三维云建模与渲染关键技术的研究

来源 :南京信息工程大学 | 被引量 : 0次 | 上传用户:laotzu123
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
虚拟现实技术是计算机图形学中重要的研究领域,而针对风、云、雷电等自然界现象模拟技术的研究在虚拟场景中占据了很大的研究范围。动态三维云模拟通常包含建模与渲染两方面,其中建模决定了云的复杂程度和外观形态,而渲染是模拟云的光照效果和逼真程度。本文基于真实气象数据进行大规模云模拟,在这两个方面研究适用于云模拟技术的应用方法。主要内容包括以下两个方面。在建模方面,针对目前可视化方法存在的建模外观形态偏规则等问题,提出基于消散粒子系统的精细三维云动态模拟方法。为使得基于WRF数据的云模型展示出精细的三维云外形,构建封闭的上下表面。利用改进的多邻域跟踪算法搜索出云的边界点,并采用Hermite曲线对云表面进行重新构建,最终加入Simplex噪声与圆球表面相结合,进行扰动,消除由于Hermite曲线带来的云表面规则现象,呈现精细的三维云表面效果。为了实现实时模拟云的消散过程,根据对三维云的浓度分布以及粒子位置进行消散函数计算。实验结果表明,该方法应用于云数据建模,在保证建模速度的同时,能够进一步精细云表面、展示云的动态消散过程。在渲染方面,针对现有的绘制复杂度高以及渲染逼真度偏低等问题,提出了基于多样性插值方式的三维云模拟方法。对光线投射中的采样点分析,利用采样点的光学属性,阈值范围使用不同的采样步长和插值方式,来实现云绘制方面的速度优势。为了可以展示云的光照效果变化情况,在增强云的光照强度方面,采用曲率计算方法,能够清晰体现三维云的内部结构信息和外部的形状细节。实验结果表明,该渲染方法可以提高绘制速度,并且能够增强光照效果真实度。
其他文献
我国上亿农村外出务工人员城乡两栖、往返流动,在家庭利益最大化的考虑与难以整体迁徙的事实下产生了庞大的农村留守儿童群体,他们经历着长期的亲子分离。难以否认,与非农村
当前,我国的精准扶贫已经取得了举世瞩目的成就。为巩固扶贫成果,乡村振兴战略衔接精准扶贫方略,进一步提升农村发展水平,推动乡村治理的转型。在这两项政策举措的背后,不仅
近些年来,越来越多的自然科学领域研究者开始对学科内研究的可重复性进行反思。然而,在社会科学领域中同样存在着利用数据反映社会现象的研究分支。因此,社会科学同样需要反
图像空间分辨率是指传感器观察或测量最小物体的能力,这取决于像素的大小。作为二维信号记录,高分辨率的数字图像一直是医疗、遥感、军事等领域所需要的。但是,在实际应用中,为了保证成像设备的长期稳定运行,以及为动态场景提供合适的帧率,往往会在一定程度上牺牲分辨率。因此,分辨率的提高是十分必要的。受限于当前成像设备的技术水平和成本,人们不得不借助超分辨率重建方法来提高图像分辨率。近年来,基于残差学习的超分辨
随着科技的快速发展,越来越多的设备接入网络,网络中的数据量也呈爆发式增长,而有限的带宽资源并不能满足用户集中请求内容的需求。为了减少用户访问时延,提高用户体验,无线网络中的终端设备间引入了协同缓存技术。而设备间相互通信、内容共享的前提是已知相邻设备存在,即完成了相互间的邻居发现过程。因此,本文从设备间的邻居发现和协同缓存放置两方面入手,从而加快邻居发现的速度,增加缓存命中率,降低用户的访问时延。同
用户体验最早在HCI领域被提出,近年来受移动互联网热潮的影响而在国内大面积传播,然而这一背景下用户体验的火热大多集中在狭义对象的浅层经验,没能触及用户体验自身的学理讨论。随着上一轮移动互联网热潮衰退,原有始于外部的用户体验发展动力大幅消减,用户体验从业者有必要从系统化的知识与学理层面重新认识用户体验的本质内涵,继而探索新的阶段下用户体验的发展路径。受Saussure共时性与历时性概念的启发,本文以
儿童学习自由指的是儿童作为受教育者在教育中自觉、自主、自我指导的学习状态,包括选择自由、表达自由、交往自由和思想自由。只有拥有学习自由,才能使儿童在不断的学习中逐
推荐系统是数据挖掘等相关领域的重要研究内容,可解决信息膨胀带来的信息有效利用率骤降问题,在商品推荐等方面有着广泛的应用。基于评分矩阵的推荐系统存在数据稀疏性、不可解释性、同义词性、冷启动等缺陷;针对数据稀疏问题,研究者利用稀疏矩阵的低秩性质对矩阵进行约束,以此对数据矩阵进行补全求解,提出了基于矩阵补全技术的推荐算法。论文侧重针对数据稀疏性问题,围绕基于矩阵补全的推荐算法开展研究,主要研究工作如下:
图像去噪作为后续图像分析,诸如图像恢复,图像校准,图像提取,图像增强,图像建模等的基础步骤,去噪的效果的好坏直接影响着后续步骤的效果,所以图像去噪一直是图像领域内的一
高维特征的数据分析是当前数据挖掘和计算机视觉研究的热点,然而高维数据的维度灾难导致数据分析过程较为困难,且分析的结果往往不可靠。子空间学习方法通过将高维的人脸图像投影到其低维的子空间,最大程度保留高维数据之间的有效信息。将数据的低维子空间信息存储在表示矩阵中,用于进一步的数据分析和挖掘,可以获得较好的分类性能和计算复杂度。然而,传统子空间的学习方法无法避免数据噪声和异常值的影响,如何设计一个高性能