CN115409950A - 一种面绘制三角网格的优化方法 - Google Patents

一种面绘制三角网格的优化方法 Download PDF

Info

Publication number
CN115409950A
CN115409950A CN202211224047.7A CN202211224047A CN115409950A CN 115409950 A CN115409950 A CN 115409950A CN 202211224047 A CN202211224047 A CN 202211224047A CN 115409950 A CN115409950 A CN 115409950A
Authority
CN
China
Prior art keywords
triangular
triangular mesh
vertex
neighborhood
mesh
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
Application number
CN202211224047.7A
Other languages
English (en)
Other versions
CN115409950B (zh
Inventor
李在林
王杉杉
吴梦麟
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.)
Kaben Shenzhen Medical Equipment Co ltd
Original Assignee
Kaben Shenzhen Medical Equipment 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 Kaben Shenzhen Medical Equipment Co ltd filed Critical Kaben Shenzhen Medical Equipment Co ltd
Priority to CN202211224047.7A priority Critical patent/CN115409950B/zh
Publication of CN115409950A publication Critical patent/CN115409950A/zh
Application granted granted Critical
Publication of CN115409950B publication Critical patent/CN115409950B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T17/205—Re-meshing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Generation (AREA)

Abstract

本发明公开了一种面绘制三角网格的优化方法，包括：使用Marching Cubes算法从体数据中提取三角网格；对三角网格进行预处理，剔除导致三角网格为非流形的面；对完成预处理的三角网格进行预平滑处理；对完成预平滑处理的三角网格进行三角面法线双边滤波处理，获得新的三角面法线，并根据新的三角面法线更新三角网格的顶点位置，取得最终的三角网格优化结果。实现降低重建出的三角网格的噪声并提高分辨率，提高复杂数据（人体骨骼）三角网格的优化效果。

