CN117115392B - 模型图像压缩方法、装置、计算机设备及可读存储介质 - Google Patents
模型图像压缩方法、装置、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN117115392B CN117115392B CN202311379877.1A CN202311379877A CN117115392B CN 117115392 B CN117115392 B CN 117115392B CN 202311379877 A CN202311379877 A CN 202311379877A CN 117115392 B CN117115392 B CN 117115392B
- Authority
- CN
- China
- Prior art keywords
- dimensional model
- points
- target
- sampling
- image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000007906 compression Methods 0.000 title claims abstract description 38
- 230000006835 compression Effects 0.000 title claims abstract description 38
- 238000005070 sampling Methods 0.000 claims abstract description 242
- 238000004590 computer program Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T17/205—Re-meshing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及模型优化领域,公开了一种模型图像压缩方法、装置、计算机设备及可读存储介质。模型图像压缩方法包括:获取存储空间中待更新的三维模型的图像;对三维模型的图像中所有点构成的集合进行采样,得到目标数量的三维模型的采样点;获取三维模型的每个未采样点的所有相邻采样点,并得到所有相邻采样点构成的集合;删除未采样点,并删除所有以未采样点为端点的第一目标边;基于相邻采样点构成的集合中的点,构建三维模型的第二目标边;基于第二目标边、三维模型的剩余边及目标数量的三维模型的采样点,得到压缩后的三维模型的图像;将压缩后的三维模型的图像更新至存储空间。通过减小三维模型的图像所需占用的存储空间,节省存储空间。
Description
技术领域
本发明涉及数据压缩、数据存储与三维模型处理的交叉领域,具体地涉及一种模型图像压缩方法、装置、计算机设备及可读存储介质。
背景技术
随着物理模型技术的快速发展,三维模型等物理模型被广泛应用于医疗、交通及工程等多种领域。为了快速构建三维模型,现有技术提供了一种基于神经辐射场(NeuralRadiance Field,NeRF)的神经网络,用于根据获取到的二维图像,生成三维模型的场景表示。同时,基于神经辐射场技术的神经网络还可以基于三维模型的场景表示,生成其他视角的二维图像。
为了便于将三维模型应用于不同的领域,通常会将生成三维模型的场景表示,转换为点云、网格及体素形式的三维模型。然而,现有技术对转换后的三维模型进行优化时,通常仅对三维模型的表面进行光滑化,并没有减小三维模型的空间体积。同时,转换后的三维模型本身包含了大量的点,导致三维模型的空间体积较大,导致了处理三维模型时需要占用大量的内存资源,对三维模型的处理效率低下。
发明内容
本发明的目的是提供一种设备,该设备用于解决三维模型需要占用大量的内存资源的问题。
为了实现上述目的,第一方面,本申请提供一种模型图像压缩方法,模型图像压缩方法包括:
获取存储空间中待更新的三维模型的图像;
对三维模型的图像中所有点构成的集合进行采样,得到目标数量的三维模型的采样点,其中,目标数量小于三维模型中所有点的数量;
获取三维模型的每个未采样点的所有相邻采样点,并得到所有相邻采样点构成的集合;
删除未采样点,并删除所有以未采样点为端点的第一目标边;
基于相邻采样点构成的集合中的点,构建三维模型的第二目标边;
基于第二目标边、三维模型的剩余边及目标数量的三维模型的采样点,得到压缩后的三维模型的图像;
将压缩后的三维模型的图像更新至存储空间。
结合第一方面,在第一种可能的实现方式中,基于相邻采样点构成的集合中的点,构建三维模型的第二目标边,包括:
将相邻采样点构成的集合中与未采样点最近的点确定为第一目标采样点;
将相邻采样点构成的集合中除第一目标采样点以外的点,确定为第二目标采样点;
在第一目标采样点与第二目标采样点之间不存在边的情况下,将目标采样点与相邻采样点构成的集合中除目标采样点以外的点连接,构建三维模型的第二目标边。
结合第一方面,在第二种可能的实现方式中,基于第二目标边、三维模型的剩余边及目标数量的三维模型的采样点,得到压缩后的三维模型的图像之后,还包括:
获取压缩后的三维模型的图像的所有点;
针对压缩后的三维模型的图像的所有点中每一点,将每一点以及与每一点之间存在边的其他点确定为同一个簇;
将点的数量最多的簇确定为目标簇,基于目标簇中的点以及与以目标簇中的点为端点的边,更新压缩后的三维模型的图像。
结合第一方面,在第三种可能的实现方式中,基于第二目标边、三维模型的剩余边及目标数量的三维模型的采样点,得到压缩后的三维模型的图像之后,还包括:
调整压缩后的三维模型的图像顶点位置,以对压缩后的三维模型的图像进行光滑化。
