基于面聚类的自适应lod模型构建方法
【专利摘要】本发明公开了一种基于面聚类的自适应LOD模型构建方法，属于三维数字城市及地理信息系统领域，本发明减少了LOD模型的数据量；利用本方法得到的简化LOD模型由于是一种递进式的加载，每个LOD的构成都来源于原始模型的部分面构成，因此不会造成顶点属性的错乱；本发明算法效率高，可用于实时自适应生成LOD模型，有效避免了LOD切换时过度不够自然；根据纹理分辨率对纹理优化更加规范。
【专利说明】基于面聚类的自适应LOD模型构建方法
【技术领域】
[0001]本发明属于三维数字城市及地理信息系统领域，特别是涉及一种LOD模型构建方法。
【背景技术】
[0002]LOD (Levels of Detail，细节层次)是常用的三维模型加载思想，其核心在于生成良好的LOD模型和LOD模型的加载策略。良好的模型优化结果在相同的加载模型下能够提高渲染效率；而对于相同的模型，良好的加载模式同样能够提高渲染速度。
[0003]现有的建筑模型简化方法，大多采用基于自由网格的简化方法，在删减面或合并面的过程中，会使得建筑物产生变形，效果不佳；其次，由于建筑模型通常都贴有纹理数据，而在大部分的模型简化方法中，对顶点属性考虑不够，简化方法会带来纹理贴图坐标的混舌L从而导致纹理贴图错乱，极大地降低了模型简化的质量。
[0004]LOD模型的加载效率不高。许多三维平台在加载海量模型数据的时候，存在模型加载效率低，LOD模型之间切换不够流畅，加载和渲染速度慢的问题，影响了视觉体验效果，影响了三维平台进一步的行业应用，如何提高模型的动态吞吐速度和加快大场景的三维绘制速度需要解决的难题。
【发明内容】
[0005]有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种数字城市中，提高大场景三维模型加载效率的LOD模型构建方法。
[0006]为实现上述目的，本发明提供了一种基于面聚类的自适应LOD模型构建方法，按以下步骤进行:
[0007]步骤一、生成形状LOD ;生成并优化纹理LOD ；
[0008]所述生成形状LOD按以下步骤执行:
[0009]Al、获取每个面的重要因子；
[0010]A2、确定重要因子的分割阈值并划分模型；
[0011]A3、生成简化模型，构建形状LOD ;
[0012]步骤二、采用累加方式加载形状L0D，利用传统切换方式加载纹理L0D。
[0013]较佳的，步骤一中所述获取每个面的重要因子按以下步骤进行:
[0014]为建筑模型的每一个面定义其对于整个建筑模型外观贡献程度的重要因子，设定所有面的重要因子的总和为1，设定简化模型的重要因子总和为Ε，0〈Ε ( I ;对于同样大小的重要因子总和E，获取使用个数最少的面的组合。
[0015]较佳的，步骤一中所述确定重要因子的分割阈值并划分模型按以下步骤进行:
[0016]将所有的面按照重要因子的大小排列，通过设定两种以上重要因子的分割阈值，对建筑面进行分割，得到面聚类结果，从而将建筑模型划分成多个部分；再对这些划分的部分进行组合得到不同级别的形状L0D。[0017]较佳的，步骤一中所述生成简化模型，构建形状LOD按以下步骤进行:
[0018]在阈值内的所有面构成该级别的简化模型；通过不同的分割阈值，划分得到不同级别的简化模型，通过不同级别的简化模型组合构建出形状L0D。
[0019]较佳的，步骤一中所述进行LOD模型纹理优化按以下步骤进行:
[0020]设定LOD模型纹理的精细纹理为Tl，设定LOD模型纹理的简化纹理为T2 ；
[0021]对于精细纹理Tl，优化精细模型图片尺寸:
[0022]设定用于贴图的纹理标准分辨率为R1 (rlX, rlY)，rlX和riy分别为用于贴图的纹理标准在坐标轴X方向和y方向上的分辨率；设定精细模型图片分辨率为R2Cf2X, r2y), r2x和r2y分别为精细模型图片在坐标轴X方向和y方向上的分辨率；设定精细模型图片的缩减倍数为N(nx, ny), nx和ny分别为精细纹理在坐标轴x方向和y方向的缩减倍数；计算
【权利要求】
1.一种基于面聚类的自适应LOD模型构建方法，其特征在于按以下步骤进行: 步骤一、生成形状LOD ;生成并优化纹理LOD ； 所述生成形状LOD按以下步骤执行: Al、获取每个面的重要因子； A2、确定重要因子的分割阈值并划分模型； A3、生成简化模型，构建形状LOD ； 步骤二、采用累加方式加载形状L0D，利用传统切换方式加载纹理L0D。
2.如权利要求1所述的基于面聚类的自适应LOD模型构建方法，其特征是:步骤一中所述获取每个面的重要因子按以下步骤进行: 为建筑模型的每一个面定义其对于整个建筑模型外观贡献程度的重要因子，设定所有面的重要因子的总和为1，设定简化模型的重要因子总和为Ε，0〈Ε≤1 ;对于同样大小的重要因子总和E，获取使用个数最少的面的组合。
3.如权利要求1所述的基于面聚类的自适应LOD模型构建方法，其特征是:步骤一中所述确定重要因子的分割阈值并划分模型按以下步骤进行: 将所有的面按照重要因子的大小排列，通过设定两种以上重要因子的分割阈值，对建筑模型的面进行分割，得到面聚类结果，从而将模型划分成多个部分；再对这些划分的部分进行组合得到不同级别的形状L0D。
4.如权利要求1所述的基于面聚类的自适应LOD模型构建方法，其特征是:步骤一中所述生成简化模型，构建形状LOD按以下步骤进行: 在阈值内的所有面构成该级别的简化模型；通过不同的分割阈值，划分得到不同级别的简化模型，通过不同级别的简化模型组合构建出形状L0D。
5.如权利要求1所述的基于面聚类的自适应LOD模型构建方法，其特征是:步骤一中所述进行LOD模型纹理优化按以下步骤进行: 设定LOD模型纹理的精细纹理为Tl，设定LOD模型纹理的简化纹理为T2 ； 对于精细纹理Tl，优化精细模型图片尺寸: 设定用于贴图的纹理标准分辨率为R1 (rlX, rlY)，rlX和riy分别为用于贴图的纹理标准在坐标轴X方向和y方向上的分辨率；设定精细模型图片分辨率为R2(r2x，r2y)，r2x和r2y分别为精细模型图片在坐标轴X方向和y方向上的分辨率；设定精细模型图片的缩减倍数为N(nx, ny), nx和ny分别为精细纹理在坐标轴x方向和y方向的缩减倍数；计算7V(?x,?_y) = (2_(W)],2PuW”'>])得到精细模型图片的缩减倍数；将精细模型图片的长度和宽度缩减为原来的1/N(nx，ny)； 使用3Dmax的渲染到纹理技术，将所有简化纹理T2合并成一张图，并利用重采样方法按实际需要降低简化纹理T2合并后的分辨率。
【文档编号】G06T15/04GK103886635SQ201410158036
【公开日】2014年6月25日 申请日期:2014年4月18日 优先权日:2014年4月18日
【发明者】詹勇, 陈翰新, 李锋, 王阳生, 王昌翰, 孔维彬, 胥洪峰 申请人:重庆市勘测院