Description

一种面绘制三角网格的优化方法
技术领域
本发明涉及医学可视化领域，更具体地，涉及一种面绘制三角网格的优化方法。
背景技术
在医学可视化领域中，面绘制技术是一种使用广泛的可视化技术。目前面绘制技术一般采用Marching Cubes算法，该算法从三维的体数据中提取出等值面，即重建出三角网格。然而该算法往往由于原始体数据的质量较低而导致重建出的三角网格存在以下不足：噪声大、分辨率不足（阶梯状）。三角网格的质量直接关系到面绘制算法的可视化的效果，如何得到高质量的三角网格是一个很重要的问题。
发明内容
本发明的目的是提出一种面绘制三角网格的优化方法，实现降低重建出的三角网格的噪声并提高分辨率，提高复杂数据（人体骨骼）三角网格的优化效果。
为实现上述目的，本发明提出了一种面绘制三角网格的优化方法，包括：
使用Marching Cubes算法从体数据中提取三角网格；
对所述三角网格进行预处理，剔除导致所述三角网格为非流形的面；
对完成预处理的所述三角网格进行预平滑处理；
对完成预平滑处理的所述三角网格进行三角面法线双边滤波处理，获得新的三角面法线，并根据所述新的三角面法线更新三角网格的顶点位置，取得最终的三角网格优化结果。
可选地，所述使用Marching Cubes算法从体数据中提取三角网格包括：
采用基于GPU加速的Marching Cubes算法从3d体数据中提取出三角网格。
可选地，所述对所述三角网格进行预处理，剔除导致所述三角网格为非流形的面，包括：
逐个添加三角面并判断所述三角面是否满足流形条件，若不满足则剔除添加的三角面；所述流形条件为流形三角网格的边最多属于两个三角面。
可选地，在对所述三角网格进行预处理的过程中，还包括：
将完成预处理的三角网格的顶点信息、三角面信息以及邻域信息存储在连续的GPU内存中，后续步骤的预平滑处理、法线双边滤波处理以及更新三角网格的顶点位置均使用GPU并行加速技术进行相关计算。
可选地，所述对完成预处理的所述三角网格进行预平滑处理包括：
计算三角网格的顶点的法线；
对三角网格的顶点坐标进行均值平滑处理；
去除法线方向位移，获得三角网格的顶点新的坐标。
可选地，所述计算三角网格的顶点的法线，通过以下公式实现：
Figure 100002_DEST_PATH_IMAGE002
（1）
其中：
Figure 100002_DEST_PATH_IMAGE004
为三角网格顶点的法线，
Figure 100002_DEST_PATH_IMAGE006
是顶点的三角面邻域，
Figure 100002_DEST_PATH_IMAGE008
为邻域三角面的面积，
Figure 100002_DEST_PATH_IMAGE010
为邻域三角面的法线向量。
可选地，所述对三角网格的顶点坐标进行均值平滑处理，通过以下公式实现：
Figure 100002_DEST_PATH_IMAGE012
（2）
其中：
Figure 100002_DEST_PATH_IMAGE014
为三角网格顶点的平滑位置坐标，
Figure 100002_DEST_PATH_IMAGE016
为顶点的顶点邻域，
Figure 100002_DEST_PATH_IMAGE018
为邻域顶点的位置坐标。
可选地，所述去除法线方向位移，获得三角网格的顶点新的坐标，通过以下公式实现：
Figure 100002_DEST_PATH_IMAGE020
（3）
其中：
Figure 100002_DEST_PATH_IMAGE022
为三角网格的顶点新的位置坐标，
Figure 242712DEST_PATH_IMAGE014
为顶点的平滑位置坐标，
Figure 100002_DEST_PATH_IMAGE024
为顶点的原始位置坐标，
Figure 100002_DEST_PATH_IMAGE026
为顶点的法线向量。
可选地，所述三角面法线双边滤波处理，通过以下公式实现：
Figure 100002_DEST_PATH_IMAGE028
（4）
其中：
Figure 100002_DEST_PATH_IMAGE030
为三角网格新的三角面法线，
Figure 100002_DEST_PATH_IMAGE032
为三角面的面邻域，