结合第一方面的第三种可能的实现方式,在第四种可能的实现方式中,调整压缩后的三维模型的图像顶点位置,以对压缩后的三维模型的图像进行光滑化,包括:
获取压缩后的三维模型的图像所有顶点,并确定每个顶点的位置;
将每个顶点的所有相邻顶点的平均位置,确定为每个顶点的目标位置;
将每个顶点的位置调整至目标位置,以对压缩后的三维模型的图像进行光滑化。
结合第一方面,在第五种可能的实现方式中,对三维模型的图像中所有点构成的集合进行采样,得到目标数量的三维模型的采样点,包括:
将三维模型的图像中所有点构成的集合采样至第一集合;
将第一集合的其中一个点放入第二集合;
将第一集合中与第二集合距离最远的剩余的点放入第二集合,直到第二集合中的点的数量等于目标数量;
将第二集合中的点,确定为三维模型的采样点。
结合第一方面,在第六种可能的实现方式中,对三维模型的图像中所有点构成的集合进行采样,得到目标数量的三维模型的采样点,包括:
计算三维模型的图像中所有点构成的集合中每个点与每个点的相邻点的夹角值;
将夹角值大于目标夹角值的点放入第一区域,并将夹角值小于或等于目标夹角值的点放入至第二区域;
在第一区域采样第一数量的点,并在第二区域采样第二数量的点,得到三维模型的采样点,其中,第一数量与第二数量之和等于目标数量。
第二方面,本申请提供一种模型图像压缩装置,模型图像压缩装置包括:
图像获取模块,用于获取存储空间中待更新的三维模型的图像;
采样模块,用于对三维模型的图像中所有点构成的集合进行采样,得到目标数量的三维模型的采样点,其中,目标数量小于三维模型中所有点的数量;
采样点确定模块,用于获取三维模型的每个未采样点的所有相邻采样点,并得到所有相邻采样点构成的集合;
采样点删除模块,用于删除未采样点,并删除所有以未采样点为端点的第一目标边;
目标边构建模块,用于基于相邻采样点构成的集合中的点,构建三维模型的第二目标边;
模型压缩模块,用于基于第二目标边、三维模型的剩余边及目标数量的三维模型的采样点,得到压缩后的三维模型的图像;
图像存储模块,用于将压缩后的三维模型的图像更新至存储空间。
第三方面,本申请提供一种计算机设备,计算机设备包括存储器及处理器,存储器存储有计算机程序,计算机程序在处理器执行时,实现如第一方面的模型图像压缩方法。
第四方面,本申请提供一种机器可读存储介质,机器可读存储介质上存储有计算机程序,计算机程序被处理器执行时,实现如第一方面的模型图像压缩方法。
本申请提供了一种模型图像压缩方法,模型图像压缩方法包括:获取存储空间中待更新的三维模型的图像;对三维模型的图像中所有点构成的集合进行采样,得到目标数量的三维模型的采样点;获取三维模型的每个未采样点的所有相邻采样点,并得到所有相邻采样点构成的集合;删除未采样点,并删除所有以未采样点为端点的第一目标边;基于相邻采样点构成的集合中的点,构建三维模型的第二目标边;基于第二目标边、三维模型的剩余边及目标数量的三维模型的采样点,得到压缩后的三维模型的图像;将压缩后的三维模型的图像更新至存储空间。更新至存储空间中的压缩后的三维模型的图像在尽可能保留三维模型的图像数据特征的前提下减小了三维模型的图像中点和边的数量。更新至存储空间中的压缩后的三维模型的图像体积得到减小,即减小了三维模型的图像所需占用的存储空间,节省存储空间。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1示出了本申请实施例提供的模型图像压缩方法的第一种流程图;
图2示出了本申请实施例提供的三维模型中的一个面的第一种示例图;
图3示出了本申请实施例提供的三维模型中的一个面的第二种示例图;
图4示出了本申请实施例提供的三维模型中的一个面的第三种示例图;
图5示出了本申请实施例提供的模型图像压缩方法的第二种流程图;
图6示出了本申请实施例提供的模型图像压缩装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
实施例1
请参阅图1,图1示出了本申请实施例提供的模型图像压缩方法的第一种流程图。图1中的模型图像压缩方法包括:
S110,获取存储空间中待更新的三维模型的图像;
预先对目标对象进行建模,得到目标对象的三维模型,其中,目标对象是根据实际需求设置,可以是作业设备,也可以人体结构等,在此不做限定。将三维模型的图像存储至存储空间,当需要对三维模型的图像进行更新时,获取存储空间中待更新的三维模型的图像。
S120,对三维模型的图像中所有点构成的集合进行采样,得到目标数量的三维模型的采样点,其中,目标数量小于三维模型中所有点的数量。
三维模型的类型是根据实际需求设置,在此不做限定。为便于理解,本申请的实施例中三维模型的类型为网格模型(mesh model),用于将物理模型表达为由点、边及面组成的网格结构。由于三维模型的图像由点、边及面组成,遍历三维模型的图像中所有点,进而对三维模型的图像中所有点构成的集合进行采样,将高维度的三维模型转换为低维度的表达形式,便于对三维模型进行处理和分析。由于三维模型中存在着大量的点,对三维模型的所有点构成的集合进行采样,采样得到目标数量的三维模型的采样点,其中,目标数量小于三维模型中所有点的数量,且目标数量的数值是根据实际需求设置的,可以是3000个,也可以是4000个,在此不做限定。
本申请的实施例中,对三维模型的图像中所有点构成的集合进行采样,得到目标数量的三维模型的采样点,包括:
将三维模型的图像中所有点构成的集合采样至第一集合;
将第一集合的其中一个点放入第二集合;
将第一集合中与第二集合距离最远的剩余的点放入第二集合,直到第二集合中的点的数量等于目标数量;
将第二集合中的点,确定为三维模型的采样点。
