專利名稱：基于全局結(jié)構(gòu)的三維網(wǎng)格模型修復(fù)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于計算機圖形學(xué)領(lǐng)域，涉及一種三維網(wǎng)格模型的修復(fù)方法，尤其能夠修 復(fù)具有明顯全局結(jié)構(gòu)信息的三維網(wǎng)格模型。
背景技術(shù)：
在目前存在許多三維網(wǎng)格模型修復(fù)方法，一類常見的網(wǎng)格模型修復(fù)方法是在缺失 幾何信息的空洞區(qū)域內(nèi)填補適當(dāng)?shù)木W(wǎng)格作為補丁，并保證填補的補丁滿足空洞的邊界條 件。另一類方法是基于體的修復(fù)方法，它能取得和直接填補空洞方法類似的修復(fù)效果。這 種修復(fù)方法將填補空洞的過程視為表面重建的過程。還有一類方法是基于模板的修復(fù)方 法。缺損面積較大或拓?fù)浣Y(jié)構(gòu)缺失的模型一般難以使用前述方法修復(fù)，針對這類模型，基于 模板的修復(fù)方法先由用戶指定或自動從模型庫中檢索出一個與待修復(fù)模型拓?fù)浣Y(jié)構(gòu)一致 且?guī)缀涡螤钕嗨频耐暾Ｐ妥鳛槟０?，然后根?jù)模板來修復(fù)缺損的模型。當(dāng)空洞周圍的網(wǎng)格具有較豐富的幾何細(xì)節(jié)時，以上方法都不能充分利用已知區(qū)域 的幾何信息，這樣，用它們修復(fù)的空洞都會由于過于平滑而難以取得滿意的視覺效果。這是 因為以上方法都無法保證能夠準(zhǔn)確的將已知區(qū)域的結(jié)構(gòu)信息復(fù)制到空洞區(qū)域內(nèi)。針對這 一問題，有人提出了一種通過用戶交互的方式將重要的結(jié)構(gòu)信息從已知區(qū)域傳播到未知區(qū) 域，并完成圖像修復(fù)的方法首先由用戶添加一些從已知區(qū)域過渡到未知區(qū)域的曲線，用來 提示重要的全局結(jié)構(gòu)信息應(yīng)該如何被修復(fù)；然后在這些曲線的指導(dǎo)下用基于像素的方法先 修復(fù)未知區(qū)域內(nèi)的結(jié)構(gòu)信息；最后用紋理復(fù)制的方法修復(fù)空洞內(nèi)的剩余區(qū)域。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問題提出了一種基于全局結(jié)構(gòu)的f網(wǎng)格模型修復(fù)方法，使 用該方法可以修復(fù)空洞區(qū)域缺失的全局結(jié)構(gòu)信息。本發(fā)明采用的技術(shù)方案基于全局結(jié)構(gòu)的三維網(wǎng)格模型修復(fù)方法，分為4個階段第1階段，檢測三維網(wǎng)格模型的空洞；第2階段，將所述三維網(wǎng)格模型通過使用改進的雙邊濾波算法分解為基模型和高 頻信息；第3階段，基于第2階段分解后得到的基模型，使用平滑的三維模型修復(fù)方法修復(fù) 基模型；第4階段，基于第2階段分解后得到的高頻信息，修復(fù)空洞中的幾何結(jié)構(gòu)細(xì)節(jié)，該 階段分為6個步驟(1)由用戶通過圖形界面交互操作的方式添加結(jié)構(gòu)曲線；(2)基于(1)中的結(jié)構(gòu)曲線檢測興趣區(qū)域；(3)由用戶通過圖形界面交互操作方式指定控制區(qū)域，并將該控制區(qū)域參數(shù)化到
