CN115049691A - 一种基于图像技术的二维结构模型重构方法及系统 - Google Patents
一种基于图像技术的二维结构模型重构方法及系统 Download PDFInfo
- Publication number
- CN115049691A CN115049691A CN202210775369.4A CN202210775369A CN115049691A CN 115049691 A CN115049691 A CN 115049691A CN 202210775369 A CN202210775369 A CN 202210775369A CN 115049691 A CN115049691 A CN 115049691A
- Authority
- CN
- China
- Prior art keywords
- point
- dimensional structure
- contour
- curve
- structure model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005516 engineering process Methods 0.000 title claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000002787 reinforcement Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 10
- 238000000605 extraction Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000011960 computer-aided design Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像技术的二维结构模型重构方法及系统,涉及二维结构模型重构技术领域,该方法包括:对密度值图像进行前处理,得到完整且连续的黑白图像信息;根据所述黑白图像信息,确定轮廓像素点的坐标信息;通过均匀取点方式或贪婪加点方式对所述轮廓像素点的坐标信息进行处理,确定最优控制点;对所述最优控制点进行曲线拟合,得到高保真度曲线;根据所述高保真曲线,重构二维结构模型。本发明实现二维结构型高保真度参数化自动重构,具有鲁棒性和时效性,为后续参数优化或加工制造提供基础。
Description
技术领域
本发明涉及二维结构模型重构技术领域,特别是涉及一种基于图像技术的二维结构模型重构方法及系统。
背景技术
目前二维结构特征的拓扑优化结果存在边界不光滑、难以参数化、人工操作繁琐等问题,无法直接应用于后续工作。
现有的二维结构特征的拓扑优化结果的参数化重构方法可以解决由拓扑优化结果带来的棋盘格现象,但没有解决拓扑优化结果不连续、“孤岛”、过小的结构特征等情况。现有的二维结构特征的拓扑优化结果的参数化重构方法可以实现二维简单样条曲线拟合,并存在控制点数量过多,轮廓特征拟合过强且效果不可控的缺点。
发明内容
本发明的目的是提供一种基于图像技术的二维结构模型重构方法及系统,解决了二维结构特征的拓扑优化结果存在的边界不光滑、难以参数化、人工操作繁琐等问题,实现二维结构型高保真度参数化自动重构,具有鲁棒性和时效性,为后续参数优化或加工制造提供基础。
为实现上述目的,本发明提供了如下方案:
第一方面,本发明提供了一种基于图像技术的二维结构模型重构方法,包括:
对密度值图像进行前处理,得到完整且连续的黑白图像信息;
根据所述黑白图像信息,确定轮廓像素点的坐标信息;
通过均匀取点方式或贪婪加点方式对所述轮廓像素点的坐标信息进行处理,确定最优控制点;
对所述最优控制点进行曲线拟合,得到高保真度曲线;
根据所述高保真曲线,重构二维结构模型。
可选地,所述对密度值图像进行前处理,得到完整且连续的黑白图像信息,具体包括:
基于二维结构特征的拓扑优化结果,采用截取图片方式获得密度值图像;
根据设定的灰度阈值,对所述密度值图像进行黑白二值化,得到二维结构特征的拓扑优化结果为白色、背景为黑色的图像信息;
根据设定的开、闭运算次数及相应的滤波核大小,对所述图像信息进行处理,得到完整且连续的黑白图像信息。
可选地,所述根据所述黑白图像信息,确定轮廓像素点的坐标信息,具体包括:
基于Canny算子捕捉所述黑白图像信息的封闭轮廓;
基于所述封闭轮廓,确定轮廓像素点的坐标信息。
