網(wǎng)格模型上基于線性插值的自適應(yīng)保特征去噪算法
發(fā)布時間：2021-01-24 10:41
網(wǎng)格去噪是改善掃描設(shè)備所得數(shù)據(jù)并為后續(xù)數(shù)字幾何處理提供理想模型的重要步驟.針對近年來涌現(xiàn)出的各種網(wǎng)格去噪算法難以平衡好時間消耗和去噪結(jié)果之間的關(guān)系,提出一種高效的基于線性插值的框架性保特征去噪算法,將體現(xiàn)結(jié)構(gòu)特征的充分磨光模型與包含綜合信息的噪聲模型進(jìn)行聯(lián)合分析,通過自適應(yīng)的線性插值算法逐步從噪聲模型中提取出特征信息加到光滑模型中,從而實現(xiàn)保持不同程度特征（從顯著特征到微弱特征）的去噪結(jié)果.同時提出迭代去噪算法的迭代終止判別條件,可為不同迭代去噪算法提供自動且可靠的終止條件.大量在不同復(fù)雜度和不同噪聲程度的模型上的實驗結(jié)果表明,與現(xiàn)有的局部迭代算法相比,該算法取得更好的視覺效果和較低的均方角度誤差值,能夠保持不同程度的特征且具有較好的時間性能.
【文章來源】：計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報. 2020,32(09)北大核心
【文章頁數(shù)】：12 頁
【部分圖文】：
不同算法對Fandisk模型去噪對比
第9期岳少陽,等:網(wǎng)格模型上基于線性插值的自適應(yīng)保特征去噪算法1385a.噪聲模型b.原始模型c.文獻(xiàn)[1]d.文獻(xiàn)[24]e.文獻(xiàn)[2]f.文獻(xiàn)[3]局部g.文獻(xiàn)[3]全局h.文獻(xiàn)[13]i.文獻(xiàn)[4]j.文獻(xiàn)[12]k.本文圖9不同算法對Max模型去噪對比a.噪聲模型b.原始模型c.文獻(xiàn)[1]d.文獻(xiàn)[24]e.文獻(xiàn)[2]f.文獻(xiàn)[3]局部g.文獻(xiàn)[3]全局h.文獻(xiàn)[13]i.文獻(xiàn)[4]j.文獻(xiàn)[12]k.本文圖10不同算法對Fandisk模型去噪對比a.噪聲模型b.原始模型c.文獻(xiàn)[1]d.文獻(xiàn)[24]e.文獻(xiàn)[2]f.文獻(xiàn)[3]局部g.文獻(xiàn)[3]全局h.文獻(xiàn)[13]i.文獻(xiàn)[4]j.文獻(xiàn)[12]k.本文圖11不同算法對Octa-flower模型去噪對比
向.滾動濾波算法在每一步迭代中加入原始噪聲法向的目的就是要將原始包含特征信息的法向重新加入高斯卷積,以免像雙邊濾波那樣隨著迭代進(jìn)行,只有上一步的法向信息被保留,而逐步丟失原始的信息.滾動濾波在很大程度上可保持模型特征,但是由于噪聲法向的全程參與,最終結(jié)果不可避免地包含噪聲信息.所以,本文濾波算法希望通過自適應(yīng)插值的方式來平衡好噪聲網(wǎng)格和磨光網(wǎng)格在迭代過程中的作用.同時本文根據(jù)雙邊濾波的高斯卷積過程提出不同程度特征的概念,高斯卷積過程中取不同的方差參數(shù)s,去掉不同程度的特征信息.如圖1所示,其中,a表示原始模型,b~d分別表示高斯函數(shù)中方差參數(shù)sss0.3,0.5,1.0的濾波結(jié)果.當(dāng)s的值較小時,雙邊權(quán)重較小,去掉微弱特征;反之,雙邊權(quán)重較大,去掉大的結(jié)構(gòu)特征.從圖1示意圖看出,不同的s取值得到不同程度的特征.本文的迭代插值算法在迭代插值的過程中與雙邊濾波的高斯卷積類似,同樣根據(jù)高斯卷積通過系數(shù)控制插入不同的特征信息.圖1不同程度特征定義說明圖4線性插值保特征算法為去除噪聲,現(xiàn)有算法往往對模型進(jìn)行平滑去噪,而大尺度的平滑往往會去掉模型弱特征,顯然噪聲模型雖有噪聲,但其中包含模型的全部特征與細(xì)節(jié)信息.因此,如何從噪聲模型中提取有效信息是本文算法的核心.本文的去噪模型應(yīng)該是噪聲模型和過渡光滑模型兩者的中間產(chǎn)物,因此提出自適應(yīng)的插值算法.4.1線性插值過程首先,定義噪聲模型為T,光滑之后的模型為S,F表示最終得到的結(jié)果模型.插值的總體的思想表示為FS(1)T(4)將上述插值思想轉(zhuǎn)化為以三角面片面法向為載體的形式表示為FSTNN(1)N(5)其對每一個三角形面片的法向進(jìn)行處理.其中,TN表示原始噪聲模型
