EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 4: 551 - 563

DOI: https://doi.org/10.12082/dqxxkx.2021.200288

Study on Fractal Viewing Distance (FVD) Multi-Resolution Texture Data Generation and Organization

  • BAO Xin , 1, 2 ,
  • ZHOU Guoqing , 1, 2, * ,
  • HE Hongchang 1, 2
Expand
  • 1. Guangxi Key Laboratory of Spatial Information and Geomatics, Guilin University of Technology, Guilin 541004, China
  • 2. College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541004, China
*ZHOU Guoqing, E-mail:

Received date: 2020-03-21

  Request revised date: 2020-08-14

  Online published: 2021-06-25

Supported by

National Natural Science Foundation of China(41431179)

National Natural Science Foundation of China(41961065)

Guangxi Innovative Development Grand Program(AA18118038)

Guangxi Innovative Development Grand Program(AA18242048)

Copyright

Copyright reserved © 2021
Fold

Abstract

Texture is one of the important information in the three-Dimensional (3D) city photorealistic mapping, which usually occupies large computer memory for storage. As a result, the effective modeling and organization of texture data become an important issue in geographic information science community. Hence, this paper proposes the Fractal Viewing Distance (FVD) multi-resolution texture data generation and organization method for 3D city building photorealistic mapping. First, a fractal compression method based on the self-similarity and self-affine properties of texture is developed, which compresses and stores texture and 3D building model data in the database. Second, the corresponding texture is created and organized according to the visual distance and the visibility of the target facade. When the visual distance meets the texture calling condition and the target facade is visible, the texture data is iteratively decompressed, and the number of texture resampling is determined to create multi-resolution texture data. A texture index is established and stored in a database according to the relationship between various types of 3D building model data. When the visual distance does not meet the texture calling condition, but the target facade is visible, the building facade texture is represented using a colored texture tree created in this paper. The method smooths the texture and divides it into different rectangles as nodes based on the color difference, and then a colored texture tree is built to store these nodes. In the process of model visualization, the nodes are merged to represent the texture. Finally, the corresponding texture is selected according to the angle of view and distance, representing the dynamic and smooth visualization of the 3D model. The experimental field consisting of a total of 5290 texture data, located in Lixia District, Jinan City, Shandong Province is selected to validate the method we proposed, which occupies a total size of 6.1G. The results demonstrate that when the number of decompressing iterations reaches around 8 or 10, the peak ratio of signal to noise of each texture tends to be stable. The average memory consumption is approximately 54.7%, and the frame rate for building façade mapping is at about 42 frames per second. Compared with 3ds Max and SketchUp Pro, the proposed method reduces the memory occupation by about 36.5 % and 49.1%, respectively, and increase the frame rate approximately by 7 % and 10.9 %, respectively. The method proposed in this paper has achieved a good balance between rendering efficiency and visual quality of 3D building model. The method proposed in this paper can provide an effective scientific support for the establishment of smart city.

Key words： 3D building model; multi-resolution texture; texture organization; fractal compression; texture segmentation algorithm; viewing distance; color texture tree; dynamic visualization

Cite this article

BAO Xin , ZHOU Guoqing , HE Hongchang . Study on Fractal Viewing Distance (FVD) Multi-Resolution Texture Data Generation and Organization[J]. Journal of Geo-information Science, 2021 , 23(4) : 551 -563 . DOI: 10.12082/dqxxkx.2021.200288