可选地,所述通过均匀取点方式或贪婪加点方式对所述轮廓像素点的坐标信息进行处理,确定最优控制点,具体包括:
对于简单轮廓,通过均匀取点方式对简单轮廓像素点的坐标信息进行处理,确定最优控制点;
对于复杂轮廓,通过贪婪加点方式对复杂轮廓像素点的坐标信息进行处理,确定最优控制点;
其中,所述简单轮廓为拐角个数小于设定阈值的轮廓;所述复杂轮廓为拐角个数大于或者等于设定阈值的轮廓;所述贪婪加点方式为在均匀取点的基础上使用贪婪算法或强化学习算法的方式。
可选地,所述对所述最优控制点进行曲线拟合,得到高保真度曲线,具体包括:
采用B样条、T样条、贝塞尔曲线或参数曲线对所述最优控制点进行曲线拟合,得到高保真度曲线。
可选地,所述根据所述高保真曲线,重构二维结构模型,具体包括:
对所述高保真度曲线进行曲线间填充,获得初始重构结果;
通过设置平面X、Y方向的坐标大小,对所述初始重构结果进行拉伸,进而得到符合设定需求的二维结构模型。
可选地,还包括:对所述二维结构模型进行格式转换,以得到供CAD软件识别的通用模型格式文件。
可选地,还包括:对所述二维结构模型进行旋转或拉伸操作,得到符合要求的三维几何参数模型。
第二方面,本发明提供了一种基于图像技术的二维结构模型重构系统,包括:
前处理模块,用于对密度值图像进行前处理,得到完整且连续的黑白图像信息;
轮廓像素点坐标信息确定模块,用于根据所述黑白图像信息,确定轮廓像素点的坐标信息;
最优控制点确定模块,用于通过均匀取点方式或贪婪加点方式对所述轮廓像素点的坐标信息进行处理,确定最优控制点;
曲线拟合模块,用于对所述最优控制点进行曲线拟合,得到高保真度曲线;
二维结构模型重构模块,用于根据所述高保真曲线,重构二维结构模型。
可选地,还包括:三维几何参数化模型确定模块,用于对所述二维结构模型进行旋转或拉伸操作,得到符合要求的三维几何参数模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种基于图像技术的二维结构模型重构方法及系统,通过对密度值图像进行前处理,可以在不改变重构对象大小的前提下,良好的解决重构对象中存在的不连续、“孤岛”以及过小的结构特征等情况;通过均匀取点方式或贪婪加点方式对所述轮廓像素点的坐标信息进行处理,确定最优控制点,解决了控制点数量过多,轮廓特征拟合过强且效果不可控的缺点。显然本发明解决了二维结构特征的拓扑优化结果存在的边界不光滑、难以参数化、人工操作繁琐等问题,实现二维结构型高保真度参数化自动重构,具有鲁棒性和时效性,为后续参数优化或加工制造提供基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的基于图像技术的二维结构模型重构方法的流程图;
图2为本发明实施例二提供的二维轮盘特征的拓扑优化结果图;
图3为本发明实施例二提供的二值化结果图;
图4为本发明实施例二提供的开闭运算结果图;
图5为本发明实施例二提供的canny算子捕捉轮廓示意图;
图6为本发明实施例二提供的多段轮廓边界像素点示意图;
图7为本发明实施例二提供的贪婪取点的B样条曲线图;
图8为本发明实施例二提供的二维CAD模型图;
图9为本发明实施例二提供的三维几何参数化模型图;
图10为本发明实施例三提供的基于图像技术的二维结构模型重构系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
近年来,基于图形学的特征提取研究得到了广泛关注,例如:何宇等人通过围绕数学形态学骨架以及骨架提取和重建算法展开研究,实现了对原始图像的骨架提取与重建,表明了图形学方法对于二维结构特提取具有应用潜力。因此,融合图形学知识,开展智能化、参数化的二维结构特征提取以及高保真度自动化重构的研究符合当前发展趋势。
鉴于此,本发明提供了一种基于图像技术的二维结构模型重构方法及系统,解决了二维结构特征的拓扑优化结果存在的边界不光滑、难以参数化、人工操作繁琐等问题,实现二维结构型高保真度参数化自动重构,具有鲁棒性和时效性,为后续参数优化或加工制造提供基础。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供了一种基于图像技术的二维结构模型重构方法及系统,其技术路线为:在进行二维结构特征提取及模型重构技术时,首先对密度值图像文件进行前处理,获得完整、连续的黑白图像信息;接着基于Canny算子获得轮廓边界点,获得一系列轮廓边界像素点的坐标信息;随后通过均匀取点或贪婪加点策略获得最优控制点;然后基于B样条、参数曲线等拟合方式实现对曲线拟合精度的提升;最后将曲线组合生成初始重构结果,并通过对相应方向放大或缩小获得最终重构结果,并生成通用CAD模型文件,便于工业中加工制造。