将三维模型的图像中所有点构成的集合采样至第一集合,并初始化第二集合。将第一集合的其中一个点确定为种子点,并将种子点放入至第二集合。将第一集合中与第二集合距离最远的剩余的点放入第二集合。具体地,计算第一集合中每个剩余点与第二集合的距离,将与第二集合的距离最远的点确定为待采样点。将待采样点放入至第二集合,并更新第一集合,以将待采样点从第一集合中去除。依次将第一集合中剩余的点放入至第二集合,直到第二集合中点的数量等于目标数量。将第二集合中的点,确定为三维模型的采样点,得到目标数量的采样点。通过对三维模型进行均匀采样,得到目标数量的均匀分布的采样点。
本申请的实施例中,对三维模型的图像中所有点构成的集合进行采样,得到目标数量的三维模型的采样点,包括:
计算三维模型的图像中所有点构成的集合中每个点与每个点的相邻点的夹角值;
将夹角值大于目标夹角值的点放入第一区域,并将夹角值小于或等于目标夹角值的点放入至第二区域;
在第一区域采样第一数量的点,并在第二区域采样第二数量的点,得到三维模型的采样点,其中,第一数量与第二数量之和等于目标数量。
计算三维模型的图像中每个点与每个点的相邻点的夹角值,其中,点与点的相邻点的曲率越大,则点与点的相邻点的夹角值越大。预先确定一个目标夹角值,其中,夹角值的数值是根据实际需求设置的,在此不做限定。为便于理解,本申请的实施例中目标交集值为5度。
将夹角值大于目标夹角值的点放入第一区域,并将夹角值小于或等于目标夹角值的点放入至第二区域,进而将三维模型的点分布至两个区域。在第一区域采样第一数量的点,并在第二区域采样第二数量的点,得到三维模型的采样点,其中,第一数量与第二数量之和等于目标数量。为便于理解,本申请的实施例中记目标数量为S。为了对三维模型进行均匀采样,记采样均匀性为U。利用采样均匀性确定第一区域的采样点数量,并确定第二区域的采样点数量,以对三维模型进行均匀采样。本申请的实施例中第一数量为S*(1-U),第二数量为S*U。通过对三维模型进行几何采样,使得到的采样点具有高抗噪性。
S130,获取三维模型的每个未采样点的所有相邻采样点,并得到所有相邻采样点构成的集合。
对三维模型的图像中所有点构成的集合进行采样时,采样了目标数量的采样点,而不是对三维模型的图像中所有点均进行采样,三维模型中存在着未被采样的未采样点。获取三维模型的未采样点。遍历所有的未采样点,确定每个未采样点相邻的相邻采样点构成的集合。
S140,删除未采样点,并删除所有以未采样点为端点的第一目标边。
请参阅图2,图2示出了本申请实施例提供的三维模型中的一个面的第一种示例图。
图中示出了三维模型的一个面,且为便于理解,本申请的实施例中点P为未采样点,点P1、点P2、点P3、点P4及点P5为未采样点相邻的采样点,且点P4为未采样点相邻的目标采样点。删除未采样点,即删除点P,降低处理三维模型时所需处理的点的数量,进而降低处理三维模型时占用的内存资源,提高对三维模型的处理效率。
请参阅图3,图3示出了本申请实施例提供的三维模型中的一个面的第二种示例图。
边P1-P、边P2-P、边P3-P、边P4-P及边P5-P均为以点P为端点的第一目标边,删除所有以未采样点为端点的第一目标边,得到如图所示的多边形。通过减少三维模型的边的数量,调整三维模型的面,进而压缩三维模型的空间体积,提高对三维模型的处理效率。
S150,基于相邻采样点构成的集合中的点,构建三维模型的第二目标边。
删除所有以未采样点为端点的第一目标边之后,以每个相邻采样点构成的集合中点为端点,构建三维模型新的且不重复的第二目标边,进而得到不以未采样点为端点的边。通过构建三维模型的边,以重新构建新的三维模型,压缩三维模型的空间体积。
本申请的实施例中,基于相邻采样点构成的集合中的点,构建三维模型的第二目标边,包括:
将相邻采样点构成的集合中与未采样点最近的点确定为第一目标采样点;
将相邻采样点构成的集合中除第一目标采样点以外的点,确定为第二目标采样点;
在第一目标采样点与第二目标采样点之间不存在边的情况下,将目标采样点与相邻采样点构成的集合中除目标采样点以外的点连接,构建三维模型的第二目标边。
请参阅图4,图4示出了本申请实施例提供的三维模型中的一个面的第三种示例图。
在未采样点存在多个相邻的采样点的情况下,将与未采样点距离最近的相邻的采样点确定为第一目标采样点。边P1-P、边P2-P、边P3-P、边P4-P及边P5-P均为以点P为端点的第一目标边。删除第一目标边之后,将目标采样点与相邻采样点构成的集合中除目标采样点以外的点连接,构建三维模型的第二目标边。具体地,确定点P1、点P2、点P3、点P4及点P5均为相邻采样点构成的集合中的点,且点P4为第一目标采样点。将相邻采样点构成的集合中除第一目标采样点以外的点,确定为第二目标采样点,在第一目标采样点与第二目标采样点之间不存在边的情况下,将目标采样点与相邻采样点构成的集合中除目标采样点以外的点连接,构建三维模型的第二目标边。本申请的实施例中,由于边P4-P5和边P4-P3未被删除,构建得到第二目标边为边P4-P1和边P4-P2。
S160,基于第二目标边、三维模型的剩余边及目标数量的三维模型的采样点,得到压缩后的三维模型的图像。
通常会以每个目标采样点为端点,得到多条第二目标边。由于三维模型的图像由点、边及面组成,基于第二目标边、三维模型的剩余边及目标数量的三维模型的采样点,得到压缩后的三维模型的图像。通过删除三维模型的未采样点和以未采样点为端点的边,压缩三维模型的空间体积,降低了处理三维模型时所占用的内存资源,进而提高了对三维模型的处理效率。
S170,将压缩后的三维模型的图像更新至存储空间。
