CN114549792A - 一种共面网格单元自动分类方法、装置和可读存储介质 - Google Patents

一种共面网格单元自动分类方法、装置和可读存储介质 Download PDF

Info

Publication number
CN114549792A
CN114549792A CN202210444100.8A CN202210444100A CN114549792A CN 114549792 A CN114549792 A CN 114549792A CN 202210444100 A CN202210444100 A CN 202210444100A CN 114549792 A CN114549792 A CN 114549792A
Authority
CN
China
Prior art keywords
grid
coplanar
unit
temporary
cell
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.)
Pending
Application number
CN202210444100.8A
Other languages
English (en)
Inventor
周傲
陈洋
滕忠照
沈金花
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Jingsan Medical Technology Co ltd
Original Assignee
Nanjing Jingsan Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Jingsan Medical Technology Co ltd filed Critical Nanjing Jingsan Medical Technology Co ltd
Priority to CN202210444100.8A priority Critical patent/CN114549792A/zh
Publication of CN114549792A publication Critical patent/CN114549792A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

本发明提出了一种共面网格单元自动分类方法、装置和可读存储介质，该方法包括如下步骤：提取三角形网格单元集；定义共面网格单元集合和临时网格单元集合，并初始化；从三角形网格单元集中随机选取种子网络单元，并存入共面网格单元集合；从共面网格单元集合中，选取种子网格单元；从三角形网格单元集中将与种子网格单元共节点的单元取出，存入临时网格单元集合并从中随机选取网格单元；分别计算种子网格单元和网格单元的法向量，并计算两者法向量的夹角；依次判断临时网格单元集合、共面网格单元集合和三角形网格单元集，完成对共面网格单元的分类。本发明实现了在平面区域边界处，对边界处网格选取精确控制，避免造成跨区域网格误选，效率高。