实施例一
现有的二维结构特征的拓扑优化结果的参数化重构方法可以解决由拓扑优化结果带来的棋盘格现象,但没有解决拓扑优化结果不连续、“孤岛”、过小的结构特征等情况。鉴于此,本实施例提出了一种预处理方法,即通过进行开、闭运算等手段获得清晰、准确的拓扑优化结果特征轮廓像素模型。
现有的二维结构特征的拓扑优化结果的参数化重构方法可以实现二维样条曲线拟合,但存在控制点数量过多,轮廓特征拟合过强且效果不可控的缺点。鉴于此,本实施例针对获得的曲线轮廓,采用相应的最优控制点的选择和曲线参数化拟合,达到了针对二维结构高保真度自动化模型重构的目的。其中,在选择最优控制点时,对于简单曲线轮廓(如正圆形等易于描述的轮廓),可以采用均匀取点的方式选取最优控制点,对于复杂曲线轮廓(如不规则形状等难以描述的轮廓),可以在均匀取点的基础上使用贪婪加点或强化学习等方法,自适应确定最优控制点位置;且拟合过程中可以通过B样条、贝塞尔曲线或参数曲线等方式,获得高保真度曲线轮廓。
如图1所示,本实施例提供的一种基于图像技术的二维结构模型重构方法,包括:
步骤100:对密度值图像进行前处理,得到完整且连续的黑白图像信息。
针对二维结构特征的拓扑优化结果,可通过截取图片等方式获得相应的密度值图像,继而根据具体情况设置合适的灰度阈值,对密度值图像进行黑白二值化,获得二维结构特征的拓扑优化结果为白色,背景为黑色的图像信息;最后,针对上述图像信息,通过设置合适的开、闭运算次数及相应的滤波核大小,获得完整、连续的黑白图像信息,将此图像称为重构对象,完成本实施例前处理操作。
针对密度值图像前处理工作过程中的二值化,作以下详细说明:
对密度值图像进行黑白二值化,通过寻找一个合适的阈值T(范围0-255),把密度值图像中所有像素值小于等于该阈值的像素点设置为一个像素值(本实施例为黑色),同时把密度值图像中所有像素值大于该阈值的像素点设置为另一个像素值(本实施例为白色),其二值化操作如下公式所示:
其中,α(i,j)是二维结构特征的拓扑优化结果中各单元的密度值;
t(i,j)是二值化后二维结构特征的拓扑优化结果中各单元的密度值。
当α(i,j)=255时,该点图像为白色,当α(i,j)=0时,对应颜色为黑色;
当t(i,j)=1时,该点图像为白色;当t(i,j)=0时,该点图像为黑色。
由此达到图像黑白二值化效果,针对特殊情况,也可将结果调换达到反二值化效果。
针对密度值图像前处理工作过程中的开、闭运算,作以下详细说明:
开、闭运算本质是膨胀、腐蚀(开运算先腐蚀再膨胀,闭运算相反),其公式如下:
公式中,A为步骤100二值图中白色部分,B为滤波核的大小,通过设置相应的开、闭运算次数以及滤波核的大小,可以在不改变重构对象大小的前提下,良好的解决重构对象中存在的不连续、“孤岛”以及过小的结构特征等情况。
步骤200:根据所述黑白图像信息,确定轮廓像素点的坐标信息。
此步骤为轮廓边界点处理。针对步骤100获得的重构对象,基于Canny算子捕捉黑白图像信息的封闭轮廓,并基于封闭轮廓,确定轮廓像素点的坐标信息;其中,针对复杂边界(如拐角特别多的图像轮廓),可采用平滑差分链码识别形状边界分段点,拆分为多段轮廓像素点的坐标信息。
步骤300:通过均匀取点方式或贪婪加点方式对所述轮廓像素点的坐标信息进行处理,确定最优控制点。
此步骤为选择最优控制点。根据步骤200获得的轮廓像素点的坐标信息,通过均匀取点方式或贪婪加点方式实现对该轮廓最优控制点的选择。
其中,对于简单轮廓(如直线、正圆形等易于描述的轮廓),可以采用均匀取点方式选取最优控制点;对于复杂曲线轮廓(如不规则形状等难以描述的轮廓),可以在均匀取点的基础上使用贪婪加点或强化学习等方法,自适应确定最优控制点位置。
简单轮廓为拐角个数小于设定阈值的轮廓;复杂轮廓为拐角个数大于或者等于设定阈值的轮廓;贪婪加点方式为在均匀取点的基础上使用贪婪算法或强化学习算法的方式。
针对选择最优控制点过程,作以下详细说明:
在一次二维模型重构中,针对步骤200获得的每个曲线轮廓参数化信息进行分析。对于简单曲线轮廓,可以均匀选取轮廓边界点;对于复杂曲线轮廓,可以选用贪婪加点策略,方法是通过建立插值精度误差表征函数,基于贪婪算法在插值误差最大处增加轮廓边界点,以此循环不断取点直至满足精度要求或达到点数上限。例如:曲线轮廓参数化信息中有200个控制点,本次取点需要用20个点满足精度,可以先均匀选取15个点,利用15个点形成的曲线和200个控制点进行距离计算,将相差最远的点设为第16个点,以此类推,直到选取点数达到20。