将压缩后的三维模型的图像更新至存储空间。更新至存储空间中的压缩后的三维模型的图像在尽可能保留三维模型的图像数据特征的前提下减小了三维模型的图像中点和边的数量。更新至存储空间中的压缩后的三维模型的图像体积得到减小,即减小了三维模型的图像所需占用的存储空间,节省存储空间。将压缩后的三维模型的图像更新至存储空间,当需要对三维模型的图像进行修改等处理时,可调用存储空间压缩后的三维模型的图像,减少了需要处理的点和边的数量,提高了对三维模型的处理效率。
本申请的实施例中,基于第二目标边、三维模型的剩余边及目标数量的三维模型的采样点,得到压缩后的三维模型的图像之后,还包括:
获取压缩后的三维模型的图像的所有点;
针对压缩后的三维模型的图像的所有点中每一点,将每一点以及与每一点之间存在边的其他点确定为同一个簇;
将点的数量最多的簇确定为目标簇,基于目标簇中的点以及与以目标簇中的点为端点的边,更新压缩后的三维模型的图像。
对三维模型的图像的空间体积进行压缩,得到压缩后的三维模型的图像之后,压缩后的三维模型的图像中存在着孤立的噪声点。获取压缩后的三维模型的图像中的所有点。针对压缩后的三维模型的图像中的所有点中每一点,将每一点以及与每一点之间存在边的其他点确定为同一个簇。将点的数量最多的簇确定为目标簇,基于目标簇中的点以及与以目标簇中的点为端点的边,更新压缩后的三维模型的图像。将点的数量最多的簇确定为目标簇,删除目标簇以外的所有簇,更新压缩后的三维模型的图像。只保留点的数量最多的目标簇,在去除三维模型的图像噪声点的同时,保留三维模型的图像主要特征,进一步降低处理压缩后的三维模型的图像所占用的内存资源,提高对三维模型的图像处理效率。
请参阅图5,图5示出了本申请实施例提供的模型图像压缩方法的第二种流程图。
本申请的实施例中,基于第二目标边、三维模型的剩余边及目标数量的三维模型的采样点,得到压缩后的三维模型之后,还包括:
S161,调整压缩后的三维模型的图像顶点位置,以对压缩后的三维模型的图像进行光滑化。
通常三维模型的图像中存在凹陷度较高和尖锐度较高的特征,需要对三维模型的图像进行局部调整。具体地,获取压缩后的三维模型的图像所有顶点位置,调整每个顶点位置,以去除三维模型中凹陷度较高和尖锐度较高的特征,对压缩后的三维模型的图像表面进行光滑化,进而将光滑化的缩后的三维模型的图像更新至存储空间。
本申请的实施例中,调整压缩后的三维模型的图像顶点位置,以对压缩后的三维模型的图像进行光滑化,包括:
获取压缩后的三维模型的图像所有顶点,并确定每个顶点的位置;
将每个顶点的所有相邻顶点的平均位置,确定为每个顶点的目标位置;
将每个顶点的位置调整至目标位置,以对压缩后的三维模型的图像进行光滑化。
遍历压缩后的三维模型的图像所有点,获取压缩后的三维模型的图像所有顶点,并确定每个顶点的位置。基于每个顶点的所有相邻顶点的位置,确定每个顶点的目标位置。具体地,构建顶点的位置集,并获取顶点的所有相邻顶点的位置集。将每个相邻顶点的位置添加至相邻顶点的位置集中,并根据相邻顶点的数量和相邻顶点的位置集,计算相邻顶点的平均位置。
将相邻顶点的平均位置确定为顶点的目标位置,并将目标位置添加至顶点的位置集。根据顶点的位置集,将每个顶点的位置调整至目标位置,以去除三维模型的图像中凹陷度较高和尖锐度较高的特征,对压缩后的三维模型的图像进行光滑化。
需要理解的是,还可以通过其他的步骤确定每个顶点的目标位置,例如根据顶点的相邻点构成面的法线,确定目标位置。其他的步骤是根据实际需求设置的,在此不做限定。
本申请提供了一种模型图像压缩方法,模型图像压缩方法包括:获取存储空间中待更新的三维模型的图像;对三维模型的图像中所有点构成的集合进行采样,得到目标数量的三维模型的采样点;获取三维模型的每个未采样点的所有相邻采样点,并得到所有相邻采样点构成的集合;删除未采样点,并删除所有以未采样点为端点的第一目标边;基于相邻采样点构成的集合中的点,构建三维模型的第二目标边;基于第二目标边、三维模型的剩余边及目标数量的三维模型的采样点,得到压缩后的三维模型的图像;将压缩后的三维模型的图像更新至存储空间。压缩后的三维模型的图像在尽可能保留三维模型的图像数据特征的前提下减小了三维模型的图像体积,即减小三维模型的图像所需占用的存储空间,节省存储空间。
实施例2
请参阅图6,图6示出了本申请实施例提供的模型图像压缩装置的结构示意图。图6中的模型图像压缩装置200包括:
图像获取模块210,用于获取存储空间中待更新的三维模型的图像;
采样模块220,用于对三维模型的图像中所有点构成的集合进行采样,得到目标数量的三维模型的采样点,其中,目标数量小于三维模型中所有点的数量;
采样点确定模块230,用于获取三维模型的每个未采样点的所有相邻采样点,并得到所有相邻采样点构成的集合;
采样点删除模块240,用于删除未采样点,并删除所有以未采样点为端点的第一目标边;
目标边构建模块250,用于基于相邻采样点构成的集合中的点,构建三维模型的第二目标边;
模型压缩模块260,用于基于第二目标边、三维模型的剩余边及目标数量的三维模型的采样点,得到压缩后的三维模型的图像;
图像存储模块270,用于将压缩后的三维模型的图像更新至存储空间。
本申请的实施例中,目标边构建模块250包括:
目标采样点确定子模块,用于将相邻采样点构成的集合中与未采样点最近的点确定为第一目标采样点;
第二目标采样点确定子模块,用于将相邻采样点构成的集合中除第一目标采样点以外的点,确定为第二目标采样点;
第二目标边构建子模块,用于在第一目标采样点与第二目标采样点之间不存在边的情况下,将目标采样点与相邻采样点构成的集合中除目标采样点以外的点连接,构建三维模型的第二目标边。
本申请的实施例中,模型图像压缩装置200还包括:
模型点获取模块,用于获取压缩后的三维模型的图像的所有点;
簇确定模块,用于针对压缩后的三维模型的图像的所有点中每一点,将每一点以及与每一点之间存在边的其他点确定为同一个簇;
簇删除模块,用于将点的数量最多的簇确定为目标簇,基于目标簇中的点以及与以目标簇中的点为端点的边,更新压缩后的三维模型的图像。
本申请的实施例中,模型图像压缩装置200还包括:
模型光滑化模块,用于调整压缩后的三维模型的图像顶点位置,以对压缩后的三维模型的图像进行光滑化。
本申请的实施例中,模型光滑化模块包括:
顶点确定子模块,用于获取压缩后的三维模型的图像所有顶点,并确定每个顶点的位置;
位置确定子模块,用于将每个顶点的所有相邻顶点的平均位置,确定为每个顶点的目标位置;
位置调整子模块,用于将每个顶点的位置调整至目标位置,以对压缩后的三维模型的图像进行光滑化。
本申请的实施例中,采样模块220包括:
第一集合采样子模块,用于将三维模型的图像中所有点构成的集合采样至第一集合;
第二集合采样子模块,用于将第一集合的其中一个点放入第二集合;
依次采样子模块,用于将第一集合中与第二集合距离最远的剩余的点放入第二集合,直到第二集合中的点的数量等于目标数量;
采样点确定子模块,用于将第二集合中的点,确定为三维模型的采样点。
本申请的实施例中,采样模块220包括:
夹角计算子模块,用于计算三维模型的图像中所有点构成的集合中每个点与每个点的相邻点的夹角值;
区域子模块,用于将夹角值大于目标夹角值的点放入第一区域,并将夹角值小于或等于目标夹角值的点放入至第二区域;
采样点得到子模块,用于在第一区域采样第一数量的点,并在第二区域采样第二数量的点,得到三维模型的采样点,其中,第一数量与第二数量之和等于目标数量。
模型图像压缩装置200用于执行上述的模型图像压缩方法中的对应步骤,各个功能的具体实施,在此不再一一描述。此外,实施例1中可选示例也同样适用于实施例2的模型图像压缩装置200。
本申请实施例还提供一种计算机设备,计算机设备包括存储器及处理器,存储器存储有计算机程序,计算机程序在处理器执行时,实现如实施例1的模型图像压缩方法。
本实施例中的图像获取模块210、采样模块220、采样点确定模块230、采样点删除模块240、目标边构建模块250、模型压缩模块260及图像存储模块270等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决三维模型需要占用大量的内存资源的问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本申请实施例还提供一种机器可读存储介质,机器可读存储介质上存储有计算机程序,计算机程序被处理器执行时,实现如实施例1的模型图像压缩方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
机器可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种模型图像压缩方法,其特征在于,所述模型图像压缩方法包括:
获取存储空间中待更新的三维模型的图像;
对三维模型的图像中所有点构成的集合进行采样,得到目标数量的三维模型的采样点,其中,所述目标数量小于所述三维模型中所有点的数量;
获取所述三维模型的每个未采样点的所有相邻采样点,并得到所述所有相邻采样点构成的集合;
删除所述未采样点,并删除所有以所述未采样点为端点的第一目标边;
基于所述相邻采样点构成的集合中的点,构建所述三维模型的第二目标边;
基于所述第二目标边、所述三维模型的剩余边及所述目标数量的所述三维模型的采样点,得到压缩后的三维模型的图像;
将所述压缩后的三维模型的图像更新至所述存储空间;
所述基于所述第二目标边、所述三维模型的剩余边及所述目标数量的所述三维模型的采样点,得到压缩后的三维模型的图像之后,还包括:
获取所述压缩后的三维模型的图像的所有点;
针对所述压缩后的三维模型的图像的所有点中每一点,将所述每一点以及与所述每一点之间存在边的其他点确定为同一个簇;
将点的数量最多的簇确定为目标簇,删除所述目标簇以外的所有簇,并基于所述目标簇中的点以及与以所述目标簇中的点为端点的边,更新所述压缩后的三维模型的图像;
所述基于所述相邻采样点构成的集合中的点,构建所述三维模型的第二目标边,包括:
将所述相邻采样点构成的集合中与所述未采样点最近的点确定为第一目标采样点;
将相邻采样点构成的集合中除所述第一目标采样点以外的点,确定为第二目标采样点;
在所述第一目标采样点与所述第二目标采样点之间不存在边的情况下,将所述第一目标采样点与所述第二目标采样点连接,构建所述三维模型的第二目标边。
2.根据权利要求1所述的模型图像压缩方法,其特征在于,所述基于所述第二目标边、所述三维模型的剩余边及所述目标数量的所述三维模型的采样点,得到压缩后的三维模型的图像之后,还包括:
调整所述压缩后的三维模型的图像顶点位置,以对所述压缩后的三维模型的图像进行光滑化。
3.根据权利要求2所述的模型图像压缩方法,其特征在于,所述调整所述压缩后的三维模型的图像顶点位置,以对所述压缩后的三维模型的图像进行光滑化,包括:
获取所述压缩后的三维模型的图像所有顶点,并确定每个所述顶点的位置;
将每个所述顶点的所有相邻顶点的平均位置,确定为每个所述顶点的目标位置;
将每个所述顶点的位置调整至所述目标位置,以对所述压缩后的三维模型的图像进行光滑化。
4.根据权利要求1所述的模型图像压缩方法,其特征在于,所述对三维模型的图像中所有点构成的集合进行采样,得到目标数量的三维模型的采样点,包括:
将所述三维模型的图像中所有点构成的集合采样至第一集合;
将所述第一集合的其中一个点放入第二集合;