Description

一种共面网格单元自动分类方法、装置和可读存储介质
技术领域
本发明涉及医学有限元分析领域，具体而言，涉及一种共面网格单元自动分类方法、装置和可读存储介质。
背景技术
随着计算力学和医学图像的快速发展，通过血液动力学仿真模拟血液在血管中的流动情况，能够充分了解心脑血管疾病患者的血管健康状况。为了能够精确模拟血液的流动状态，需要对血管网格单元模型中血流出口端、入口端及模型表面的网格进行精确选择，施加相应的边界条件。目前，网格选取的方式，包括种子网格区域生长法、网格邻近区域扩展方法。但在平面区域边界处，这两种方法对边界处网格的选取难以精确控制，易造成跨区域的网格误选，最终需要人工进行干预，逐个移除误选网格，效率较低。
发明内容
鉴于上述问题，本发明提供了一种共面网格单元自动分类方法、装置和可读存储介质。
为解决上述技术问题，本发明采用的技术方案是：一种共面网格单元自动分类方法，包括如下步骤：S101，获取网格数据，从中提取出三角形网格单元集；
S102，定义共面网格单元集合和临时网格单元集合，并将其初始化，所述定义共面 网格单元集合和临时网格单元集合均包含于三角形网格单元集；S103，从所述三角形网格 单元集中随机选取1个网格单元作为种子网络单元，并将其存入共面网格单元集合；S104， 从所述共面网格单元集合未遍历过的网格单元中，选取1个网格单元作为种子网格单元
Figure 458705DEST_PATH_IMAGE001
； S105，从所述三角形网格单元集中将与种子网格单元
Figure 431209DEST_PATH_IMAGE001
共节点的单元取出，并存入临时网 格单元集合；S106，从临时网格单元集合中随机选取1个网格单元
Figure 418757DEST_PATH_IMAGE002
；S107，分别计算所述种 子网格单元
Figure 439802DEST_PATH_IMAGE001
和网格单元
Figure 235720DEST_PATH_IMAGE002
的法向量，并计算两者法向量的夹角
Figure 617941DEST_PATH_IMAGE003
，若
Figure 827205DEST_PATH_IMAGE004
，则将所述 网格单元
Figure 324045DEST_PATH_IMAGE002
存入共面网格单元集合,否则，将其放回三角形网格单元集，其中
Figure 364683DEST_PATH_IMAGE005
为指定阈 值，用于判定2个网格单元是否共面；S108，依次判断所述临时网格单元集合是否为空，共面 网格单元集合是否遍历完成，三角形网格单元集是否为空，根据判断结果重复上述步骤，完 成对共面网格单元的分类。
作为优选方案，将三角形网格单元集记为E，
Figure 616672DEST_PATH_IMAGE006
， 三角形网格节点集记为P，
Figure 985337DEST_PATH_IMAGE007
，三角形网格节点
Figure 646388DEST_PATH_IMAGE008
对应 的坐标为
Figure 744794DEST_PATH_IMAGE009
，每个单元
Figure 105368DEST_PATH_IMAGE010
对应的节点关系为
Figure 820383DEST_PATH_IMAGE011
；则每个单元
Figure 986922DEST_PATH_IMAGE010
对应的空间法向量
Figure 877518DEST_PATH_IMAGE012
的 计算公式如下：
Figure 969845DEST_PATH_IMAGE013
。
作为优选方案，在步骤S102中，所述初始化为将共面网格单元集合和临时网格单元集合置为空集。
作为优选方案，在步骤S107中，所述两者法向量的夹角
Figure 172156DEST_PATH_IMAGE003
的计算公式如下所示：
Figure 814490DEST_PATH_IMAGE014
作为优选方案，所述步骤S108具体包括：S1081，判断所述临时网格单元集合是否为空，若为空，则重复步骤S106-S108，反之，执行步骤S1082；S1082，判断所述共面网格单元集合中的网格单元是否全部遍历完成，若未完成，则重复步骤S104-S1081，反之，执行步骤S1083；S1083，判断三角形网格单元集是否为空，若不为空，则重复步骤S103- S1082，反之，则完成对共面网格单元的分类。
作为优选方案，所述判断所述共面网格单元集合中的网格单元是否全部遍历完成，具体为：判断共面网格单元集合中是否有网格单元未在步骤S104中作为种子单元被选取过。