步骤400:对所述最优控制点进行曲线拟合,得到高保真度曲线。
此步骤为曲线参数化拟合。根据步骤300最优控制点的选择结果进行曲线拟合,通过B样条、T样条、贝塞尔曲线或参数曲线等拟合形式,获得高保真度曲线拟合效果。
其中,在一次曲线参数化拟合过程中,为保证曲线拟合精度,可以根据实际情况选择多种拟合方式,包括但不限于B样条、T样条、贝塞斯曲线或参数曲线等。
步骤500:根据所述高保真曲线,重构二维结构模型。
此步骤为二维模型重构。将步骤400获得高保真度曲线进行曲线间填充,获得初始重构结果,然后通过设置平面X、Y方向的坐标大小,对初始重构结果进行拉伸,得到最终符合要求大小的重构结果,并输出PRT、IGS或STP等可供CAD软件识别的通用模型格式文件,便于工业中加工制造。
针对二维模型重构过程,作以下详细说明:
在这一步中,由于每次获得的密度值图像存在差异,所以在同一次模型重构过程中,曲线填充后所设置的X、Y值以该次重构对象的图像信息大小为基准,而非直接确定重构物体大小。例如:图像像素为300×400,所需重构模型在图像中大小为150×150,当设置X为600,Y为800时,得到的重构模型大小为300×300。
进一步地,本实施例提供的方法,还包括:
对所述二维结构模型进行格式转换,以得到供CAD软件识别的通用模型格式文件。
进一步地,本实施例提供的方法,还包括:
对所述二维结构模型进行旋转或拉伸操作,得到符合要求的三维几何参数模型。
实施例二
本实施例提供了一种基于图像技术的二维结构模型重构方法,具体如下:
第一步,密度值图像前处理。如图2所示,为二维轮盘特征的拓扑优化结果,根据模型分析,为了得到重构对象,即重构部分(纹理部分)为白色,背景部分(白色部分)为黑色,需要进行反二值化操作,灰度阈值设置为240,即可得到所需二值化图像,如图3所示,继而,通过设置合适的开闭运算次数及滤波核大小(本次开闭运算3次,滤波核大小均为4),得到完整、连续、便于后续重构的图像信息,如图4所示,此时图4为重构对象。
第二步,轮廓边界点处理。基于Canny算子捕捉获封闭的轮廓,提取边界轮廓像素点的坐标信息,效果如图5所示;针对本次拓扑优化结果,由于轮廓拐点较多,采用平滑差分链码识别形状边界分段点,获得多段轮廓边界像素点的坐标信息,如图6所示。
第三步,选择最优控制点。根据上一步获得的段轮廓边界像素点的坐标信息,对于本次构型,由于边界轮廓拐点较多,故本次示例选用贪婪加点策略。为更清晰贪婪取点的效果,本步骤和第四步曲线参数化拟合一起进行,如图6所示,为贪婪取点B样条拟合方式。
第四步,曲线参数化拟合。根据第三步最优控制点的选择结果进行曲线拟合,通过B样条、T样条、贝塞尔曲线或参数曲线等拟合形式,获得高保真度曲线拟合效果。
第五步,二维模型重构。将上一步得到的高保真度曲线进行曲线间填充,并针对本示例设置X=41.25、Y=65.625,最终得到符合要求大小的最终重构结果,如图8所示,针对这种二维结构,后续工程上可通过旋转得到三维几何参数化模型,如图9所示,便于加工制造。
实施例三
本实施例提供的一种基于图像技术的二维结构模型重构系统,如图10所示,包括:
前处理模块1,用于对密度值图像进行前处理,得到完整且连续的黑白图像信息。
轮廓像素点坐标信息确定模块2,用于根据所述黑白图像信息,确定轮廓像素点的坐标信息。
最优控制点确定模块3,用于通过均匀取点方式或贪婪加点方式对所述轮廓像素点的坐标信息进行处理,确定最优控制点。
曲线拟合模块4,用于对所述最优控制点进行曲线拟合,得到高保真度曲线。
二维结构模型重构模块5,用于根据所述高保真曲线,重构二维结构模型。
进一步地,本实施例所述的系统,还包括:三维几何参数化模型确定模块,用于对所述二维结构模型进行旋转或拉伸操作,得到符合要求的三维几何参数模型。
与现有技术相比,本发明的核心点为:
一是,根据技术方案所述的基于图像技术的二维结构特征提取及参数化建模方法,重点在于第一步密度值图像前处理中,对二值化后图像操作主要包括:开、闭运算的次数(膨胀、腐蚀的次数)以及相应滤波核的大小。
二是,根据技术方案所述的基于图像技术的二维结构特征提取及建模方法,重点在于选择最优控制点中,控制点的选择方法包括但不限于均匀取点、贪婪取点以及强化学习的取点方法。