将所述第一集合中与所述第二集合距离最远的剩余的点放入所述第二集合,直到所述第二集合中的点的数量等于目标数量;
将所述第二集合中的点,确定为所述三维模型的采样点。
5.根据权利要求1所述的模型图像压缩方法,其特征在于,所述对三维模型的图像中所有点构成的集合进行采样,得到目标数量的三维模型的采样点,包括:
计算所述三维模型的图像中所有点构成的集合中每个点与每个所述点的相邻点的夹角值;
将所述夹角值大于目标夹角值的点放入第一区域,并将所述夹角值小于或等于所述目标夹角值的点放入至第二区域;
在所述第一区域采样第一数量的点,并在所述第二区域采样第二数量的点,得到所述三维模型的采样点,其中,所述第一数量与所述第二数量之和等于目标数量。
6.一种模型图像压缩装置,其特征在于,所述模型图像压缩装置包括:
图像获取模块,用于获取存储空间中待更新的三维模型的图像;
采样模块,用于对三维模型的图像中所有点构成的集合进行采样,得到目标数量的三维模型的采样点,其中,目标数量小于三维模型中所有点的数量;
采样点确定模块,用于获取三维模型的每个未采样点的所有相邻采样点,并得到所有相邻采样点构成的集合;
采样点删除模块,用于删除未采样点,并删除所有以未采样点为端点的第一目标边;
目标边构建模块,用于基于相邻采样点构成的集合中的点,构建三维模型的第二目标边;
模型压缩模块,用于基于第二目标边、三维模型的剩余边及目标数量的三维模型的采样点,得到压缩后的三维模型的图像;
图像存储模块,用于将所述压缩后的三维模型的图像更新至所述存储空间;
所述模型图像压缩装置还包括:
模型点获取模块,用于获取压缩后的三维模型的图像的所有点;
簇确定模块,用于针对压缩后的三维模型的图像的所有点中每一点,将每一点以及与每一点之间存在边的其他点确定为同一个簇;
簇删除模块,用于将点的数量最多的簇确定为目标簇,删除所述目标簇以外的所有簇,并基于目标簇中的点以及与以目标簇中的点为端点的边,更新压缩后的三维模型的图像;
所述目标边构建模块包括:
第一目标采样点确定子模块,用于将所述相邻采样点构成的集合中与所述未采样点最近的点确定为第一目标采样点;
第二目标采样点确定子模块,用于将相邻采样点构成的集合中除所述第一目标采样点以外的点,确定为第二目标采样点;
第二目标边构建子模块,用于在所述第一目标采样点与所述第二目标采样点之间不存在边的情况下,将所述第一目标采样点与所述第二目标采样点连接,构建所述三维模型的第二目标边。
7.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器执行时,实现如权利要求1至5中任一项所述的模型图像压缩方法。
8.一种机器可读存储介质,其特征在于,所述机器可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1至5中任一项所述的模型图像压缩方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311379877.1A CN117115392B (zh) | 2023-10-24 | 2023-10-24 | 模型图像压缩方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311379877.1A CN117115392B (zh) | 2023-10-24 | 2023-10-24 | 模型图像压缩方法、装置、计算机设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117115392A CN117115392A (zh) | 2023-11-24 |
CN117115392B true CN117115392B (zh) | 2024-01-16 |
Family
ID=88811411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311379877.1A Active CN117115392B (zh) | 2023-10-24 | 2023-10-24 | 模型图像压缩方法、装置、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115392B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003091743A (ja) * | 2001-09-17 | 2003-03-28 | Mitsutoyo Corp | 三角形メッシュ生成方法及びその装置 |
CN1866299A (zh) * | 2006-06-27 | 2006-11-22 | 北京航空航天大学 | 基于视觉特征度量的三维模型简化方法 |
CN101308579A (zh) * | 2008-05-12 | 2008-11-19 | 中山大学 | 一种三维动画模型的自适应简化方法 |
CN102930597A (zh) * | 2012-09-28 | 2013-02-13 | 中国科学院自动化研究所 | 一种外存三维模型的处理方法 |
JP2016099648A (ja) * | 2014-11-18 | 2016-05-30 | 大日本印刷株式会社 | 立体物造形用データ削減装置 |
CN106408665A (zh) * | 2016-10-25 | 2017-02-15 | 合肥东上多媒体科技有限公司 | 一种新的渐进网格生成方法 |
CN106408620A (zh) * | 2016-09-08 | 2017-02-15 | 成都希盟泰克科技发展有限公司 | 基于压缩感知的三维网格模型数据处理方法 |