二維平面；(4)基于第2階段分解后得到的高頻信息在(3)中經(jīng)參數(shù)化得到的二維平面中生成幾何細(xì)節(jié)圖像；(5)修復(fù)由⑷得到的幾何細(xì)節(jié)圖像；(6)將由(5)修復(fù)后的幾何細(xì)節(jié)圖像映射回所述三維網(wǎng)格模型實現(xiàn)最終三維模型修復(fù)。所述第2階段改進的雙邊濾波算法為將雙邊濾波器與Laplace算子相結(jié)合，定義 了一個新的二階Laplace雙邊濾波算子，并利用所述新的二階Laplace雙邊濾波算子迭代 的對網(wǎng)格進行光順。首先估算出基模型B中各頂點的法向，然后對所述三維網(wǎng)格模型M做 光順處理得到基模型B，這一過程中所述三維網(wǎng)格模型M中的頂點只會沿估算出來的基模 型B中對應(yīng)頂點的法向方向運動，最后計算出所述三維網(wǎng)格模型M中每個頂點相對于基模 型B中對應(yīng)頂點的位移，并將其作為該頂點的幾何細(xì)節(jié)信息，即高頻信息△，這樣，就達到 將所述三維網(wǎng)格模型M分解為基模型B和高頻信息△的目標(biāo)。所述第4階段的步驟(2)，基于(1)中的結(jié)構(gòu)曲線檢測興趣區(qū)域的方法為先找 出一個包含了最多結(jié)構(gòu)特征的初始頂點集V0并計算其統(tǒng)計特征\，然后將初始頂點集 的n環(huán)鄰域內(nèi)的頂點以環(huán)為單位逐次加入初始集，并計算出新構(gòu)成的頂點集合Vi的統(tǒng)計 特征&。如果\與&。的統(tǒng)計特征的差異^ /(&,&。)超過了預(yù)定義的閾值，那么，可以認(rèn) 為新加入的頂點不在屬于結(jié)構(gòu)興趣區(qū)域檢測，否則，將這些頂點加入興趣區(qū)域檢測。使 用每一頂點在法向方向的偏移量S作為該頂點及其鄰域的幾何特征描述。定義頂點集
IX
合V的統(tǒng)計特征sv為&=吣同時定義兩個頂點集統(tǒng)計特征和之間的差異為
n。\ Svi
dif一般的，統(tǒng)計特征的差異閥值取0. 15。
o所述第4階段的步驟(4)，基于第2階段分解后得到的高頻信息在(3)中參數(shù)化得 到的二維平面中生成幾何細(xì)節(jié)圖像的方法為首先，采用參數(shù)化的方法將三維網(wǎng)格的頂點 映射到一個二維域上，然后根據(jù)網(wǎng)格頂點的幾何細(xì)節(jié)信息重采樣生成一幅灰度圖像，所生 成灰度圖像中每個像素的灰度值是由此像素所屬三角形三個頂點的幾何細(xì)節(jié)信息插值得 到的，這幅圖像就是幾何細(xì)節(jié)圖像。幾何細(xì)節(jié)圖像相當(dāng)于網(wǎng)格模型的高頻幾何細(xì)節(jié)信息在 二維域的一種等價表示。所述第4階段的步驟(5)，修復(fù)由(4)得到的幾何細(xì)節(jié)圖像的方法為在興趣區(qū)域 內(nèi)，沿著結(jié)構(gòu)曲線將已知區(qū)域內(nèi)的梯度信息復(fù)制到空洞區(qū)域內(nèi)，然后修復(fù)非興趣區(qū)域，最終 恢復(fù)出空洞區(qū)域內(nèi)所有像素的梯度值。最后根據(jù)邊界處的像素信息和空洞內(nèi)的梯度信息， 得到最終修復(fù)后的幾何細(xì)節(jié)圖像，使得修復(fù)后的幾何細(xì)節(jié)圖像的梯度信息與空洞內(nèi)的梯度 信息最接近。本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點在于(1)本發(fā)明中的改進的雙邊濾波算法，可以保證模型上的每個頂點只沿法向方向 移動到基模型的對應(yīng)頂點上。這樣，就可以將頂點在法向方向的偏移量作為表示頂點幾何 細(xì)節(jié)的高頻信息。(2)本發(fā)明將表示幾何結(jié)構(gòu)細(xì)節(jié)的高頻信息生成為幾何細(xì)節(jié)圖像，采用修復(fù)該幾何細(xì)節(jié)圖像再投影回原三維網(wǎng)格模型的方法，減少了修復(fù)網(wǎng)格模型的復(fù)雜度，提高了計算效率。(3)本發(fā)明可以修復(fù)具有全局幾何結(jié)構(gòu)細(xì)節(jié)信息的三維網(wǎng)格模型空洞，并使修復(fù) 后的模型顯示明顯的幾何結(jié)構(gòu)細(xì)節(jié)，在幾何結(jié)構(gòu)細(xì)節(jié)效果方面優(yōu)于現(xiàn)有的其他三維網(wǎng)格修 復(fù)方法。


圖1為本發(fā)明基于全局結(jié)構(gòu)的三維網(wǎng)格模型修復(fù)方法流程圖。
具體實施例方式如圖1所示，本發(fā)明的具體步驟如下(虛線框內(nèi)步驟為已有技術(shù))1.將三維網(wǎng)格模型通過使用改進的雙邊濾波算法分解為基模型和高頻信息。將雙邊濾波器與Laplace算子相結(jié)合，定義了一個新的二階Laplace雙邊濾波算 子，并利用該算子迭代的對網(wǎng)格進行光順。首先估算出基模型B中各頂點的法向，然后對三 維網(wǎng)格模型M做光順處理得到基模型B，這一過程中三維網(wǎng)格模型M中的頂點只會沿估算出 來的基模型B中對應(yīng)頂點的法向方向運動，最后計算出三維網(wǎng)格模型M中每個頂點相對于 基模型B中對應(yīng)頂點的位移，并將其作為該頂點的幾何細(xì)節(jié)信息，即高頻信息△。這樣，就 達到將原模型M分解為基模型B和高頻信息A的目標(biāo)。本發(fā)明利用頂點鄰域內(nèi)各定點的預(yù)測值的加權(quán)平均值來估算該頂點新 的空間位置。灼，本方法將空間距離定義為| |q_p| |，將信號強度差異定 義為|| nq(p)-p||?？紤]到網(wǎng)格對曲面采樣的非均一化，本方法將頂點q的 Voronoi區(qū)域面積作為面積權(quán)值A(chǔ)q，另外，考慮到各頂點間法向的差異，將兩個頂點 的法向間的內(nèi)積做為法向差異權(quán)值。由此，頂點p的擴散后的估值彡為
其中，空間臨近眺為含參
數(shù)0。的Gauss濾波器
信號強度相似因子1為含參數(shù)0s&GaUSS 濾波器
為頂點p的鄰域點，定義N(p)為點集{qi}，并滿足
且
為獲得更好的曲面濾波效果，本文定義頂點P 的一階拉普拉斯雙邊濾波算子為。相應(yīng)的二階拉普拉斯雙邊濾波算子為
利用該算子對p進行濾波擴散，
，來表達濾波的效果。本方法對三維網(wǎng)格模型M迭代n次(一般的n = 5)上述操 作，不斷改變頂點的空間位置，最終達到理想的結(jié)果。為了更好的獲取基模型法向的預(yù)測值，本發(fā)明利用非魯棒的簡單高斯濾波對原模型頂點的法向進行擴散。利用公式、=“^對網(wǎng)格模型的頂點法向量
進行迭代擴散，將最后一次迭代結(jié)果作為基模型頂點的法向的預(yù)測值。2.檢測興趣區(qū)域。檢測興趣區(qū)域的方法為先找出一個包含了最多結(jié)構(gòu)特征的初始頂點集％并計算 其統(tǒng)計特征5V。，然后將初始頂點集的n環(huán)鄰域內(nèi)的頂點以環(huán)為單位逐次加入初始集，并計
算出新構(gòu)成的頂點集合\的統(tǒng)計特征&。如果&與的統(tǒng)計特征的差異#/(&，&。)超過 了預(yù)定義的閾值，那么，可以認(rèn)為新加入的頂點不在屬于結(jié)構(gòu)興趣區(qū)域檢測，否則，將這些 頂點加入興趣區(qū)域檢測。使用每一頂點在法向方向的偏移量S作為該頂點及其鄰域的幾
何特征描述。定義頂點集合V的統(tǒng)計特征sv為
和 之間的差異為=
同時定義兩個頂點集統(tǒng)計特征
-般的，統(tǒng)計特征的差異閥值取0. 15。檢測興趣區(qū)域算法的主要步驟如下算法興趣區(qū)域檢測算法Input 全局結(jié)構(gòu)曲線cOutput :c經(jīng)過的興趣區(qū)域1找出c經(jīng)過的已知區(qū)域的所有三角面片；2將屬于這些三角面片的頂點加入集合V。；3計算V。的統(tǒng)計特征&。；4Ret — V0 ；5while true do6找出Ret的一環(huán)鄰域N(Ret)；7Cur — Ret+N(Ret)；8計算Cur的統(tǒng)計特征Scur ；
閾值 then10退出循環(huán)；llelse12Ret — Ret+N(Ret)；13end14end15return Ret ；3.生成幾何細(xì)節(jié)圖像。生成幾何細(xì)節(jié)圖像的方法為首先，采用參數(shù)化的方法將三維網(wǎng)格的頂點映射到
一個二維域上，然后根據(jù)網(wǎng)格頂點的幾何細(xì)節(jié)信息重采樣生成一幅灰度圖像，所生成灰度
圖像中每個像素的灰度值是由此像素所屬三角形三個頂點的幾何細(xì)節(jié)信息插值得到的，這
幅圖像就是幾何細(xì)節(jié)圖像。幾何細(xì)節(jié)圖像相當(dāng)于網(wǎng)格模型的高頻幾何細(xì)節(jié)信息在二維域的一種等價表示。在生成幾何細(xì)節(jié)圖像時，參數(shù)化方法是及其重要的。將三維網(wǎng)格影射到二維參數(shù) 域的過程中，所采用的參數(shù)化方法應(yīng)該保證扭曲變形最小化。本文采取均值坐標(biāo)參數(shù)化方 法，該方法避免了能量系數(shù)出現(xiàn)負(fù)值的情況，可生成準(zhǔn)共形影射，有效的減小扭曲變形。為 了進一步減小參數(shù)化過程造成的參數(shù)域的面積扭曲，本文方法允許用戶在網(wǎng)格模型上選取 一塊包含空洞及興趣區(qū)域的準(zhǔn)矩形區(qū)域，然后將選取的區(qū)域的邊界以逆時針方向弦長參數(shù) 化到二維的矩形區(qū)域內(nèi)，對內(nèi)部頂點計算權(quán)值，由此得到一個大型稀疏的最小二乘線性系 統(tǒng)，本方法用Cholesky分解對該系統(tǒng)進行求解。完成參數(shù)化后，將網(wǎng)格頂點的參數(shù)值做為二維坐標(biāo)值，將頂點高頻細(xì)節(jié)信息做為 灰度值，并對該二維參數(shù)域進行重采樣，便可生成幾何細(xì)節(jié)圖像。這里需要考慮的是是幾何 細(xì)節(jié)圖像的分辨率問題。如果分辨率過低，那么三維模型的高曲率特征可能會由于低采樣 而丟失；如果分辯率過高，會給后續(xù)的計算帶來高昂的計算代價。在二維參數(shù)域中，設(shè)矩形 區(qū)域的長和寬分別為length和width，那么先求出參數(shù)域中的網(wǎng)格頂點間所有邊的平均邊 長size，并用st印=a X size作為采樣步長，則幾何細(xì)節(jié)圖像的分辨率為mXn，其中m = length/step, n = width/step0這里的a為用戶指定的常數(shù)，通常，a =0.3時，生成的 GDI即可達到采樣質(zhì)量的要求，又可滿足計算速度的要求。在生成GDI的過程中，用戶輸入 的結(jié)構(gòu)曲線C和對應(yīng)的興趣區(qū)域集合R也同時被映射到幾何細(xì)節(jié)圖像GDI的像素上，構(gòu)成 了幾何細(xì)節(jié)圖像上的結(jié)構(gòu)曲線和興趣區(qū)域，這些信息在修復(fù)幾何細(xì)節(jié)圖像時會被用到。4.修復(fù)幾何細(xì)節(jié)圖像。修復(fù)幾何細(xì)節(jié)圖像的方法為在興趣區(qū)域內(nèi)，沿著結(jié)構(gòu)曲線將已知區(qū)域內(nèi)的梯度 信息復(fù)制到空洞區(qū)域內(nèi)，然后修復(fù)非興趣區(qū)域，最終恢復(fù)出空洞區(qū)域內(nèi)所有像素的梯度值。 最后根據(jù)邊界處的像素信息和空洞內(nèi)的梯度信息，得到最終修復(fù)后的幾何細(xì)節(jié)圖像，使得 修復(fù)后的幾何細(xì)節(jié)圖像的梯度信息與空洞內(nèi)的梯度信息最接近。整個算法的流程如下(1)初始化幾何細(xì)節(jié)圖像中所有像素的各個屬性以及預(yù)計算。其中像素p的置信度信息初始化為計算每個像素的梯度信息和所有像素的距離長信息。其中計算梯度信息的方法是 前向差分法即
像素的距離場定義為 其中，L1表示1階的Minkowski距離，易知，通過廣度優(yōu)先搜索算法可以計算出像 素P的距離場信息。(2)優(yōu)先級的判定和更新。本發(fā)明采用基于樣例像素塊的方法，首先根據(jù)已知區(qū)域的興趣區(qū)域修復(fù)未知區(qū)域 的興趣區(qū)域中的像素塊，然后修復(fù)空洞內(nèi)剩余區(qū)域的像素塊。在修復(fù)過程中，像素塊修復(fù)的 順序非常重要，會直接影響最終的修復(fù)效果。本方法采用貪心算法，優(yōu)先級高的目標(biāo)像素塊
最先被修復(fù)，目標(biāo)像素塊a的優(yōu)先級定義為
其中
當(dāng)被修復(fù)時，％內(nèi)所有未知像素的梯度信息被源
像素塊中對應(yīng)像素的梯度值更新，未知像素的置信度信息confidence (p)也被更新 函加咖
其中| |為％中像素的個數(shù)。同時，被修
復(fù)后，空洞的邊界也會發(fā)生變化，因此需要根據(jù)新的邊界產(chǎn)生新的目標(biāo)像素塊和更新相關(guān) 的已有目標(biāo)像素塊，這些像素塊的優(yōu)先級也需要被更新。(3)相似像素塊的判定。依據(jù)像素塊的優(yōu)先級，可以從目標(biāo)像素塊集合T中選出優(yōu)先級最高的像素塊Wt， 為最先被修復(fù)的像素塊。為此需要從源像素塊集合S中，尋找像素塊，使得與
最相似。利用兩個像素塊之間灰度值和梯度值的差異來度量它們的相似程度。定義像素塊 卑3和 之間的距離為 其中 依據(jù)像素塊間的距離d(Ws，Wt)，可以找到與最相似的像素塊，使得 (4)修改梯度場。本發(fā)明根據(jù)與最相似的像素塊的梯度信息來修復(fù)中未知像素的梯度 值。對于不屬于任何興趣區(qū)域(R0I)或只屬于一個R0I區(qū)域的目標(biāo)像素塊Wt，只需在 中找出那些與未知像素相對應(yīng)的源像素，并將它們的梯度值直接復(fù)制過來即可。在處 理相交的興趣區(qū)域時，考慮到這些區(qū)域的幾何特征只與在此相交的結(jié)構(gòu)曲線經(jīng)過的已知區(qū)域相關(guān)，本文不采用BP或其變種算法求解全局最優(yōu)解，而是通過融合的方法構(gòu)造出這些區(qū) 域中未知像素合適的梯度值。若屬于多個興趣區(qū)域(R0I)，即位于多個R0I相交的區(qū)域時，定義每個R0I區(qū) 域的寬度為該R0I區(qū)域內(nèi)像素的最大1階Minkowski距離。設(shè)義屬于均^，…，“力，對 應(yīng)的R0I寬度為{<，…，<}，根據(jù)像素塊間相似性的判定，從用中選出的與義最相思的像素 塊集為汗丨，…，冗},像素Pt g A的最相思的像素集為{乂，…，凡“},相應(yīng)的距離場中的距離
為… ^本發(fā)明利用下式來修復(fù)^中未知像素的梯度值: (5)根據(jù)梯度信息恢復(fù)圖像。根據(jù)修改的梯度信息來恢復(fù)圖像信息，就是設(shè)法找到圖像1°，使其梯度和修改的 梯度G°最接近，即最小化
引入Laplacian算子A和散度算子div，求解Poisson
方程= div(G0)o由于幾何細(xì)節(jié)圖像I上的邊界5^的灰度值是已知的，將其作為 Dirichlet邊界條件，并對上述Poisson方程求解即可恢復(fù)出圖像1°。
權(quán)利要求
基于全局結(jié)構(gòu)的三維網(wǎng)格模型修復(fù)方法，其特征在于所述的修復(fù)方法分為4個階段，具體如下第1階段，檢測三維網(wǎng)格模型的空洞；第2階段，將所述三維網(wǎng)格模型通過使用改進的雙邊濾波算法分解為基模型和高頻信息；第3階段，基于第2階段分解后得到的基模型，使用平滑的三維模型修復(fù)方法修復(fù)所述基模型；第4階段，基于第2階段分解后得到的高頻信息，修復(fù)空洞中的幾何結(jié)構(gòu)細(xì)節(jié)，該階段分為6個步驟(1)由用戶通過圖形界面交互操作的方式添加結(jié)構(gòu)曲線；(2)基于(1)中的結(jié)構(gòu)曲線檢測興趣區(qū)域；(3)由用戶通過圖形界面交互操作方式指定控制區(qū)域，并將所述控制區(qū)域參數(shù)化到二維平面；(4)基于第2階段分解后得到的高頻信息在(3)中經(jīng)參數(shù)化得到的二維平面中生成幾何細(xì)節(jié)圖像；(5)修復(fù)由(4)得到的幾何細(xì)節(jié)圖像；(6)將由(5)修復(fù)后的幾何細(xì)節(jié)圖像映射回所述三維網(wǎng)格模型實現(xiàn)最終三維模型修復(fù)。
2.根據(jù)權(quán)利要求1所述基于全局結(jié)構(gòu)的三維網(wǎng)格模型修復(fù)方法，其特征在于所述第 2階段改進的雙邊濾波算法為將雙邊濾波器與Laplace算子相結(jié)合，定義了一個新的二階 Laplace雙邊濾波算子，并利用所述新的二階Laplace雙邊濾波算子迭代的對網(wǎng)格進行光 順；首先估算出基模型B中各頂點的法向，然后對所述三維網(wǎng)格模型M做光順處理得到基模 型B，這一過程中所述三維網(wǎng)格模型M中的頂點只會沿估算出來的基模型B中對應(yīng)頂點的法 向方向運動，最后計算出所述三維網(wǎng)格模型M中每個頂點相對于基模型B中對應(yīng)頂點的位 移，并將其作為該頂點的幾何細(xì)節(jié)信息，即高頻信息△，這樣，就達到將所述三維網(wǎng)格模型 M分解為基模型B和高頻信息A的目標(biāo)。
3.根據(jù)權(quán)利要求1所述基于全局結(jié)構(gòu)的三維網(wǎng)格模型修復(fù)方法，其特征在于所述第 4階段的步驟(2)，基于(1)中的結(jié)構(gòu)曲線檢測興趣區(qū)域的方法為先找出一個包含了最多 結(jié)構(gòu)特征的初始頂點集\并計算其統(tǒng)計特征，然后將初始頂點集的n環(huán)鄰域內(nèi)的頂點以 環(huán)為單位逐次加入初始集，并計算出新構(gòu)成的頂點集合\的統(tǒng)計特征5如果與&。的統(tǒng) 計特征的差異#/0^.，^))超過了預(yù)定義的閾值，那么，可以認(rèn)為新加入的頂點不在屬于結(jié) 構(gòu)興趣區(qū)域檢測，否則，將這些頂點加入興趣區(qū)域檢測；使用每一頂點在法向方向的偏移量 6作為該頂點及其鄰域的幾何特征描述。定義頂點集合V的統(tǒng)計特征Sv為&同 時定義兩個頂點集統(tǒng)計特征e和^之間的差異為:diff SV) = ~\~^
4.根據(jù)權(quán)利要求1所述基于全局結(jié)構(gòu)的三維網(wǎng)格模型修復(fù)方法，其特征在于所述第4階段的步驟(4)，基于第2階段分解后得到的高頻信息在(3)中參數(shù)化得到的二維平面中 生成幾何細(xì)節(jié)圖像的方法為首先，采用參數(shù)化的方法將三維網(wǎng)格的頂點映射到一個二維 域上，然后根據(jù)網(wǎng)格頂點的幾何細(xì)節(jié)信息重采樣生成一幅灰度圖像，所生成灰度圖像中每 個像素的灰度值是由此像素所屬三角形三個頂點的幾何細(xì)節(jié)信息插值得到的，這幅圖像就 是幾何細(xì)節(jié)圖像；幾何細(xì)節(jié)圖像相當(dāng)于網(wǎng)格模型的高頻幾何細(xì)節(jié)信息在二維域的一種等價 表不。
5.根據(jù)權(quán)利要求1所述基于全局結(jié)構(gòu)的三維網(wǎng)格模型修復(fù)方法，其特征在于所述第 4階段的步驟(5)，修復(fù)由⑷得到的幾何細(xì)節(jié)圖像的方法為在興趣區(qū)域內(nèi)，沿著結(jié)構(gòu)曲線 將已知區(qū)域內(nèi)的梯度信息復(fù)制到空洞區(qū)域內(nèi)，然后修復(fù)非興趣區(qū)域，最終恢復(fù)出空洞區(qū)域 內(nèi)所有像素的梯度值；最后根據(jù)邊界處的像素信息和空洞內(nèi)的梯度信息，得到最終修復(fù)后 的幾何細(xì)節(jié)圖像，使得修復(fù)后的幾何細(xì)節(jié)圖像的梯度信息與空洞內(nèi)的梯度信息最接近。
全文摘要
基于全局結(jié)構(gòu)的三維網(wǎng)格模型修復(fù)方法，分為4個階段第1階段，檢測三維網(wǎng)格模型的空洞；第2階段，將所述三維網(wǎng)格模型通過使用改進的雙邊濾波算法分解為基模型和高頻信息；第3階段，基于第2階段分解后得到的基模型，使用平滑的三維模型修復(fù)方法修復(fù)基模型；第4階段，基于第2階段分解后得到的高頻信息，修復(fù)空洞中的幾何結(jié)構(gòu)細(xì)節(jié)；該階段分為7個步驟(1)由用戶通過圖形界面交互操作的方式添加結(jié)構(gòu)曲線；(2)基于(1)中的結(jié)構(gòu)曲線檢測興趣區(qū)域；(3)由用戶通過圖形界面交互操作方式指定控制區(qū)域，并將該區(qū)域參數(shù)化到二維平面；(4)基于第2階段分解后得到的高頻信息在(3)中參數(shù)化得到的二維平面中生成幾何細(xì)節(jié)圖像；(5)修復(fù)由(4)得到的幾何細(xì)節(jié)圖像；(6)將由(5)修復(fù)后的幾何細(xì)節(jié)圖像映射回所述三維網(wǎng)格模型實現(xiàn)最終三維模型修復(fù)。本發(fā)明可以修復(fù)具有明顯全局結(jié)構(gòu)細(xì)節(jié)信息的三維網(wǎng)格模型，修復(fù)后的三維網(wǎng)格模型擁有更加豐富的幾何結(jié)構(gòu)細(xì)節(jié)。
文檔編號G06T17/40GK101877148SQ20091023765
公開日2010年11月3日 申請日期2009年11月13日 優(yōu)先權(quán)日2009年11月13日
發(fā)明者劉征彥, 張德慧, 楊棽, 齊越 申請人:北京航空航天大學(xué)