三是,根据技术方案所述的基于图像技术的二维结构特征提取及建模方法,重点在于曲线参数化拟合中,曲线拟合方式包括但不限于B样条、T样条、贝塞斯曲线或参数曲线等。
四是,根据技术方案所述的基于图像技术的二维结构特征提取及建模方法,重点在于二维模型重构中,可以通过设置X、Y坐标达到控制最终输出模型大小。
与现有技术相比,本发明的优点为:
本发明可以通过进行开、闭运算进行图像处理的方式,可以很好的解决拓扑结果参数化存在的不连续、“孤岛”、过小的结构特征等情况。
本发明可以根据重构对象的复杂程度,通过均匀取点、贪婪取点或强化学习等方式,获得曲线轮廓最优控制点。
本发明为保证高精度曲线重构,可以根据实际情况使用包括但不限于B样条、T样条、贝塞斯曲线或参数曲线等拟合方式。
本发明为保证模型输出大小可控,可以根据实际情况在模型重构过程中设置合适的X、Y坐标。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于图像技术的二维结构模型重构方法,其特征在于,包括:
对密度值图像进行前处理,得到完整且连续的黑白图像信息;
根据所述黑白图像信息,确定轮廓像素点的坐标信息;
通过均匀取点方式或贪婪加点方式对所述轮廓像素点的坐标信息进行处理,确定最优控制点;
对所述最优控制点进行曲线拟合,得到高保真度曲线;
根据所述高保真曲线,重构二维结构模型。
2.根据权利要求1所述的一种基于图像技术的二维结构模型重构方法,其特征在于,所述对密度值图像进行前处理,得到完整且连续的黑白图像信息,具体包括:
基于二维结构特征的拓扑优化结果,采用截取图片方式获得密度值图像;
根据设定的灰度阈值,对所述密度值图像进行黑白二值化,得到二维结构特征的拓扑优化结果为白色、背景为黑色的图像信息;
根据设定的开、闭运算次数及相应的滤波核大小,对所述图像信息进行处理,得到完整且连续的黑白图像信息。
3.根据权利要求1所述的一种基于图像技术的二维结构模型重构方法,其特征在于,所述根据所述黑白图像信息,确定轮廓像素点的坐标信息,具体包括:
基于Canny算子捕捉所述黑白图像信息的封闭轮廓;
基于所述封闭轮廓,确定轮廓像素点的坐标信息。
4.根据权利要求1所述的一种基于图像技术的二维结构模型重构方法,其特征在于,所述通过均匀取点方式或贪婪加点方式对所述轮廓像素点的坐标信息进行处理,确定最优控制点,具体包括:
对于简单轮廓,通过均匀取点方式对简单轮廓像素点的坐标信息进行处理,确定最优控制点;
对于复杂轮廓,通过贪婪加点方式对复杂轮廓像素点的坐标信息进行处理,确定最优控制点;
其中,所述简单轮廓为拐角个数小于设定阈值的轮廓;所述复杂轮廓为拐角个数大于或者等于设定阈值的轮廓;所述贪婪加点方式为在均匀取点的基础上使用贪婪算法或强化学习算法的方式。
5.根据权利要求1所述的一种基于图像技术的二维结构模型重构方法,其特征在于,所述对所述最优控制点进行曲线拟合,得到高保真度曲线,具体包括:
采用B样条、T样条、贝塞尔曲线或参数曲线对所述最优控制点进行曲线拟合,得到高保真度曲线。
6.根据权利要求1所述的一种基于图像技术的二维结构模型重构方法,其特征在于,所述根据所述高保真曲线,重构二维结构模型,具体包括:
对所述高保真度曲线进行曲线间填充,获得初始重构结果;
通过设置平面X、Y方向的坐标大小,对所述初始重构结果进行拉伸,进而得到符合设定需求的二维结构模型。
7.根据权利要求1所述的一种基于图像技术的二维结构模型重构方法,其特征在于,还包括:对所述二维结构模型进行格式转换,以得到供CAD软件识别的通用模型格式文件。
8.根据权利要求1所述的一种基于图像技术的二维结构模型重构方法,其特征在于,还包括:对所述二维结构模型进行旋转或拉伸操作,得到符合要求的三维几何参数模型。
9.一种基于图像技术的二维结构模型重构系统,其特征在于,包括:
前处理模块,用于对密度值图像进行前处理,得到完整且连续的黑白图像信息;
轮廓像素点坐标信息确定模块,用于根据所述黑白图像信息,确定轮廓像素点的坐标信息;
最优控制点确定模块,用于通过均匀取点方式或贪婪加点方式对所述轮廓像素点的坐标信息进行处理,确定最优控制点;
曲线拟合模块,用于对所述最优控制点进行曲线拟合,得到高保真度曲线;
二维结构模型重构模块,用于根据所述高保真曲线,重构二维结构模型。