JP2018032938A (ja) * | 2016-08-23 | 2018-03-01 | キヤノン株式会社 | 画像処理装置、画像処理の方法およびプログラム |
CN109191584A (zh) * | 2018-08-16 | 2019-01-11 | Oppo广东移动通信有限公司 | 三维模型处理方法、装置、电子设备及可读存储介质 |
CN109255806A (zh) * | 2018-08-31 | 2019-01-22 | 影为医疗科技(上海)有限公司 | 医学影像的二维与三维图像配准方法、系统、存储介质、配准器 |
WO2019088705A1 (ko) * | 2017-10-31 | 2019-05-09 | 에스케이텔레콤 주식회사 | 3차원 메쉬 데이터 간소화 방법 및 장치 |
CN112258655A (zh) * | 2020-11-13 | 2021-01-22 | 河北地质大学 | 一种应用于vr虚拟银行的三维网格简化方法 |
CN113011516A (zh) * | 2021-03-30 | 2021-06-22 | 华南理工大学 | 基于图拓扑的三维网格模型分类方法、装置和存储介质 |
CN114677473A (zh) * | 2022-02-25 | 2022-06-28 | 河南中原动力智能制造有限公司 | 三维模型的重建方法、装置、设备及存储介质 |
CN115761069A (zh) * | 2022-12-02 | 2023-03-07 | 长沙眸瑞网络科技有限公司 | 一种蒙皮动画轻量化方法、装置电子装置和存储介质 |
CN115937460A (zh) * | 2022-11-09 | 2023-04-07 | 厦门大学 | 基于最优传输的保特征表面重建方法 |
CN116402979A (zh) * | 2023-03-03 | 2023-07-07 | 壹品慧数字科技(上海)有限公司 | 一种三维模型面片轻量化处理方法、装置及电子设备 |
CN116843841A (zh) * | 2023-09-04 | 2023-10-03 | 四川物通科技有限公司 | 基于网格压缩的大规模虚拟现实系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3736394B2 (ja) * | 2001-07-10 | 2006-01-18 | 松下電器産業株式会社 | 画像圧縮装置 |
KR101520647B1 (ko) * | 2008-01-21 | 2015-05-15 | 삼성전자 주식회사 | 3차원 메쉬 모델의 메쉬 데이터의 압축 및 복원 방법 및시스템 |
FR2961930B1 (fr) * | 2010-06-29 | 2013-01-04 | Fittingbox | Procede de compression / decompression de maillage tridimensionnel |
US9373192B2 (en) * | 2013-06-12 | 2016-06-21 | Google Inc. | Shape preserving mesh simplification |
-
2023
- 2023-10-24 CN CN202311379877.1A patent/CN117115392B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003091743A (ja) * | 2001-09-17 | 2003-03-28 | Mitsutoyo Corp | 三角形メッシュ生成方法及びその装置 |
CN1866299A (zh) * | 2006-06-27 | 2006-11-22 | 北京航空航天大学 | 基于视觉特征度量的三维模型简化方法 |
CN101308579A (zh) * | 2008-05-12 | 2008-11-19 | 中山大学 | 一种三维动画模型的自适应简化方法 |
CN102930597A (zh) * | 2012-09-28 | 2013-02-13 | 中国科学院自动化研究所 | 一种外存三维模型的处理方法 |
JP2016099648A (ja) * | 2014-11-18 | 2016-05-30 | 大日本印刷株式会社 | 立体物造形用データ削減装置 |
JP2018032938A (ja) * | 2016-08-23 | 2018-03-01 | キヤノン株式会社 | 画像処理装置、画像処理の方法およびプログラム |
CN106408620A (zh) * | 2016-09-08 | 2017-02-15 | 成都希盟泰克科技发展有限公司 | 基于压缩感知的三维网格模型数据处理方法 |
CN106408665A (zh) * | 2016-10-25 | 2017-02-15 | 合肥东上多媒体科技有限公司 | 一种新的渐进网格生成方法 |
WO2019088705A1 (ko) * | 2017-10-31 | 2019-05-09 | 에스케이텔레콤 주식회사 | 3차원 메쉬 데이터 간소화 방법 및 장치 |
CN109191584A (zh) * | 2018-08-16 | 2019-01-11 | Oppo广东移动通信有限公司 | 三维模型处理方法、装置、电子设备及可读存储介质 |
CN109255806A (zh) * | 2018-08-31 | 2019-01-22 | 影为医疗科技(上海)有限公司 | 医学影像的二维与三维图像配准方法、系统、存储介质、配准器 |