【參考文獻(xiàn)】：
期刊論文
[1]基于魯棒法矢濾波和交替頂點更新的有效網(wǎng)格去噪（英文）[J]. Tao LI,Jun WANG,Hao LIU,Li-gang LIU. Frontiers of Information Technology & Electronic Engineering. 2017(11)
本文編號：2997099
【文章來源】：計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報. 2020,32(09)北大核心
【文章頁數(shù)】：12 頁
【部分圖文】：
不同算法對Fandisk模型去噪對比
第9期岳少陽,等:網(wǎng)格模型上基于線性插值的自適應(yīng)保特征去噪算法1385a.噪聲模型b.原始模型c.文獻(xiàn)[1]d.文獻(xiàn)[24]e.文獻(xiàn)[2]f.文獻(xiàn)[3]局部g.文獻(xiàn)[3]全局h.文獻(xiàn)[13]i.文獻(xiàn)[4]j.文獻(xiàn)[12]k.本文圖9不同算法對Max模型去噪對比a.噪聲模型b.原始模型c.文獻(xiàn)[1]d.文獻(xiàn)[24]e.文獻(xiàn)[2]f.文獻(xiàn)[3]局部g.文獻(xiàn)[3]全局h.文獻(xiàn)[13]i.文獻(xiàn)[4]j.文獻(xiàn)[12]k.本文圖10不同算法對Fandisk模型去噪對比a.噪聲模型b.原始模型c.文獻(xiàn)[1]d.文獻(xiàn)[24]e.文獻(xiàn)[2]f.文獻(xiàn)[3]局部g.文獻(xiàn)[3]全局h.文獻(xiàn)[13]i.文獻(xiàn)[4]j.文獻(xiàn)[12]k.本文圖11不同算法對Octa-flower模型去噪對比
向.滾動濾波算法在每一步迭代中加入原始噪聲法向的目的就是要將原始包含特征信息的法向重新加入高斯卷積,以免像雙邊濾波那樣隨著迭代進(jìn)行,只有上一步的法向信息被保留,而逐步丟失原始的信息.滾動濾波在很大程度上可保持模型特征,但是由于噪聲法向的全程參與,最終結(jié)果不可避免地包含噪聲信息.所以,本文濾波算法希望通過自適應(yīng)插值的方式來平衡好噪聲網(wǎng)格和磨光網(wǎng)格在迭代過程中的作用.同時本文根據(jù)雙邊濾波的高斯卷積過程提出不同程度特征的概念,高斯卷積過程中取不同的方差參數(shù)s,去掉不同程度的特征信息.如圖1所示,其中,a表示原始模型,b~d分別表示高斯函數(shù)中方差參數(shù)sss0.3,0.5,1.0的濾波結(jié)果.當(dāng)s的值較小時,雙邊權(quán)重較小,去掉微弱特征;反之,雙邊權(quán)重較大,去掉大的結(jié)構(gòu)特征.從圖1示意圖看出,不同的s取值得到不同程度的特征.本文的迭代插值算法在迭代插值的過程中與雙邊濾波的高斯卷積類似,同樣根據(jù)高斯卷積通過系數(shù)控制插入不同的特征信息.圖1不同程度特征定義說明圖4線性插值保特征算法為去除噪聲,現(xiàn)有算法往往對模型進(jìn)行平滑去噪,而大尺度的平滑往往會去掉模型弱特征,顯然噪聲模型雖有噪聲,但其中包含模型的全部特征與細(xì)節(jié)信息.因此,如何從噪聲模型中提取有效信息是本文算法的核心.本文的去噪模型應(yīng)該是噪聲模型和過渡光滑模型兩者的中間產(chǎn)物,因此提出自適應(yīng)的插值算法.4.1線性插值過程首先,定義噪聲模型為T,光滑之后的模型為S,F表示最終得到的結(jié)果模型.插值的總體的思想表示為FS(1)T(4)將上述插值思想轉(zhuǎn)化為以三角面片面法向為載體的形式表示為FSTNN(1)N(5)其對每一個三角形面片的法向進(jìn)行處理.其中,TN表示原始噪聲模型
【參考文獻(xiàn)】：
期刊論文
[1]基于魯棒法矢濾波和交替頂點更新的有效網(wǎng)格去噪（英文）[J]. Tao LI,Jun WANG,Hao LIU,Li-gang LIU. Frontiers of Information Technology & Electronic Engineering. 2017(11)
本文編號：2997099
本文鏈接：http://sikaile.net/kejilunwen/dianzigongchenglunwen/2997099.html
最近更新
教材專著
