业大学 | 一种曲面细节保持的三维模型修复方法 |
CN106815481A (zh) * | 2017-01-19 | 2017-06-09 | 中国科学院深圳先进技术研究院 | 一种基于影像组学的生存期预测方法及装置 |
CN108230452A (zh) * | 2017-12-18 | 2018-06-29 | 华侨大学 | 一种基于纹理合成的模型补洞方法 |
-
2019
- 2019-01-10 CN CN201910023996.0A patent/CN109872394B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655992A (zh) * | 2009-09-15 | 2010-02-24 | 中国科学院软件研究所 | 一种三角网格模型的重建方法 |
EP2422741A1 (en) * | 2010-08-31 | 2012-02-29 | Straumann Holding AG | Computer-implemented method for digitally designing a dental restoration and a computer-readable medium |
CN102930091A (zh) * | 2012-10-24 | 2013-02-13 | 浙江大学 | 一种面向牙齿牙龈的高效网格修补方法 |
CN105405162A (zh) * | 2015-10-16 | 2016-03-16 | 北京师范大学 | 基于局部结构和方向感知的树点云三维重建方法 |
CN105243687A (zh) * | 2015-10-23 | 2016-01-13 | 佛山市南海区广工大数控装备协同创新研究院 | 一种义齿模型三角网格优化方法 |
CN106157370A (zh) * | 2016-03-03 | 2016-11-23 | 重庆大学 | 一种基于粒子群算法的三角网格规范化方法 |
CN106683186A (zh) * | 2016-11-16 | 2017-05-17 | 浙江工业大学 | 一种曲面细节保持的三维模型修复方法 |
CN106815481A (zh) * | 2017-01-19 | 2017-06-09 | 中国科学院深圳先进技术研究院 | 一种基于影像组学的生存期预测方法及装置 |
CN108230452A (zh) * | 2017-12-18 | 2018-06-29 | 华侨大学 | 一种基于纹理合成的模型补洞方法 |
Non-Patent Citations (6)
Title |
---|
P.LOBAZ ET AL: "Hierarchical Laplacian-based compression of triangle meshes", 《GRAPHICAL MODELS》 * |
张霞 等: "基于数据重建旳三角网格模型简化优化方法", 《强激光与粒子束》 * |
李林升 等: "计算机断层成像法预测在役车轮的疲劳寿命", 《机械设计与研究》 * |
王武礼 等: "基于动态误差控制和PSO的三角网格模型简化优化方法", 《计算机集成制造***》 * |
许斌 等: "基于支持向量机的laplacian网格曲面孔洞修补算法", 《计算机工程与设计》 * |
邵辉: "基于工业CT切片序列的三角网格模型简化及孔洞修复研究", 《中国优秀硕士学位论文全文数据库电子期刊 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110279476A (zh) * | 2019-07-02 | 2019-09-27 | 中国人民解放军国防科技大学 | 基于支持向量机的虚拟牙龈变形处理制作矫治器的方法 |
CN110279476B (zh) * | 2019-07-02 | 2021-01-22 | 中国人民解放军国防科技大学 | 基于支持向量机的虚拟牙龈变形处理制作矫治器的方法 |
CN110796693B (zh) * | 2019-09-11 | 2023-03-21 | 重庆大学 | 一种工业ct切片图像直接生成二维有限元模型的方法 |
CN110796693A (zh) * | 2019-09-11 | 2020-02-14 | 重庆大学 | 一种工业ct切片图像直接生成二维有限元模型的方法 |
CN111291793B (zh) * | 2020-01-20 | 2023-11-14 | 北京大学口腔医学院 | 一种网格曲面的元素分类方法、装置及存储介质 |
CN111291793A (zh) * | 2020-01-20 | 2020-06-16 | 北京大学口腔医学院 | 一种网格曲面的元素分类方法、装置及存储介质 |
CN112767552A (zh) * | 2021-01-25 | 2021-05-07 | 绍兴文理学院 | 基于支持向量机的散乱点云三角化方法 |
CN113221403A (zh) * | 2021-04-28 | 2021-08-06 | 中汽数据(天津)有限公司 | 基于深度强化学习的有限元网格优化方法、设备和介质 |
CN113689566A (zh) * | 2021-07-16 | 2021-11-23 | 淮阴工学院 | 一种基于特征约束的三角网格优化方法 |
CN113792459A (zh) * | 2021-09-09 | 2021-12-14 | 中国航天科工集团第二研究院 | 一种有限元三角形网格的网格光顺优化方法及装置 |
CN113792459B (zh) * | 2021-09-09 | 2023-11-14 | 中国航天科工集团第二研究院 | 一种有限元三角形网格的网格光顺优化方法及装置 |
CN117456110A (zh) * | 2023-12-25 | 2024-01-26 | 北京飞渡科技股份有限公司 | 一种三维场景***网格数据轻量化处理方法 |
CN117456110B (zh) * | 2023-12-25 | 2024-03-19 | 北京飞渡科技股份有限公司 | 一种三维场景***网格数据轻量化处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109872394B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872394A (zh) | 基于最小二乘支持向量机的狭长三角形网格优化方法 | |
CN106327577B (zh) | 基于局部曲率熵和四叉树结构的三维地形曲面优化方法 | |
CN108595858A (zh) | 基于bim的轻量化深度处理工作方法 | |
DeHaemer Jr et al. | Simplification of objects rendered by polygonal approximations | |
CN108648271B (zh) | 一种基于gis数据生成复杂地形网格模型的插值方法 | |
CN109360260A (zh) | 一种三角网格三维模型的切挖重构算法 | |
CN107767453B (zh) | 一种基于规则约束的建筑物lidar点云重构优化方法 | |
CN108230452A (zh) | 一种基于纹理合成的模型补洞方法 | |
CN102306397A (zh) | 点云数据网格化的方法 | |
CN110246220A (zh) | 一种基于gis的三维管理平台构建方法、***、装置和介质 | |
CN107358636A (zh) | 一种基于纹理合成的疏松缺陷图像生成方法 | |
CN104422396B (zh) | 产品组装间隙三维分析***及方法 | |
CN107610228A (zh) | 基于海量点云的曲面增量拓扑重建方法 | |
CN102682172A (zh) | 基于参数分类的超临界机翼极多参数优化设计方法 | |
Pfeifer | A subdivision algorithm for smooth 3D terrain models | |
CN109981195A (zh) | 无线信号强度的处理方法及装置 | |
CN109033181A (zh) | 一种复杂地形地区风场地理数值模拟方法 | |
CN105931297A (zh) | 三维地质表面模型中的数据处理方法 | |
CN107862749A (zh) | 一种点云几何细节特征去除方法 | |
Ko et al. | Garment pattern nesting using image analysis and three-dimensional simulation | |
CN107977426A (zh) | 一种露天矿采场台阶自动更新方法 | |
Ragia et al. | Precise photorealistic visualization for restoration of historic buildings based on tacheometry data | |
CN109840937A (zh) | 一种基于空间四叉树的3d点云路径规划方法 | |
Suárez et al. | Four-triangles adaptive algorithms for RTIN terrain meshes | |
CN109949420A (zh) | 适用于GPU的Delaunay三角剖分网格细化方法、GPU及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210427 Termination date: 20220110 |