10.根据权利要求9所述的一种基于图像技术的二维结构模型重构系统,其特征在于,还包括:三维几何参数化模型确定模块,用于对所述二维结构模型进行旋转或拉伸操作,得到符合要求的三维几何参数模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210775369.4A CN115049691A (zh) | 2022-07-01 | 2022-07-01 | 一种基于图像技术的二维结构模型重构方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210775369.4A CN115049691A (zh) | 2022-07-01 | 2022-07-01 | 一种基于图像技术的二维结构模型重构方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115049691A true CN115049691A (zh) | 2022-09-13 |
Family
ID=83164984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210775369.4A Pending CN115049691A (zh) | 2022-07-01 | 2022-07-01 | 一种基于图像技术的二维结构模型重构方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049691A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050238244A1 (en) * | 2004-04-26 | 2005-10-27 | Canon Kabushiki Kaisha | Function approximation processing method and image processing method |
CN101261685A (zh) * | 2008-01-31 | 2008-09-10 | 浙江工业大学 | 基于图像矢量化技术的服装样片自动录入装置 |
CN101814196A (zh) * | 2010-03-09 | 2010-08-25 | 浙江大学 | 基于图片的三维动漫玩具设计方法 |
CN107679333A (zh) * | 2017-10-19 | 2018-02-09 | 大连理工大学 | 一种二维拓扑优化结果几何重构的方法 |
CN109800507A (zh) * | 2019-01-22 | 2019-05-24 | 西安电子科技大学 | 一种对散热冷板拓扑边界二次形状优化设计方法 |
CN113268842A (zh) * | 2021-06-18 | 2021-08-17 | 西安交通大学 | 一种像素式拓扑优化结果的高保真矢量图转换方法 |
CN113486904A (zh) * | 2021-07-02 | 2021-10-08 | 长春理工大学 | 一种特征自适应激光扫描投影图形控制点提取及优化方法 |
-
2022
- 2022-07-01 CN CN202210775369.4A patent/CN115049691A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050238244A1 (en) * | 2004-04-26 | 2005-10-27 | Canon Kabushiki Kaisha | Function approximation processing method and image processing method |
CN101261685A (zh) * | 2008-01-31 | 2008-09-10 | 浙江工业大学 | 基于图像矢量化技术的服装样片自动录入装置 |
CN101814196A (zh) * | 2010-03-09 | 2010-08-25 | 浙江大学 | 基于图片的三维动漫玩具设计方法 |
CN107679333A (zh) * | 2017-10-19 | 2018-02-09 | 大连理工大学 | 一种二维拓扑优化结果几何重构的方法 |
CN109800507A (zh) * | 2019-01-22 | 2019-05-24 | 西安电子科技大学 | 一种对散热冷板拓扑边界二次形状优化设计方法 |
CN113268842A (zh) * | 2021-06-18 | 2021-08-17 | 西安交通大学 | 一种像素式拓扑优化结果的高保真矢量图转换方法 |