1 引言

纹理是三维模型的重要特征,它可以很好地还原实景地物并使其具有真实感,建立拥有精细纹理的三维建筑模型在城市规划、导航、虚拟地理环境等领域有着广泛的应用。然而,越是精细的场景建模,所需要的纹理越是丰富,其加载过程必然会占用大量内存并影响模型可视化速度,特别当纹理数量十分庞大时,这种情况尤为明显,所以建立一个有效的纹理多分辨率数据结构,解决城市建筑模型的多尺度动态可视化问题十分迫切。
现阶段的城市建筑模型泛化方法[1,2,3,4],大多数都是侧重于模型几何结构的优化。然而,与建筑几何数据相比,纹理数据占用内存空间更大,所以如何在不影响模型可视化效果的同时减少纹理数据成为三维模型可视化的主要研究内容之一。Zhang等[5]提出了一种基于视点的多分辨率纹理选择方法,该方法虽然可以减少纹理数据量,但是并未提及多分辨率纹理的生成过程。Li等[6]提出了一种基于数字图像处理的多分辨率纹理融合算法,该技术利用深度相机获取距离数据,并利用纹理相机获取对象的局部感兴趣的高分辨率纹理,但是该方法只能小范围使用,并不适合大场景的渲染。Cui等[7]提出了加权金字塔的概念,通过使用较低分辨率的图像替代较高分辨率的图像,提供了更真实有效的渲染效果,但是其纹理占用内存仍然较大。Mao等[8]提出使用小波变换在水平和垂直方向上对纹理图像进行压缩,然后建立多分辨率纹理,纹理数据占用内存明显减少,但是随着近几年建筑类型的多样性,立面纹理不仅仅包含水平和垂直2种分布式结构,所以压缩效果有限。S3公司提出了DXT的纹理压缩方法,主要缺点是解码无法恢复原图像,解压效果差[9]。Liu等[10]提出了一种基于统计损失的新型分形压缩方法,该方法首先对分形编码方法中的编码损失值进行统计分析,然后通过统计分析给出了所提出的编码方法,实验结果表明该方法对图像压缩有很好的效果。Kumar等[11]提出了一种新的分形纹理识别的近无损图像压缩方法,以最小化计算的复杂性,该方法为实时生成分形纹理压缩及多分辨率纹理提供了有力的支持。
在三维模型的动态可视化中,建立有效且可靠的纹理组织方法才能实现模型更流畅的加载和展现出富有真实感的场景画面。目前影像数据的存储和组织方法主要是利用金字塔技术[12,13,14,15],其中,夏英等[16]基于金字塔结构提出了一种分布式并行存储方法BML Storage,该方法虽然可以提高影像的查询效率,但是产生了大量数据冗余。马瑞等[17]利用影像压缩技术减少了海量影像的数据容量,然后使用了影像的快速调度可视化技术,保证了影像的质量,但算法复杂度较高。Kwan等[18]提出了一种利用现有硬件纹理压缩电路来促进图形处理单元（GPU）中顶点数据解压缩的新颖方法,该方法可以进行实时渲染,但是对硬件要求较高。章超权等[19]提出了一个多源数据融合的城市三维模型可视化处理框架,但是未对纹理进行进一步的处理,仍然会占用大量的内存。Harrie等[20]提出了一种基于NoSQL数据库的框架,在框架内建立CityTree,实现了基于用户视角的三维模型动态可视化,效果较好。
针对现阶段大场景三维模型可视化过程中纹理数据占用内存大、模型加载不流畅的问题,本文提出了一种“分形-视距”（FVD）多分辨率纹理生成及纹理组织方法。该方法可以根据不断变化的的视距快速调用相应纹理,特别当视点距离建筑目标立面极远时,可以通过创建颜色纹理树保存节点,形成彩色多边形表示建筑立面纹理,实现建筑三维模型快速加载和流畅可视化。这一问题的改善将有助于提高海量纹理数据的处理及大规模场景的快速渲染,进而为建立智慧城市提供快速有效的科学支撑。

2 研究方法

本文提出一种FVD多分辨率纹理生成的新方法,该方法可以基于不同视角和距离动态生成并快速调用相应纹理,使三维模型的加载与可视化过程更加流畅,其技术路线如图1所示。由于纹理图像自身具有自相似性和自仿射性质,所以其很适合使用分形压缩,此时,多分辨率纹理可以直接从分形解压纹理中根据视角和距离确定重采样频率生成。
图1 研究技术路线