Figure 100002_DEST_PATH_IMAGE034
为邻域三角面法线权重，
Figure 100002_DEST_PATH_IMAGE036
为邻域三角面法线向量；
Figure 100002_DEST_PATH_IMAGE038
其中，
Figure 100002_DEST_PATH_IMAGE040
为邻域三角面的重心，
Figure 100002_DEST_PATH_IMAGE042
为被更新三角面的重心，
Figure 100002_DEST_PATH_IMAGE044
为高斯滤波方差；
Figure 89839DEST_PATH_IMAGE036
为邻域三角面的法线向量，k表示邻域内遍历，
Figure 23160DEST_PATH_IMAGE004
为被更新三角面的法线向量，
Figure 100002_DEST_PATH_IMAGE046
为高斯滤波方差；
Figure 100002_DEST_PATH_IMAGE048
。
可选地，所述根据所述新的三角面法线更新三角网格的顶点位置，通过以下公式实现：
Figure 100002_DEST_PATH_IMAGE050
（5）
其中：
Figure 475394DEST_PATH_IMAGE006
为顶点的三角面邻域，
Figure 100002_DEST_PATH_IMAGE052
为顶点的邻域三角面，
Figure 100002_DEST_PATH_IMAGE054
为邻域三角面的边；
Figure 100002_DEST_PATH_IMAGE056
为三角网格的顶点新的位置坐标,
Figure 100002_DEST_PATH_IMAGE058
为顶点的原位置坐标,
Figure 100002_DEST_PATH_IMAGE060
为邻域三角面顶点的位置坐标，
Figure 100002_DEST_PATH_IMAGE062
为邻域三角面的法线向量。
本发明的有益效果在于：
本发明的优化方法首先使用Marching Cubes算法从体数据中提取三角网格，然后对所述三角网格进行预处理，剔除导致所述三角网格为非流形的面，之后对完成预处理的所述三角网格进行预平滑处理，以及对完成预平滑处理的所述三角网格进行三角面法线双边滤波处理，获得新的三角面法线，并根据所述新的三角面法线更新三角网格的顶点位置，取得最终的三角网格优化结果，可以降低重建出的三角网格的噪声并提高分辨率，完成对复杂数据（人体骨骼）三角网格的优化，取得更佳的三角网格重建结果。
本发明的系统具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，在本发明示例性实施例中，相同的参考标号通常代表相同部件。
图1示出了根据本发明的一种面绘制三角网格的优化方法的步骤图。
图2示出了现有算法与本发明方法的人体骨骼重建对比效果图。
具体实施方式
本发明提出一种快速且高质量的面绘制三角网格后处理技术，该技术包含了GPU并行加速技术，在实际场景中可以完成对复杂数据（人体骨骼）三角网格的优化，取得较佳的结果。
下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施例，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
实施例
如图1所示，一种面绘制三角网格的优化方法，包括：
S1：使用Marching Cubes算法从体数据中提取三角网格；
具体地，Marching Cubes是一种非常经典的三角网格生成算法，本实施例中采用基于GPU加速的Marching Cubes算法从一组3d体数据中提取出等值面即三角网格。
S2：对所述三角网格进行预处理，剔除导致所述三角网格为非流形的面；
具体地，满足流形条件的三角网格的边只能最多属于两个三角面，逐个添加三角面并判断是否满足该条件，若不满足则剔除该三角面。
同时，为了便于GPU并行加速，将三角网格的顶点信息，三角面的信息，邻域信息进行存储在连续的GPU内存中，后续步骤的相关计算可以很容易地使用并行加速技术进行计算。
S3：对完成预处理的所述三角网格进行预平滑处理；
具体地，本步骤具体包括：
1） 计算顶点的法线：