本发明还提供了一种共面网格单元自动分类装置，包括：提取模块，用于获取网格 数据，从中提取出三角形网格单元集；定义模块，用于定义共面网格单元集合和临时网格单 元集合，并将其初始化，所述定义共面网格单元集合和临时网格单元集合均包含于三角形 网格单元集；第一选取模块，用于从所述三角形网格单元集中随机选取1个网格单元作为种 子网络单元，并将其存入共面网格单元集合；第二选取模块，用于从所述共面网格单元集合 未遍历过的网格单元中，选取1个网格单元作为种子网格单元
Figure 621909DEST_PATH_IMAGE001
；第三选取模块，用于从所 述三角形网格单元集中将与种子网格单元
Figure 448920DEST_PATH_IMAGE001
共节点的单元取出，并存入临时网格单元集 合；第四选取模块，用于从临时网格单元集合中随机选取1个网格单元
Figure 843254DEST_PATH_IMAGE002
；计算模块，用于分 别计算所述种子网格单元
Figure 23700DEST_PATH_IMAGE001
和网格单元
Figure 747942DEST_PATH_IMAGE002
的法向量，并计算两者法向量的夹角
Figure 683537DEST_PATH_IMAGE003
，若
Figure 329282DEST_PATH_IMAGE004
，则将所述网格单元
Figure 313419DEST_PATH_IMAGE002
存入共面网格单元集合,否则，将其放回三角形网格单元 集，其中
Figure 220781DEST_PATH_IMAGE005
为指定阈值，用于判定2个网格单元是否共面；共面分类模块，用于依次判断所述 临时网格单元集合是否为空，共面网格单元集合是否遍历完成，三角形网格单元集是否为 空，根据判断结果重复上述步骤，完成对共面网格单元的分类。
本发明还提供了一种计算机可读存储介质，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
与现有技术相比，本发明的有益效果包括：通过借助网格拓扑结构，依据网格法向量信息，自动选择位于同一平面或曲面上的网格单元并归类为同一单元集合，实现了在平面区域边界处，对边界处网格选取的精确控制，避免造成跨区域的网格误选，效率高。
附图说明
参照附图来说明本发明的公开内容。应当了解，附图仅仅用于说明目的，而并非意在对本发明的保护范围构成限制。在附图中，相同的附图标记用于指代相同的部件。其中：
图1为本发明实施例共面网格单元自动分类方法的流程示意图；
图2为本发明实施例共面网格单元自动分类方法的另一形式流程示意图；
图3为本发明实施例原始网格单元模型和已分类网格单元模型的示意图。
具体实施方式
容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
根据本发明的一实施方式结合图1示出。一种共面网格单元自动分类方法，包括如下步骤：
S101，获取网格数据，从中提取出三角形网格单元集E。
将三角形网格单元集E记为E，
Figure 327277DEST_PATH_IMAGE006
，三角形网格节 点集记为P，
Figure 132422DEST_PATH_IMAGE007
，三角形网格节点
Figure 982567DEST_PATH_IMAGE008
对应的坐标为
Figure 681401DEST_PATH_IMAGE009
，每个单元
Figure 460264DEST_PATH_IMAGE010
对应的节点关系为
Figure 752705DEST_PATH_IMAGE011
。
则每个单元
Figure 140961DEST_PATH_IMAGE010
对应的空间法向量
Figure 897564DEST_PATH_IMAGE012
的计算公式如下：
Figure 673759DEST_PATH_IMAGE015
。
S102，定义共面网格单元集合M和临时网格单元集合MT，并将其初始化。其中，初始 化为将共面网格单元集合M和临时网格单元集合MT置为空集，共面网格单元集合M和临时网 格单元集合MT均包含于三角形网格单元集E，即
Figure 748769DEST_PATH_IMAGE016
，
Figure 878399DEST_PATH_IMAGE017
。M对应的节点集为MP，
Figure 489509DEST_PATH_IMAGE018
。MT对应的节点集为MTP，
Figure 374288DEST_PATH_IMAGE019
。
S103，从三角形网格单元集E中随机选取1个网格单元作为种子网络单元，并将其存入共面网格单元集合M。
S104，从共面网格单元集合M未遍历过的网格单元中，选取1个网格单元作为种子 网格单元
Figure 500376DEST_PATH_IMAGE001
。
S105，从三角形网格单元集E中将与种子网格单元
Figure 997479DEST_PATH_IMAGE001
共节点的单元取出，并存入临 时网格单元集合MT。
S106，从临时网格单元集合MT中随机选取1个网格单元
