基于点的造型与绘制技术的研究
基于点的绘制论文 基于点的造型论文 Kohonen神经网络论文 B样条曲面论文 径向基函数神经网络论
论文详情
随着计算机图形学的飞速发展,三维计算机图形学已经渗透到计算机应用的方方面面。人们对计算机造型与绘制技术的要求不断提高,计算机模拟场景的规模越来越大,景物的细节也越来越丰富。特别随着三维数码扫描仪的大规模普及与应用,扫描所得到的网格点的数目达到了十亿的数量级,扫描获取的几何体的细节以及外形的日渐丰富,对有效生成、处理超大规模几何模型的新方法的需求也日渐增长。采用传统的基于三角面片的绘制方法,现有的计算机硬件难以达到实时绘制的要求,绘制环节成为了瓶颈。近年来,一种新的绘制三维模型方法—“基于点的绘制”开始逐渐被人们所重视,随着对其研究的不断发展,逐渐成为计算机图形学中研究热点。 本文首先介绍了基于点的获取、处理以及绘制的全流程,基于点表示曲面的性质和基于点表示曲面的方法,以及目前常见的几种基于点的造型技术。本文主要工作: (1)基于Kohonen神经网络能够保持拓扑结构的自组织映射的特性,对散乱数据点进行曲面重构,建立了基于自组织特征映射神经网络的矩形网格重构模型。所建模型利用神经元对曲面散乱数据点的学习和训练来模拟曲面上点与点之间的内在关系,节点连接权向量集作为对散乱数据点集的近似化并重构曲面样本点的内在拓扑关系。通过该方法得到的曲面可以对原始的散乱数据点集逼近,可以作为后继曲面重构的初始曲面,而且还可以对密集散乱数据点自组织压缩,并构建保持原数据点集的拓扑形状,这样降低原始数据点的数量,扩大了神经网络曲面重构方法的应用领域。 (2)主要根据径向基函数神经网络(RBFNN)具有很强的非线性逼近能力,以及强大的抗噪、修复能力等优点,提出将径向基函数神经网络应用于带有噪声数据散乱数据点自由曲面的重构方法,并对该方法理论上的可行性和实践上的实用性进行了讨论和验证。结果表明:该模型不仅能够有效地逼近不完善的、带有噪声的曲面,而且学习速度很快,提高了对破损、不完全曲面重建的效率和精度,得到的曲面光顺性好。 本文最后部分主要介绍了基于点绘制的技术,以及基于点的绘制方法、基于点绘制技术存在问题和基于点的绘制技术的进一步研究方向。
摘要 | 第3-4页 |
Abstract | 第4-5页 |
第一章 绪论 | 第8-18页 |
1.1 课题的研究背景 | 第8-9页 |
1.2 课题的研究意义 | 第9-10页 |
1.3 国内外研究现状 | 第10-14页 |
1.4 课题支持及研究内容 | 第14-15页 |
1.4.1 课题支持 | 第14页 |
1.4.2 课题的研究内容 | 第14-15页 |
1.5 基于点技术的基本内容 | 第15-17页 |
1.6 论文的组织结构 | 第17-18页 |
第二章 基于点的曲面表示 | 第18-26页 |
2.1 局部曲面分析 | 第18-22页 |
2.1.1 局部邻域 | 第18-20页 |
2.1.2 局部采样密度 | 第20-21页 |
2.1.3 协方差分析 | 第21-22页 |
2.2 采样要求 | 第22-23页 |
2.3 基于点的曲面表示 | 第23-25页 |
2.3.1 参数化表示 | 第23-24页 |
2.3.2 隐式表示 | 第24-25页 |
2.4 本章小结 | 第25-26页 |
第三章 基于点的造型处理以及神经网络相关知识 | 第26-40页 |
3.1 基于点的造型处理 | 第26-29页 |
3.2 人工神经网络相关知识 | 第29-39页 |
3.2.1 神经网络的研究简史 | 第29-31页 |
3.2.2 人工神经网络的特点 | 第31-32页 |
3.2.3 人工神经网络的组成 | 第32-33页 |
3.2.4 神经网络结构 | 第33-34页 |
3.2.5 神经网络的学习和训练方法 | 第34-35页 |
3.2.6 基本学习规则 | 第35-38页 |
3.2.7 神经网络的发展方向 | 第38-39页 |
3.3 本章小结 | 第39-40页 |
第四章 基于无规则散乱数据点的曲面重构[范彦革05-1] | 第40-50页 |
4.1 Kohonen神经网络 | 第40-41页 |
4.2 Kohonen神经网络的学习方法 | 第41-42页 |
4.3 B样条曲面 | 第42-43页 |
4.4 基于Kohonen网络的B样条曲面重构 | 第43-46页 |
4.4.1 竞争层的拓扑结构和节点个数 | 第44页 |
4.4.2 网络权值的初始化 | 第44-45页 |
4.4.3 邻域函数和增益项 | 第45-46页 |
4.5 仿真实验 | 第46-48页 |
4.6 本章小结 | 第48-50页 |
第五章 无规则散乱数据点的预处理 | 第50-64页 |
5.1 径向基函数(RBF)神经网络 | 第51-59页 |
5.1.1 RBF神经网络结构 | 第52-54页 |
5.1.2 RBF神经网络学习算法 | 第54-59页 |
5.1.3 RBF神经网络的优点 | 第59页 |
5.2 基于RBF神经网络的点云处理[范彦革05-2] | 第59-61页 |
5.2.1 NURBS曲面 | 第59-60页 |
5.2.2 RBF神经网络的训练学习方法 | 第60-61页 |
5.2.3 用RBF网络进行散乱测量数据点拟合 | 第61页 |
5.3 仿真实验 | 第61-63页 |
5.4 本章小结 | 第63-64页 |
第六章 基于点的绘制 | 第64-76页 |
6.1 点模型概念 | 第65-66页 |
6.2 基于点的模型表示 | 第66-69页 |
6.2.1 纯基于点的表示法 | 第67页 |
6.2.2 圆球表示法 | 第67-68页 |
6.2.3 椭圆形表示 | 第68-69页 |
6.3 基于点的绘制流程 | 第69-70页 |
6.4 基于点的绘制技术 | 第70-75页 |
6.4.1 图像空间的点绘制算法 | 第70-73页 |
6.4.2 物体空间的点绘制算法 | 第73-75页 |
6.4.3 点绘制关键问题的讨论 | 第75页 |
6.5 本章小结 | 第75-76页 |
第七章 结论与展望 | 第76-78页 |
7.1 全文工作总结 | 第76-77页 |
7.2 今后工作展望 | 第77-78页 |
参考文献 | 第78-84页 |
攻读硕士学位期间发表的学术论文 | 第84-85页 |
致谢 | 第85页 |
论文购买
论文编号
ABS1813760,这篇论文共85页
会员购买按0.30元/页下载,共需支付
25.5。
不是会员,
注册会员!
会员更优惠
充值送钱!
直接购买按0.5元/页下载,共需要支付
42.5。
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文