Figure 514763DEST_PATH_IMAGE002
,
其中：
Figure 571888DEST_PATH_IMAGE006
是顶点的三角面邻域，
Figure 777741DEST_PATH_IMAGE008
为邻域三角面的面积，
Figure 160181DEST_PATH_IMAGE010
为邻域三角面的法线向量。
2）进行均值平滑处理：
Figure DEST_PATH_IMAGE064
其中：
Figure 403075DEST_PATH_IMAGE014
为顶点的平滑位置坐标，
Figure 113542DEST_PATH_IMAGE016
为顶点的顶点邻域，
Figure 434670DEST_PATH_IMAGE018
为邻域顶点的位置坐标。
3）去除法线方向位移：
Figure 392656DEST_PATH_IMAGE020
其中：
Figure 790139DEST_PATH_IMAGE022
为三角网格的顶点新的位置坐标，
Figure 863268DEST_PATH_IMAGE014
为顶点的平滑位置坐标，
Figure 269979DEST_PATH_IMAGE024
为顶点的原始位置坐标，
Figure 813961DEST_PATH_IMAGE026
为顶点的法线向量。
S4：对完成预平滑处理的所述三角网格进行三角面法线双边滤波处理，获得新的三角面法线，并根据所述新的三角面法线更新三角网格的顶点位置，取得最终的三角网格优化结果。
具体地，本步骤具体包括：
1）法线双边滤波：
Figure 851188DEST_PATH_IMAGE028
其中：
Figure 270668DEST_PATH_IMAGE030
为三角网格新的三角面法线，
Figure 949911DEST_PATH_IMAGE032
为三角面的三角面邻域，
Figure 646602DEST_PATH_IMAGE034
为邻域三角面法线权重，
Figure 57992DEST_PATH_IMAGE036
为邻域三角面法线向量
Figure DEST_PATH_IMAGE038A
其中，
Figure 403916DEST_PATH_IMAGE040
为邻域三角面的重心，
Figure 293375DEST_PATH_IMAGE042
为被更新三角面的重心，
Figure 359420DEST_PATH_IMAGE044
为高斯滤波方差，可取经验值如三角网格平均边长；
Figure 941711DEST_PATH_IMAGE036
为邻域三角面的法线向量，k表示邻域内遍历，
Figure 211149DEST_PATH_IMAGE004
为被更新三角面的法线向量，
Figure 327135DEST_PATH_IMAGE046
为高斯滤波方差，可取经验值如
Figure DEST_PATH_IMAGE066
；
Figure 919790DEST_PATH_IMAGE048
。
2）更新三角面顶点位置：
Figure DEST_PATH_IMAGE068
其中：
Figure 813928DEST_PATH_IMAGE006
为顶点的三角面邻域，
Figure 69198DEST_PATH_IMAGE052
为顶点的邻域三角面，
Figure 566038DEST_PATH_IMAGE054
为邻域三角面的边；
Figure 341096DEST_PATH_IMAGE056
为三角网格的顶点新的位置坐标,
Figure 265190DEST_PATH_IMAGE022
为顶点的原位置坐标,
Figure 509221DEST_PATH_IMAGE060
为邻域三角面顶点的位置坐标，
Figure 544173DEST_PATH_IMAGE062
为邻域三角面的法线向量。
图2中a示出了现有的基于Marching Cubes算法获得的人体骨骼重建图，图2中b示出了本实施例的一种面绘制三角网格的优化方法获得的人体骨骼重建图，通过对比图2的a和b可知，本发明的面绘制三角网格的优化方法重建出的人体骨骼结构图像的噪声更小，分辨率更高，人体骨骼重建效果更佳。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (10)