Figure 728675DEST_PATH_IMAGE002
。
S107，分别计算种子网格单元
Figure 784355DEST_PATH_IMAGE001
和网格单元
Figure 273105DEST_PATH_IMAGE002
的法向量，并计算两者法向量的夹 角
Figure 806855DEST_PATH_IMAGE003
，若
Figure 896952DEST_PATH_IMAGE020
，则将网格单元
Figure 185851DEST_PATH_IMAGE002
存入共面网格单元集合M,否则，将其放回三角形网格单 元集E，其中
Figure 224214DEST_PATH_IMAGE005
为指定阈值，用于判定2个网格单元是否共面。
两者法向量的夹角
Figure 968179DEST_PATH_IMAGE003
的计算公式如下所示：
Figure 673967DEST_PATH_IMAGE021
S108，依次判断临时网格单元集合MT是否为空，共面网格单元集合M是否遍历完成，三角形网格单元集E是否为空，根据判断结果重复上述步骤，完成对共面网格单元的分类。
步骤S108具体包括：
S1081，判断临时网格单元集合MT是否为空，若为空，则重复步骤S106-S108，反之，执行步骤S1082。
S1082，判断共面网格单元集合M中的网格单元是否全部遍历完成，若未完成，则重复步骤S104-S1081，反之，执行步骤S1083。
S1083，判断三角形网格单元集E是否为空，若不为空，则重复步骤S103- S1082，反之，则完成对共面网格单元的分类。图3中左图a为未分类的网格单元模型，右图b为已分类的网格单元模型。
其中，判断共面网格单元集合M中的网格单元是否全部遍历完成，具体为：判断共面网格单元集合M中是否有网格单元未在步骤S104中作为种子单元被选取过。
特别的，若只需提取1个共面上的所有网格，只需执行步骤S101- S1082即可。
本发明还提供了一种共面网格单元自动分类装置，包括：
提取模块，用于获取网格数据，从中提取出三角形网格单元集E。
定义模块，用于定义共面网格单元集合M和临时网格单元集合MT，并将其初始化，定义共面网格单元集合M和临时网格单元集合MT均包含于三角形网格单元集E。
第一选取模块，用于从三角形网格单元集E中随机选取1个网格单元作为种子网络单元，并将其存入共面网格单元集合M。
第二选取模块，用于从共面网格单元集合M未遍历过的网格单元中，选取1个网格 单元作为种子网格单元
Figure 369652DEST_PATH_IMAGE001
。
第三选取模块，用于从三角形网格单元集E中将与种子网格单元
Figure 567416DEST_PATH_IMAGE001
共节点的单元 取出，并存入临时网格单元集合MT。
第四选取模块，用于从临时网格单元集合MT中随机选取1个网格单元
Figure 442968DEST_PATH_IMAGE002
。计算模 块，用于分别计算种子网格单元
Figure 800000DEST_PATH_IMAGE001
和网格单元
Figure 40488DEST_PATH_IMAGE002
的法向量，并计算两者法向量的夹角
Figure 787864DEST_PATH_IMAGE003
， 若
Figure 27959DEST_PATH_IMAGE004
，则将网格单元
Figure 177181DEST_PATH_IMAGE002
存入共面网格单元集合M,否则，将其放回三角形网格单元集 E，其中
Figure 854150DEST_PATH_IMAGE005
为指定阈值，用于判定2个网格单元是否共面。
共面分类模块，用于依次判断临时网格单元集合MT是否为空，共面网格单元集合M是否遍历完成，三角形网格单元集E是否为空，根据判断结果重复上述步骤，完成对共面网格单元的分类。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明还提供了一种计算机可读存储介质，计算机程序被处理器执行时实现上述任一项方法的步骤。
综上所述，本发明的有益效果包括：通过借助网格拓扑结构，依据网格法向量信息，自动选择位于同一平面或曲面上的网格单元并归类为同一单元集合，实现了在平面区域边界处，对边界处网格选取的精确控制，避免造成跨区域的网格误选，效率高。
应理解，所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括 ：U 盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
本发明的技术范围不仅仅局限于上述说明中的内容，本领域技术人员可以在不脱离本发明技术思想的前提下，对上述实施例进行多种变形和修改，而这些变形和修改均应当属于本发明的保护范围内。

