[发明专利]一种基于GPU加速的维诺图三维网格重构方法

说明书

本发明涉及一种基于GPU加速的维诺图三维网格重构方法，包括以下步骤：利用k‑dtree查找三角网格与输入点数据的空间邻近关系并将邻近关系解释为点数据的维诺图，利用空间切割算法计算维诺图和三角网格的交集并以此计算点数据的能量，更新点位置，多次迭代直至能量函数收敛，并通过Delaunay三角化算法构造新的网格。本发明借助GPU强大的并行计算能力，大大提高了算法的计算速度和效率。

技术领域

本发明属于三维网格重构技术领域，具体涉及基于维诺图特性和GPU的通用计算加速的网格重构方法。

背景技术

三维网格模型作为三维媒体的一个重要载体得到了越来越广泛的关注与应用，在工业制造、数字娱乐、数字文化遗产、智能城市等方面发挥了重要的作用。近年来，随着计算机处理能力的提高和三维扫描技术以及视觉重建技术的发展，三维网格模型的获取变得更加容易和快捷。但是，初始获得的粗糙模型通常存在各种缺陷，很难直接用于各种计算，通常需要进行去噪，修补，简化，以及重采样等处理以满足应用需求。

目前三维网格模型主要由如下几种方式获得：(1)通过激光扫描仪扫描得到粗糙点云数据并进行重建；(2)通过对连续曲面离散化；(3)通过对体数据或者隐函数的等值面提取；(4)通过计算机视觉方法获得(比如通过多角度图像重建，或者通过三维模型的轮廓线重建等)，如图1所示。通常情况下，这些模型往往存在数据量大、网格质量差等缺点，不能直接用于比如有限元模拟、计算机动画、三维打印等对网格质量要求很高的应用中。重新网格化(Remeshing)，是在输入网格的基础上，在保持拓扑信息不变的前提下对网格进行重采样并且网格化，以满足不同应用的各种需求。

Voronoi cells方法是生成非结构网格的常用方法之一，通常的文献都称之为Delaunay triangulation方法，这是因为人们一般都采用与Voronoi cells等价的Delaunay triangles的数据结构和算法。基于Voronoi本身结构的特性，将普通的三角网格结构转化为有Delaunay triangles，能大大的增强复杂模型在解决问题的时候的健壮性。同时维诺图生成网格时还使用了树状搜寻方法，本身就具有高效性，为之后实时重构铺下了基础。

此外，在巨大的游戏市场的驱动下，图形处理器GPU(Graphics Processing Unit)正在快速地发展。GPU的运算能力已经高于CPU。GPU与CPU相比，在浮点运算能力，内存带宽，价格上都体现了极大的优势。然而由于GPU的硬件构造是为图形显示而设计，并不适合完成CPU所进行的通用计算任务。随着今年来对于GPU通用计算的研究，以及GPU厂商的推动，现在出现了较为完善的通用计算编程语言和GPU的驱动。在支持通用计算的GPU中，顶点着色器，几何着色器，以及像素着色器都是高度可编程的。对于用户来说这些着色器统一成为流处理器。

当前主要的GPU通用计算语言包括CUDA和OpenCL(Open Computing Language)。英伟达公司提出CUDA并行计算架构。CUDA利用GPU的浮点计算能力，可大幅度提升计算性能。CUDA是针对NVIDIA显卡架构进行特别设计和优化的GPU通用计算语言。OpenCL则是由苹果公司提出的，多家公司共同联合开发的，跨平台异构系统的通用计算语言。OpenGL是可以运行在不同厂商GPU，CPU，DSP，等处理器上而不需要进行代码改写的异构平台的通用计算语言。