1.一种面绘制三角网格的优化方法，其特征在于，包括：
使用Marching Cubes算法从体数据中提取三角网格；
对所述三角网格进行预处理，剔除导致所述三角网格为非流形的面；
对完成预处理的所述三角网格进行预平滑处理；
对完成预平滑处理的所述三角网格进行三角面法线双边滤波处理，获得新的三角面法线，并根据所述新的三角面法线更新三角网格的顶点位置，取得最终的三角网格优化结果。
2.根据权利要求1所述的优化方法，其特征在于，所述使用Marching Cubes算法从体数据中提取三角网格包括：
采用基于GPU加速的Marching Cubes算法从3d体数据中提取出三角网格。
3.根据权利要求1所述的优化方法，其特征在于，所述对所述三角网格进行预处理，剔除导致所述三角网格为非流形的面，包括：
逐个添加三角面并判断所述三角面是否满足流形条件，若不满足则剔除添加的三角面；所述流形条件为流形三角网格的边最多属于两个三角面。
4.根据权利要求3所述的优化方法，其特征在于，在对所述三角网格进行预处理的过程中，还包括：
将完成预处理的三角网格的顶点信息、三角面信息以及邻域信息存储在连续的GPU内存中，后续步骤的预平滑处理、法线双边滤波处理以及更新三角网格的顶点位置均使用GPU并行加速技术进行相关计算。
5.根据权利要求1所述的优化方法，其特征在于，所述对完成预处理的所述三角网格进行预平滑处理包括：
计算三角网格的顶点的法线；
对三角网格的顶点坐标进行均值平滑处理；
去除法线方向位移，获得三角网格的顶点新的坐标。
6.根据权利要求5所述的优化方法，其特征在于，所述计算三角网格的顶点的法线，通过以下公式实现：
Figure DEST_PATH_IMAGE002
（1）
其中：
Figure DEST_PATH_IMAGE004
为三角网格顶点的法线向量，
Figure DEST_PATH_IMAGE006
是顶点的三角面邻域，i表示邻域三角面的编号，
Figure DEST_PATH_IMAGE008
为邻域三角面的面积，
Figure DEST_PATH_IMAGE010
为邻域三角面的法线向量。
7.根据权利要求5所述的优化方法，其特征在于，所述对三角网格的顶点坐标进行均值平滑处理，通过以下公式实现：
Figure DEST_PATH_IMAGE012
（2）
其中：
Figure DEST_PATH_IMAGE014
为三角网格顶点的平滑位置坐标，
Figure DEST_PATH_IMAGE016
为顶点的顶点邻域，
Figure DEST_PATH_IMAGE018
为邻域顶点的位置坐标。
8.根据权利要求5所述的优化方法，其特征在于，所述去除法线方向位移，获得三角网格的顶点新的坐标，通过以下公式实现：
Figure DEST_PATH_IMAGE020
（3）
其中：
Figure DEST_PATH_IMAGE022
为三角网格的顶点新的位置坐标，
Figure 563488DEST_PATH_IMAGE014
为顶点的平滑位置坐标，
Figure DEST_PATH_IMAGE024
为顶点的原始位置坐标，
Figure DEST_PATH_IMAGE026
为顶点的法线向量。
9.根据权利要求1所述的优化方法，其特征在于，所述三角面法线双边滤波处理，通过以下公式实现：
Figure DEST_PATH_IMAGE028
Figure DEST_PATH_IMAGE030
（4）
其中：
Figure DEST_PATH_IMAGE032
为三角网格新的三角面法线，
Figure DEST_PATH_IMAGE034
为三角面的面邻域，
Figure DEST_PATH_IMAGE036
为邻域三角面法线权重，
Figure DEST_PATH_IMAGE038
为邻域三角面法线向量；
Figure DEST_PATH_IMAGE040
其中，
Figure DEST_PATH_IMAGE042
为邻域三角面的重心，
Figure DEST_PATH_IMAGE044
为被更新三角面的重心，
Figure DEST_PATH_IMAGE046
为高斯滤波方差；
Figure 778831DEST_PATH_IMAGE038
为邻域三角面的法线向量，k表示邻域内遍历，
Figure 89727DEST_PATH_IMAGE004
为被更新三角面的法线向量，
Figure DEST_PATH_IMAGE048
为高斯滤波方差；
Figure DEST_PATH_IMAGE050
。
10.根据权利要求8所述的优化方法，其特征在于，所述根据所述新的三角面法线更新三角网格的顶点位置，通过以下公式实现：
Figure DEST_PATH_IMAGE052
（5）
其中：
Figure 875149DEST_PATH_IMAGE006
为顶点的三角面邻域，
Figure DEST_PATH_IMAGE054
为顶点的邻域三角面，
Figure DEST_PATH_IMAGE056
为邻域三角面的边；
Figure DEST_PATH_IMAGE058
为三角网格的顶点新的位置坐标,
Figure 96046DEST_PATH_IMAGE022
为顶点的原位置坐标,
Figure DEST_PATH_IMAGE060
为邻域三角面顶点的位置坐标，
Figure DEST_PATH_IMAGE062
为邻域三角面的法线向量。
CN202211224047.7A 2022-10-09 2022-10-09 一种面绘制三角网格的优化方法 Active CN115409950B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211224047.7A CN115409950B (zh) 2022-10-09 2022-10-09 一种面绘制三角网格的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211224047.7A CN115409950B (zh) 2022-10-09 2022-10-09 一种面绘制三角网格的优化方法