Claims (8)

1.一种共面网格单元自动分类方法，其特征在于，包括如下步骤：
S101，获取网格数据，从中提取出三角形网格单元集；
S102，定义共面网格单元集合和临时网格单元集合，并将其初始化，所述定义共面网格单元集合和临时网格单元集合均包含于三角形网格单元集；
S103，从所述三角形网格单元集中随机选取1个网格单元作为种子网络单元，并将其存入共面网格单元集合；
S104，从所述共面网格单元集合未遍历过的网格单元中，选取1个网格单元作为种子网 格单元
Figure 236706DEST_PATH_IMAGE001
；
S105，从所述三角形网格单元集中将与种子网格单元
Figure 930992DEST_PATH_IMAGE001
共节点的单元取出，并存入临 时网格单元集合；
S106，从临时网格单元集合中随机选取1个网格单元
Figure 680423DEST_PATH_IMAGE002
；
S107，分别计算所述种子网格单元
Figure 256898DEST_PATH_IMAGE001
和网格单元
Figure 120949DEST_PATH_IMAGE002
的法向量，并计算两者法向量的夹 角
Figure 794376DEST_PATH_IMAGE003
，若
Figure 413576DEST_PATH_IMAGE004
，则将所述网格单元
Figure 415030DEST_PATH_IMAGE002
存入共面网格单元集合,否则，将其放回三角形网 格单元集，其中
Figure 912133DEST_PATH_IMAGE005
为指定阈值，用于判定2个网格单元是否共面；
S108，依次判断所述临时网格单元集合是否为空，共面网格单元集合是否遍历完成，三角形网格单元集是否为空，根据判断结果重复上述步骤，完成对共面网格单元的分类。
2.根据权利要求1所述的共面网格单元自动分类方法，其特征在于，将三角形网格单元 集记为E，
Figure 174487DEST_PATH_IMAGE006
，三角形网格节点集记为P，
Figure 902271DEST_PATH_IMAGE007
，三角形网格节点
Figure 453338DEST_PATH_IMAGE008
对应的坐标为
Figure 314984DEST_PATH_IMAGE009
，每个单元
Figure 133642DEST_PATH_IMAGE010
对应的节点关系为
Figure 32328DEST_PATH_IMAGE011
；则每个单元
Figure 336270DEST_PATH_IMAGE010
对应的空间法向量
Figure 673711DEST_PATH_IMAGE012
的 计算公式如下：
Figure 910657DEST_PATH_IMAGE013
。
3.根据权利要求1所述的共面网格单元自动分类方法，其特征在于，在步骤S102中，所述初始化为将共面网格单元集合和临时网格单元集合置为空集。
4.根据权利要求1所述的共面网格单元自动分类方法，其特征在于，在步骤S107中，所 述两者法向量的夹角
Figure 809605DEST_PATH_IMAGE003
的计算公式如下所示：
Figure 7368DEST_PATH_IMAGE014
。
5.根据权利要求1所述的共面网格单元自动分类方法，其特征在于，所述步骤S108具体包括：
S1081，判断所述临时网格单元集合是否为空，若为空，则重复步骤S106-S108，反之，执行步骤S1082；
S1082，判断所述共面网格单元集合中的网格单元是否全部遍历完成，若未完成，则重复步骤S104-S1081，反之，执行步骤S1083；
S1083，判断三角形网格单元集是否为空，若不为空，则重复步骤S103- S1082，反之，则完成对共面网格单元的分类。
6.根据权利要求5所述的共面网格单元自动分类方法，其特征在于，所述判断所述共面网格单元集合中的网格单元是否全部遍历完成，具体为：判断共面网格单元集合中是否有网格单元未在步骤S104中作为种子单元被选取过。
7.一种共面网格单元自动分类装置，其特征在于，包括：
提取模块，用于获取网格数据，从中提取出三角形网格单元集；
定义模块，用于定义共面网格单元集合和临时网格单元集合，并将其初始化，所述定义共面网格单元集合和临时网格单元集合均包含于三角形网格单元集；
第一选取模块，用于从所述三角形网格单元集中随机选取1个网格单元作为种子网络单元，并将其存入共面网格单元集合；
第二选取模块，用于从所述共面网格单元集合未遍历过的网格单元中，选取1个网格单 元作为种子网格单元
Figure 148500DEST_PATH_IMAGE001
；
第三选取模块，用于从所述三角形网格单元集中将与种子网格单元
Figure 974373DEST_PATH_IMAGE001
共节点的单元取 出，并存入临时网格单元集合；
第四选取模块，用于从临时网格单元集合中随机选取1个网格单元
Figure 480441DEST_PATH_IMAGE002
；
计算模块，用于分别计算所述种子网格单元
Figure 227817DEST_PATH_IMAGE001
和网格单元
Figure 665315DEST_PATH_IMAGE002
的法向量，并计算两者法 向量的夹角
Figure 876854DEST_PATH_IMAGE003
，若
Figure 616140DEST_PATH_IMAGE015
，则将所述网格单元
Figure 788495DEST_PATH_IMAGE002
存入共面网格单元集合,否则，将其放回 三角形网格单元集，其中
Figure 271429DEST_PATH_IMAGE005
为指定阈值，用于判定2个网格单元是否共面；
共面分类模块，用于依次判断所述临时网格单元集合是否为空，共面网格单元集合是否遍历完成，三角形网格单元集是否为空，根据判断结果重复上述步骤，完成对共面网格单元的分类。
8.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。
CN202210444100.8A 2022-04-26 2022-04-26 一种共面网格单元自动分类方法、装置和可读存储介质 Pending CN114549792A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210444100.8A CN114549792A (zh) 2022-04-26 2022-04-26 一种共面网格单元自动分类方法、装置和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210444100.8A CN114549792A (zh) 2022-04-26 2022-04-26 一种共面网格单元自动分类方法、装置和可读存储介质

Publications (1)