CN113486904A (zh) * | 2021-07-02 | 2021-10-08 | 长春理工大学 | 一种特征自适应激光扫描投影图形控制点提取及优化方法 |
Non-Patent Citations (3)
Title |
---|
YAN ZHOU ET AL.: "Two-scale buckling topology optimization for grid-stiffened cylindrical shells", 《THIN–WALLED STRUCTURES》, 3 April 2020 (2020-04-03), pages 1 - 12 * |
刘晶 等: "基于工业CT图像的轮廓控制点优化提取", 《机械工程学报》, vol. 42, no. 10, 31 October 2006 (2006-10-31), pages 182 - 185 * |
张国锋: "基于变密度法的结构拓扑优化敏度过滤及后处理方法研究", 《中国优秀硕士学位论文全文数据库工程科技II.辑》, no. 02, 15 February 2022 (2022-02-15), pages 12 - 22 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2017235889B2 (en) | Digitizing physical sculptures with a desired control mesh in 3d | |
CN105678683A (zh) | 一种三维模型的二维存储方法 | |
CN105528485A (zh) | 一种从位图自动轮廓提取及路径生成的方法 | |
CN115512073A (zh) | 基于可微分渲染下多阶段训练的三维纹理网格重建方法 | |
CN111581776A9 (zh) | 一种基于几何重建模型的等几何分析方法 | |
CN112307553A (zh) | 一种对三维道路模型进行提取与简化的方法 | |
CN111210520A (zh) | 一种用于实物模型的逆向成形方法及系统 | |
CN112712860B (zh) | 一种基于真实金相图结构的晶粒有限元模型建模方法 | |
Meyer et al. | Segmentation of 3D triangulated data points using edges constructed with a C1 discontinuous surface fitting | |
CN108898679A (zh) | 一种零部件序号自动标注的方法 | |
CN103559721B (zh) | 一种基于图像梯度的三角剖分快速图像融合方法 | |
CN115049691A (zh) | 一种基于图像技术的二维结构模型重构方法及系统 | |
CN108763767B (zh) | 面向vr引擎的大数据量igs工业模型polygon转换方法 | |
CN115366568B (zh) | 一种自适应橄榄核随形雕刻方法与系统 | |
CN116310753A (zh) | 一种室外场景点云数据的矢量化骨架提取方法及系统 | |
CN116309284A (zh) | 坡面顶/底线提取系统及方法 | |
CN112330659B (zh) | 结合lsd直线检测和连通域标记法的几何公差符号分割方法 | |
CN111932566B (zh) | 一种模型轮廓图生成方法、装置和系统 | |
CN110853146B (zh) | 浮雕建模方法、系统及浮雕加工设备 | |
CN114692661A (zh) | 二维码识别方法、存储介质和计算机 | |
CN107680111A (zh) | 一种基于灰度图像的加工区域提取方法 | |
CA2372882C (en) | System and method for the industrialization of parts | |
Renchin-Ochir et al. | A Study of Segmentation Algorithm for Decoration of Statue Based on Curve Skeleton | |
CN116778095B (zh) | 一种基于人工智能的三维重建方法 | |
CN112164009B (zh) | 基于两层全连接条件随机场模型的深度图结构修复方法 |
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 |