WedX - журнал о программировании и компьютерных науках

Заполнение замкнутого пространства/воздуха внутри воксельных моделей — какие-нибудь быстрые алгоритмы?

Я создал Voxelizer для моделей .obj, который до сих пор работает довольно хорошо. Однако он только превращает поверхность модели в воксели, а не заполняет ее. И его последующее заполнение очень важно для дальнейшего экспорта и оптимизации.

Я думал о вариантах заполнения пространства, но просто не мог найти эффективный алгоритм, который это делает.

Вот как выглядит внутренность «кошки», снова экспортированная как .obj. введите здесь описание изображения

Существуют ли какие-либо быстрые алгоритмы для обнаружения замкнутого пространства внутри формы вокселя?

Мои воксели хранятся либо в

List<Voxel> //Voxel contains 4 integers for x,y,z,rgb OR
Map<int[], java.awt.Color>.

Мне нужен алгоритм, который действительно эффективно работает с одним из них.

java algorithm 3d modeling wavefront
03.02.2016

  • Как вы относитесь к аппроксимативным алгоритмам? Должен ли он работать на 100%, если это закрытое пространство? Если нет, вы можете послать лучи в 6 направлениях и для каждого вокселя, в который попадает каждый луч, выполнить рекурсивную проверку в каждых 5 направлениях (минус полученное направление) и т. д. Сделайте это в рекурсии 4 без лучей, которые не попадают в воксель и вы можете с уверенностью предположить, что он закрыт. 03.02.2016
  • Он должен быть абсолютно точным. Что только что пришло мне в голову, так это, возможно, использовать логическое значение [x][y][z] для представления воздуха. На самом деле это должно быть быстрее, чем использование набора или карты. Дело в том, что каждый кусочек воздуха, который косвенно соединяется с ограничивающей рамкой, виден. Поэтому, если бы я начал зацикливаться в точке ограничивающей рамки и расширил ее во всех 6 направлениях вокруг вокселя, вы могли бы получить довольно эффективный результат. Я все еще уверен, что должен быть лучший способ... 03.02.2016
  • Вероятно, было бы самым быстрым и простым, чтобы вокселизатор также заполнил форму. У меня нет доказательств, но растеризатор графики также заполняет фигуры при растеризации. Он не рисует обводку, а затем заполняет ее на втором этапе. 03.02.2016
  • Я не мог использовать графику из-за того, что это повлияет на модель только на уровне 2d. Вам придется делать дополнительные циклы между каждым новым слоем вокселей, чтобы увидеть, заполнены ли воксели под ним или нет. 03.02.2016
  • Если это был ответ на мой комментарий: я не говорил, что вы должны использовать графику. Я просто хотел сказать, что у меня есть ощущение, что заполнение воксельной модели при ее построении (в отличие от последующего заполнения) может быть лучшим подходом. Растрирование было просто иллюстрацией возможно связанной проблемы. 03.02.2016

Ответы:


1

вот лучший подход, который я придумал до сих пор: 1) Он начинается с предположения, что у вас есть только один объем: нет отдельных полигональных сеток. Это легко проверить. Если это не так, потребуются дополнительные шаги, но процесс останется прежним.

2) Возьмите любой воксель в сетке, который не является частью вокселя оболочки. проследите его до ближайшей точки на сетке, чтобы выяснить, является ли это частью внутреннего или внешнего объема.

3) Рекурсивно заливать на всех соседей которых тоже нет в шелле, пока расти некуда. Когда это произойдет, вы распознаете либо внешнюю, либо внутреннюю часть вашего меша (в зависимости от того, с чего вы начали).

4) нахождение противоположного объема — простая операция вычитания: vol_2 = all_voxels — shell — vol_1. если vol_2 пуст, ваша оболочка открыта и операция флуда проникает через пробелы.

23.05.2017
  • или на самом деле он может быть закрыт, если воксели достаточно велики, чтобы воксели оболочки заполнили весь объем. 24.05.2017
    • Новые материалы
    Объяснение документов 02: BERT
    BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
    Как проанализировать работу вашего классификатора?
    Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
    Работа с цепями Маркова, часть 4 (Машинное обучение)
    Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
    Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
    Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
    Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
    Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
    Учебные заметки: создание моего первого пакета Node.js
    Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..
    Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
    Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..
    Для любых предложений по сайту: [email protected]