Publication Number Publication Date
CN114549792A true CN114549792A (zh) 2022-05-27

Family

ID=81667426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210444100.8A Pending CN114549792A (zh) 2022-04-26 2022-04-26 一种共面网格单元自动分类方法、装置和可读存储介质

Country Status (1)

Country Link
CN (1) CN114549792A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003122806A (ja) * 2001-10-09 2003-04-25 Nippon Soken Holdings:Kk メッシュ形状判定方法、メッシュ生成方法、メッシュ生成装置、コンピュータプログラム、及び記録媒体
TW201128569A (en) * 2010-02-01 2011-08-16 Hon Hai Prec Ind Co Ltd System and method for constructing triangular grids of point clouds
CN105825550A (zh) * 2016-03-15 2016-08-03 中国科学院沈阳应用生态研究所 顾及一致性的复杂三维建筑物模型剖切建模方法
CN110838180A (zh) * 2019-09-30 2020-02-25 西安合科软件有限公司 一种网格单元组确定方法与装置
CN111695281A (zh) * 2020-06-01 2020-09-22 电子科技大学 一种四面体网格划分有限元粒子模拟的粒子快速定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003122806A (ja) * 2001-10-09 2003-04-25 Nippon Soken Holdings:Kk メッシュ形状判定方法、メッシュ生成方法、メッシュ生成装置、コンピュータプログラム、及び記録媒体
TW201128569A (en) * 2010-02-01 2011-08-16 Hon Hai Prec Ind Co Ltd System and method for constructing triangular grids of point clouds
CN105825550A (zh) * 2016-03-15 2016-08-03 中国科学院沈阳应用生态研究所 顾及一致性的复杂三维建筑物模型剖切建模方法
CN110838180A (zh) * 2019-09-30 2020-02-25 西安合科软件有限公司 一种网格单元组确定方法与装置
CN111695281A (zh) * 2020-06-01 2020-09-22 电子科技大学 一种四面体网格划分有限元粒子模拟的粒子快速定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曹卫群 等: "基于高斯球的近似共面合并层次细节模型", 《软件学报》 *
闫涛: "基于三角网格的交互式数据分割研究", 《计算机工程与设计》 *

Similar Documents

Publication Publication Date Title
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
CN110276442B (zh) 一种神经网络架构的搜索方法及装置
Sankaran et al. Impact of geometric uncertainty on hemodynamic simulations using machine learning
US10210612B2 (en) Method and system for machine learning based estimation of anisotropic vessel orientation tensor
CN110197706B (zh) 一种基于sbs的层次化特征选择方法、系统及应用
CN110059656B (zh) 基于卷积对抗生成神经网络的白细胞分类方法及系统
Mönch et al. Optimization of vascular surface models for computational fluid dynamics and rapid prototyping
CN109508489B (zh) 一种各向异性多孔结构的建模方法及系统
CN106056596A (zh) 基于局部先验信息和凸优化的全自动三维肝脏分割方法
CN113034528B (zh) 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法
Dillard et al. From medical images to flow computations without user‐generated meshes
CN112233200A (zh) 剂量确定方法及装置
Ernst Residual-minimizing Krylov subspace methods for stabilized discretizations of convection-diffusion equations
Wang et al. A brief tour of Bayesian sampling methods
Demeulenaere et al. Multi-disciplinary multi-point optimization of a turbocharger compressor wheel
CN116091771A (zh) 一种复杂机匣腔体点云分割方法、装置及设备
CN114549792A (zh) 一种共面网格单元自动分类方法、装置和可读存储介质
JP6921526B2 (ja) 情報処理装置、情報処理方法及びプログラム
CN110532670B (zh) 一种适分析样条实体模型构建方法及系统
CN107203916B (zh) 一种用户信用模型建立方法及装置
Zobaer et al. Maximum thickness control in topology optimization using an inflection-point-based geometric constraint
CN116703880A (zh) 一种免疫状态预测模型构建方法、预测方法及构建装置
CN107492101B (zh) 基于自适应构造最优图的多模态鼻咽肿瘤分割算法
Paul et al. Estimating Betti numbers using deep learning
CA2891733A1 (en) Methods of modelling and characterising heart fiber geometry

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220527