CN112258655A (zh) * | 2020-11-13 | 2021-01-22 | 河北地质大学 | 一种应用于vr虚拟银行的三维网格简化方法 |
CN113011516A (zh) * | 2021-03-30 | 2021-06-22 | 华南理工大学 | 基于图拓扑的三维网格模型分类方法、装置和存储介质 |
CN114677473A (zh) * | 2022-02-25 | 2022-06-28 | 河南中原动力智能制造有限公司 | 三维模型的重建方法、装置、设备及存储介质 |
CN115937460A (zh) * | 2022-11-09 | 2023-04-07 | 厦门大学 | 基于最优传输的保特征表面重建方法 |
CN115761069A (zh) * | 2022-12-02 | 2023-03-07 | 长沙眸瑞网络科技有限公司 | 一种蒙皮动画轻量化方法、装置电子装置和存储介质 |
CN116402979A (zh) * | 2023-03-03 | 2023-07-07 | 壹品慧数字科技(上海)有限公司 | 一种三维模型面片轻量化处理方法、装置及电子设备 |
CN116843841A (zh) * | 2023-09-04 | 2023-10-03 | 四川物通科技有限公司 | 基于网格压缩的大规模虚拟现实系统 |
Non-Patent Citations (3)
Title |
---|
An Improved Decimation of Triangle Meshes Based on Curvature;Wei Li;Springer;正文 * |
How many sample points are sufficient for 3D model surface representation and accurate mesh simplification?;Lida Asgharian;Springer;正文 * |
新颖的网格模型压缩算法――网格切片;何辰;王磊;王春萌;;计算机应用(第02期);正文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117115392A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Digne et al. | Feature-preserving surface reconstruction and simplification from defect-laden point sets | |
WO2020098531A1 (zh) | 对象的加载方法和装置、存储介质、电子装置 | |
KR20160127030A (ko) | 뷰 독립적 3d 씬 텍스쳐링 | |
CN111598779B (zh) | 图像超分辨率处理方法和装置、电子设备及存储介质 | |
Puppo et al. | Parallel terrain triangulation | |
CN109992809B (zh) | 一种建筑模型的构建方法、装置及存储装置 | |
CN104217406B (zh) | 一种基于剪切波系数处理的sar图像降噪方法 | |
CN113628331B (zh) | 一种虚幻引擎中摄影测量模型的数据组织和调度方法 | |
US9406169B2 (en) | System and method for data compression and grid regeneration | |
CN111627119A (zh) | 纹理贴图方法及装置、设备、存储介质 | |
CN110910462B (zh) | 一种基于特征计算的点云轻量化方法及存储介质 | |
Yang et al. | Automatic objects removal for scene completion | |
US20200211256A1 (en) | Apparatus and method for generating 3d geographic data | |
CN117115392B (zh) | 模型图像压缩方法、装置、计算机设备及可读存储介质 | |
CN114067060A (zh) | 用于三维建模的稠密点云快速生成方法 | |
CN112200906B (zh) | 一种面向倾斜三维模型的实体提取方法及其系统 | |
CN115082641B (zh) | 一种基于网格化多邻域插值的点云栅格化方法及装置 | |
CN113240720B (zh) | 一种三维表面重建方法、装置、服务器以及可读存储介质 | |
Apel et al. | Comparison of several mesh refinement strategies near edges | |
CN117115391B (zh) | 模型更新方法、装置、计算机设备及计算机可读存储介质 | |
CN109872280B (zh) | 一种三维植物叶片点云的去噪与简化方法、装置及系统 | |
CN111898654A (zh) | 三维对象特征获取方法、装置、计算机设备和存储介质 | |
CN105260268B (zh) | 一种备份存储方法和装置 | |
CN117315197A (zh) | 模型处理方法、装置、计算设备及机器可读存储介质 | |
CN111383230A (zh) | 遥感图像河流提取装置及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |