基于Voronoi极点特征值显著度加权的网格简化算法 他的意思是简化完了再用这个Hausdorff 距离距离看看已简化的模型和原模型的差别大不大
并通过三角化网格误差评估软件 Metro[10]对简化的结果进行了量化评价,使用Hausdorff 距离作为量化标准,估算简化结果与原
始模型之间的差别
文献[9]算法没有使用显著性进行加权,直接使用二次误差矩阵来进行网格简化。文献[3]算法中使用高斯曲率特征值对显著度进行估计,然后
进行网格简化。本文分别使用 3 种算法对模型进行50%、80%网格简化,所得到的简化结果对比见图5 和图6。
从表1 的数值结果可以看出,Hausdorff 距离都很小,说明 3 种算法的简化结果与原始参考模型相差不大,都接近原始的模型,即 3 种算法的简化都是合理的。但是在视觉显著性上,结合图5 和图 6 的视觉化结果可知,本文的算法对原始网格进行简化后,能够对模型较为尖锐的区域
基于逆Loop细分的半正则网格简化算法 这篇文章的几个参考文献都可以
人们往往并不总是需要高精度的模型。为满足各种实际场景的需求,产生了诸如网格简化、网格压缩、动态细节层次(levels of detail)和渐进传输等一系列方法来平衡人们对于模型精度、硬件限制、网络带宽以及运算速度的需求。
图元聚类算法[1-4]通过顶点聚类或者聚合近似平面实现了模型几何元素的削减,具有易于实现、健壮性好、无拓扑限制、适于并行处理并且计算效率高等优点,但简化精度受聚类数目和包围盒大小的影响,无法保持一些精细特征。
最新一些研究将神经网络与传统简化算法相结合[25-26],使得网格简化在动态参数的选择以及运算速度上得到了提升。
文献[