[发明专利]基于面聚类的自适应LOD模型构建方法

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。

主权项

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：A1、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；构建形状LOD按以下步骤进行：在阈值内的所有面构成三级的简化模型；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LOD；通过三级LOD模型，如下式：f1＞＝f2......＞＝fk1......＞＝fk2......＞＝fn；Fal＝{F1，F2,……,Fk1,……,Fk2,......,Fn}；M1={F1,F2,......,Fk1}M2={Fk1+1,......,Fk2}M3={Fk2+1,......,Fn};]]>f1＞＝f2......＞＝fk1......＞＝fk2......＞＝fn为按从大到小排列的面的重要因子，使用各个面的面积大小来给定重要因子的值，Fall＝{F1，F2,......,Fk1,......,Fk2,......,Fn}为每个重要因子相对应的面的排列，为面聚类划分结果，根据划分结果得到即LOD模型，包含LOD0，LOD1和LOD2，fi为排序中排在第i位的重要因子，i为正整数，fk1和fk2分别是组成M1和M2的面的重要因子值f的最小值，即分割阈值，下标k1和k2表示其在重要因子排序中的位置；Fi表示fi对应的面，Fall指所有面的集合，而精细模型包含了所有面，所以Fall即精细模型，M1，M2，M3分别表示被分割成的三部分的面集合；精细模型LOD0由{M1,M2,M3}组合构成，LOD1和LOD2表示的是生成的不同级别的简化模型，分别由{M1,M2}和{M1}组成，LOD1的精细程度要大于LOD2；步骤二、采用累加方式加载形状LOD，利用传统切换方式加载纹理LOD。