مش‌بندی مجدد غیر ایزوتروپیک مدل‌های سه بعدی با رویکرد نمونه برداری وفقی

امروزه گسترش گوشی های هوشمند و نرم افزارهای سه بعدی به کار رفته در این سیستم ها، نیاز به پردازش سریع مدل های سه بعدی را کاملا آشکار می سازد. ولی حجم بالای رئوس و وجوه موجود در مدل های سه بعدی، سرعت ارسال و دریافت داده ها را کاهش داده و حافظه ذخیره سازی بیشتری را می طلبد. در این مقاله، روشی برای مش بندی مجدد غیرایزوترپیک مدل های سه بعدی پیشنهاد می شود. در این روش از معیار نایکوئیست برای نمونه برداری از مدل اصلی استفاده می شود. این معیار به صورت محلی برروی هر بخش از مش اعمال شده و فرایند نمونه برداری را انجام می دهد. سپس، مش بندی مجدد به نقاط نمونه برداری شده افزوده شده و مدل ساده سازی شده تشکیل می شود. جهت کسب مدل با کیفیت بالا از مدل مش بندی شده جدید، از یک روش درون یابی زیر تقسیم غیر خطی استفاده می شود. نتایج بدست آمده نشان می دهند که الگوریتم ارائه شده علاوه بر کاهش تعداد رئوس و وجوه مدل، توانایی حفظ جزئیات را به خوبی دارد. الگوریتم پیشنهادی با روش های شناخته شده در زمینه ساده سازی مش مقایسه شده و نتایج بدست آمده گویای توانایی روش پیشنهادی در بازسازی مدلی با کیفیت بالا است.

Anisotropic Re meshing of 3D Models Based on Adaptive Sampling

Nowadays, various kind of smart phones and 3D software are produced, which require large memory space. However, large number of vertices and faces in 3D models not only decrease the speed of sending and receiving of data but also can make problem in systems with low memory space. In this paper, an anisotropic remeshing of 3D models is proposed. In this algorithm, the Nyquist theorem is employed for sampling from each selected segment of the mesh, locally. Then, the retriangulation algorithm is applied to the selecte samples to construct the simplified mesh. In order to construct a high quality mesh from the remeshed model, a non linear subdivision is employed. The achieved results show that the algorithm can reduce the number of vertices and faces beside preserving details of model. The proposed method is also compared to the stateoftheart algorithms are used in simplification studies, the outcomes illustrate the ability of the proposed method in producing high quality models.