几何模型数据压缩及虚拟场景实时显示技术介绍研究.ppt

(a) 边邻居 (b) 边不在边界上 (c) 边在边界上 图3-4 两个相邻面的单位法向示意图 基于视点的二次误差度量网格简化算法 下面给出算法的具体步骤: 步骤 1：给出视线方向（单位向量）； 步骤 2：为所有初始顶点计算Q； 步骤3：选择所有合适的点对 ，点对 或者是一条边，或者满足 ，其中t是给定的阈值参数； 步骤4：计算每一顶点对 的最优收缩目标点 和相应误差 ，把顶点对按误差大小顺序放在堆栈中 (在顶端有最小误差)； 步骤5：从堆栈中移走最小误差的顶点对 ，如果目标面小于300，且该顶点对没有超过最高抽中次数，则执行第六步；否则转到第七步； 步骤6：应用基于视点的抽样标准公式：1）.如果 ，将原误差以 代替，并把该顶点对按更新后的误差大小顺序放在堆栈中 (在顶端有最小误差)，转到第八步； 步骤7：使该顶点对 收缩, 然后更新包含v1的所有顶点对的误差； 步骤8：如果目标没有达到，转到第五步；否则，结束。 外观相似性的评价 模型M的外观是在某一视点条件?下由渲染系统产生的光栅图象I?确定的。在某一视点条件?下，如果模型M1和M2的对应图象相同，那么我们可以认为两模型M1和M2在视点条件?下外观相同。如果I1和I2 都是m?m RGB 光栅图象, 可以用下面公式定义两者之间的不同[64]： 其中 是两个RGB 向量 与 之差的欧氏长度，我们称 为外观相似性误差。在给定视点?下， 如果M2 是M1较好的近似，那麽 值很小。如将灰度图象转换成0-1图象（即属于简化模型的象素点赋值为1，否则为0），那么也可以采用下面公式计算外观相似性误差： 复杂性分析 仿真结果及分析 图4-9 应用MSNS算法简化的网格图形 本章提出了一种基于视点的非均匀抽样网格简化算法，它是通过采用视点空间中某些重要视点对各自轮廓进行抽样，以便用尽可能少的三角面片来表示尽可能多的模型外观特征。实验结果表明，该算法具有如下优点：可以在三角面片数较少的情况下，尽可能地保持了模型的重要外观特征。 本章小结 基于视觉敏锐度的自适应实时显示技术研究 必要性 视觉敏锐度概念 基于视觉敏锐度的自适应实时显示算法 仿真结果及分析 本章小结 对于复杂的动态交互场景，为了使交互可视化达到实时性要求，一种普遍被接受的方法是通过牺牲部分渲染图象的真实性，来换取整个系统的交互实时性。定向凝视显示方法是利用视觉敏锐度进行实时显示的，但该方法没有考虑亮度视觉，并且调整细节度模型等级的幅度偏小。为此本章研究了一种利用不同的视觉敏锐度公式进行实时显示的新方法。 必要性 视觉敏锐度概念 敏锐度因子 中央/外围视觉，运动视觉和融合视觉是影响视觉感知的三种最重要的因素，为了分别说明这几种人类视觉特征对人类视觉感知实体模型的重要性，引入敏锐度因子概念。所谓敏锐度因子，就是在考虑某种视觉感知(中央/外围视觉，运动视觉和融合视觉等)因素后对实体模型重要性的一种评价指标，视觉敏锐度因子为1.0 时，表示实体模型重要性最高，观察者可以完全看清楚实体模型；0.0 时表示观察者什么也看不见。下面分别给出三种计算视觉敏锐度因子的公式。 图4-1 中央视觉图例 图4-2中央视觉敏锐度因子 中央凹区: 中央/外围视觉的敏锐度因子的计算公式如下： 其中θ表示视轴与从视点指向物体包围盒中心的向量之间的夹角，为物体在视域中所占的视角，表示调整缩小的参数。 图4-3 运动视觉图例 运动视觉: 运动视觉的敏锐度因子的计算公式如下： 其中 表示移动物体的有代表性的点的角速度， 表示调整缩小的参数。 融合视觉: 融合视觉的敏锐度因子的计算公式如下： 其中 ， 表示固定视点的会聚度， 表示从双眼指向物体的角度。 表示调整缩小的参数，b是决定融合区域宽度的门限值。 图4-4 融合区域 图4-5 Vieth-Muller相同 视点几何示意图 视觉敏锐度 假设所有的视觉皮层区域都程度不同地对视知觉有所贡献, 那么结合三种视觉敏锐度因子可近似确定视觉敏锐度。所谓视觉敏锐度，就是在考虑各种视觉敏锐度因子后对实体模型重要性做出的一个综合评价。当视觉敏锐度较低时，选择较简单的层次模型；视觉敏锐度较高时，选择较复杂的层次模型。Ohshima等人[60] 给出下面两种求解视觉敏锐度方法： 从层次细节模型中选择渲染层