Publications (2)

Publication Number Publication Date
CN115409950A true CN115409950A (zh) 2022-11-29
CN115409950B CN115409950B (zh) 2024-02-06

Family

ID=84167441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211224047.7A Active CN115409950B (zh) 2022-10-09 2022-10-09 一种面绘制三角网格的优化方法

Country Status (1)

Country Link
CN (1) CN115409950B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116977598A (zh) * 2023-09-22 2023-10-31 芯瑞微(上海)电子科技有限公司 三角网格数值仿真平滑化的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109906472A (zh) * 2016-10-31 2019-06-18 西门子产品生命周期管理软件公司 用于三维四边形占优面网格中的单元质量改进的系统和方法
CN111145357A (zh) * 2019-12-27 2020-05-12 苏州影加科技有限公司 一种高保真的三角网格平滑算法
CN111640188A (zh) * 2020-05-29 2020-09-08 中国地质大学（武汉） 基于Mumford-Shah算法框架的抗噪声三维网格优化方法
CN112085750A (zh) * 2020-09-15 2020-12-15 广东奥普特科技股份有限公司 一种三角网格的分割去噪方法
CN112529803A (zh) * 2020-12-10 2021-03-19 深圳市数字城市工程研究中心 一种保留特征的三维Mesh模型去噪方法
CN113155054A (zh) * 2021-04-15 2021-07-23 西安交通大学 面结构光自动化三维扫描规划方法
CN113178013A (zh) * 2021-05-24 2021-07-27 广东奥普特科技股份有限公司 三角网格滤波方法、装置、电子设备和存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109906472A (zh) * 2016-10-31 2019-06-18 西门子产品生命周期管理软件公司 用于三维四边形占优面网格中的单元质量改进的系统和方法
CN111145357A (zh) * 2019-12-27 2020-05-12 苏州影加科技有限公司 一种高保真的三角网格平滑算法
CN111640188A (zh) * 2020-05-29 2020-09-08 中国地质大学（武汉） 基于Mumford-Shah算法框架的抗噪声三维网格优化方法
CN112085750A (zh) * 2020-09-15 2020-12-15 广东奥普特科技股份有限公司 一种三角网格的分割去噪方法
WO2022057250A1 (zh) * 2020-09-15 2022-03-24 广东奥普特科技股份有限公司 三角网格的分割去噪方法
CN112529803A (zh) * 2020-12-10 2021-03-19 深圳市数字城市工程研究中心 一种保留特征的三维Mesh模型去噪方法
CN113155054A (zh) * 2021-04-15 2021-07-23 西安交通大学 面结构光自动化三维扫描规划方法
CN113178013A (zh) * 2021-05-24 2021-07-27 广东奥普特科技股份有限公司 三角网格滤波方法、装置、电子设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIANFANG SUN: "Fast and Effective Feature-Preserving Mesh Denoising", IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS, vol. 13, no. 5, pages 925 - 938, XP011187636, DOI: 10.1109/TVCG.2007.1065 *
徐磊;: "基于张量投票的网格平滑算法", 网络安全技术与应用, no. 07, pages 2 *
李智琦;毛心怡;汪俊;魏明强;郭延文;: "保持特征的三角网格曲面去噪技术综述与展望", 计算机辅助设计与图形学学报, no. 01, pages 5 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116977598A (zh) * 2023-09-22 2023-10-31 芯瑞微(上海)电子科技有限公司 三角网格数值仿真平滑化的方法
CN116977598B (zh) * 2023-09-22 2023-12-15 芯瑞微(上海)电子科技有限公司 三角网格数值仿真平滑化的方法

Also Published As

Publication number Publication date
CN115409950B (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
US20080238942A1 (en) Object-Based Image Inpainting
Lee et al. Feature-preserving mesh denoising via bilateral normal filtering
De-Maeztu et al. Near real-time stereo matching using geodesic diffusion
Guillemot et al. Non local point set surfaces
Arakeri et al. An effective and efficient approach to 3D reconstruction and quantification of brain tumor on magnetic resonance images
CN115409950A (zh) 一种面绘制三角网格的优化方法
CN108305268B (zh) 一种图像分割方法及装置
Bertalmío et al. Pde-based image and surface inpainting
Wang et al. A novel method for surface mesh smoothing: applications in biomedical modeling
Wu et al. An effective content-aware image inpainting method
CN108876711B (zh) 一种基于图像特征点的草图生成方法、服务器及系统
Hongying et al. Image completion by a fast and adaptive exemplar-based image inpainting
JP2007128467A (ja) 特徴稜線認識型メッシュスムージング手法
CN114187340A (zh) 应用于图像视频人脸皮肤纹理质感增强的方法及装置
Koepfler et al. Geometric multiscale representation of numerical images
CN113112596A (zh) 人脸几何模型提取、3d人脸重建方法、设备及存储介质
Yang et al. Evolution of T-spline level sets for meshing non-uniformly sampled and incomplete data
Vieira et al. Mesh denoising using quadric error metric
CN112907733A (zh) 重建三维模型的方法及装置和三维模型采集及重建系统
CN112464948A (zh) 一种基于仿生学的自然场景目标轮廓提取方法及系统
Renchin-Ochir et al. Hole-filling method for reconstructing separated arm models of the mongolian buddha statue for analyzing body shape of statues
CN107481314B (zh) 一种基于kd树的阴影体优化方法
Gui et al. Liver segmentation for CT images using an improved GGVF-snake
Shen et al. Structure Preserving Large Imagery Reconstruction
Bai et al. Octree grid topology preserving geometric deformable model for three-dimensional medical image segmentation

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