论文部分内容阅读
点云的曲面重建是反求工程中的重要研究内容,重建模型的速度和精度是实现快速制造的重要保证。因此本文主要研究利用支持向量机处理点云的曲面重建中的一些重要问题。
对于点云数据精简问题,本文实现了将支持向量回归问题视为最小包闭球问题(MEB),实现了海量点云数据中支持向量的多级提取,用更高一级密度的支持向量逼近原模型,以消除上级逼近后的残留误差,使重建得到的模型可以满足不同精度的要求。
应用ε—支持向量回归机拟合点云数据,回归出用于逼近原模型的显式和隐式函数模型,引入ε不敏感损失函数不仅使算法具有鲁棒性,而且使回归函数的解具有稀疏性。实验证明了本算法在拟合函数曲面上的有效性和快速性。
应用Marching cubes方法绘制回归得到的隐式函数模型,根据不同的显示精度需要,实现了隐式函数模型不同分辨率的曲面重建。对比实验证明,本算法具有在保证一定精度的情况下具有速度快的优点。
针对模型存储空间过大问题,提出了一种基于支持向量的存储方式,仅需存储支持向量的坐标与隐式函数模型系数。与传统的网格存储方式相比,这种方式不但可以满足多分辨率显示的需要,而且可以有效的降低模型存储空间。
用VC++和OpenGL开发了用于演示和验证本文算法的实验平台,能直观的对曲面重建过程进行观察和处理,可以输出建模结果。