复杂三维模型的高效观察方法

优化的模型观察方法是图形学中重要的研究方向，广泛应用在基于图像的建模、场景漫游、镜头控制、体数据绘制和医学数据可视化等方面。近年来，随着三维模型扫描及建模技术的不断发展，图形学需要处理的模型数量、种类及规模都有很大增长，这给模型观察带来了新的困难，但同时也是机遇和挑战。 目前的模型观察方法在视点质量评价算子、综合性和Benchmark等方面仍然存在一些问题。已有的基于模型几何信息的视点质量评价算子都只考虑了模型显著特征数量，而没有考虑模型显著特征种类分布情况。这样可能造成选择的视点只包种类单一的显著特征，不能表达模型整体的显著特征类型分布。当前模型观察的方法一般只针对模型整体或者模型单一的局部选择一个或多个视点进行观察，这些方法对较复杂三维模型的观察效率不够高。目前对模型观察结果的评价还停留在感性阶段等等。针对以上问题，本文提出了新的视点质量评价算子、新的模型观察方法和Benchmark。具体描述如下： 1. 提出了一种基于模型几何信息的视点选择方法，能够获得与基于模型语义信息的方法类似的结果，但无需比较复杂的模型语义分析。与已有的方法追求在一个视点内包含更多模型显著特征不同，新方法基于一种视点相关曲率，在视平面上度量模型特征，使得优化视点内包含的模型显著特征种类更多。由于视点所包含的内容与模型可见特征的种类有很大关联性，我们的方法生成的视点包含的模型显著特征种类分布与模型整体显著特征的种类分布更相似，大多数时候都与人们观察模型时所喜欢的Three-Quarter View相近。实验结果表明了本方法的效率和有效性。 2. 提出了一种模型观察方法，可自动地生成观察序列，实现对模型由全局到局部的优化观察。基于层次骨架树的建立，该方法将模型的全局特征、局部特征和细节特征进行层次化的有序组织。由此，可生成不同层次特征的观察视点，且有效表达它们之间的关联性，以较好地符合人脑对模型的认知方式，减少人工交互选择视点的盲目性，提高认知效率。实验表明，相比于人工交互的视点选择，我们的观察方法节约一半以上的时间，并显著地降低认知识错误率。 3. 设计并实现了一个视点选择Benchmark，对视点选择结果进行量化分析。首先，我们采集了30个测试者对45个模型的视点选择结果，借以确立真人视点选择的基准视点；接着，以基准视点为参考，分析了真人视点选择的一致性和稳定性；最后，应用五个（共三类）代表性的算法进行视点选择，并比较其结果与基准视点的差别，得到各视点选择算法的质量及时间效率。实验表明，真人视点选择整体具有较好的一致性和稳定性，但对不同特征类型模型，一致性的表现有较大差异；已有视点选择算法对45个测试模型的结果整体差异不大，各类视点选择算法对不同特征类型模型结果互有优劣。 关键词： 模型观察，视点选择，层次骨架，模型结构分析，Benchmark