Fig. 1 Flowchart of the methodology

2.1 FVD多分辨率纹理创建方法

2.1.1 基于分形的纹理编码
在纹理编码阶段,早期的理论和实验都证明,相关系数越大,不同图像块之间的相似度就越高[21,22]。因此,本文将相关系数作为图像块之间的相似度指标。设 F 为原始纹理,值域块 R 是由互不重叠且大小为 n × n 的块组成, ϕ 为空集, R i 为其中的子块,则 R i 满足以下条件：
F = ∪ i = 1 N R i , ( R i ⋂ R j = ϕ , i ≠ j ）
定义域块 D 是由大小为 m × m 且可重叠的块组成,取步长为 σ 。令 D i 为子块, Ω 为全体定义域块 D i 构成的定义域池,如图2所示,定义域块 D 和值域块 R 的大小通常取 m = 2 n [23,24]。
图2 定义域块与值域块匹配原理

Fig. 2 Principle of matching between domain blocks and range blocks

设向量 R , D ∈ E t × t ,两向量分别为值域块和定义域块水平拉伸 t × t 个元素的一维向量,则 R 与 D 的相关系数表示为：
r ( R , D ) = < R - R ¯ I , D - D ¯ I > R - R ¯ I D - D ¯ I
式中： E 为欧几里得几何空间; R ¯ 和 D ¯ 分别表示向量 R 和 D 的均值; I 表示单位矩阵; r ( R , D ) 代表两向量之间的相关程度,当 r ( R , D ) > 0 时,两向量是正相关;当 r ( R , D ) < 0 时,两向量是负相关。取一个值域块 R ,在 Ω 中搜索其最优映射块,即寻找均方误差 S 最小的 D 块。
S ( R , D ) = min R - ( sD + oI ) 2
其中, s 和 o 分别为灰度对比因子和灰度平移因子,用最小二乘法求解,可得：
s = R - R ¯ I , D - D ¯ I D - D ¯ I 2
o = R ¯ - s D ¯
将式（4）、式（5）代入式（3）,推导可得：
S ( R , D ) = R - R ¯ I 2 1 - r ( R , D ) 2
由式（6）可看出,当 r ( R , D ) 越接近1,两向量的相关程度就越高,均方误差 S 就越小。在计算不同图像块之间的相关系数时,充分利用分形编码的特点,无需计算每一个 s 和 o ,简化了计算过程,加快了编码速度。
2.1.2 FVD多分辨率纹理生成
在三维模型渲染之前,需对建筑目标立面进行可见性分析,删除不可见的面,只渲染和显示可见的面,以减少内存占用及提高渲染速度。如图3所示,令面 ABCD 为建筑目标立面,向量 O N → 为面 ABCD 的法向量。 α j ( j = 1 , ⋯ , s ) 为不同视点与目标立面法向量形成角度,若 α j ( j = 1 , ⋯ , s ) > 90 ° ,则不可见目标立面;若 α j ( j = 1 , ⋯ , m ) ≤ 90 ° ,则可见目标立面。当目标立面可见时,根据第2.2节所述的相应纹理索引,判断纹理所在位置,然后将纹理通过迭代解压于事先初始化好的空白纹理W中,设此时纹理图像 W 的大小为 M × M ,其中 M = 2 i , i 为指数,用来限制纹理图像 W 的大小。计算视点 ( x 0 , y 0 , z 0 ) 与目标立面中心点 O ( x 1 , y 1 , z 1 ) 的距离,即视距 l ：
l = ( x 1 - x 0 ) 2 + ( y 1 - y 0 ) 2 + ( z 1 - z 0 ) 2
图3 视点与建筑目标立面的关系

Fig. 3 Diagram of the relationship between the viewpoint and the target facade of the building

根据具体应用和平台定义一个基础距离 d ,若 ( i - 1 ) d < l < id ,则确定目标立面的重采样频率 f 1 = 2 - i ( 1 ≤ i ≤ M ) ,根据视点与法向量形成的角度 α j ( j = 1 , ⋯ , s ) 确定立面被缩小 cos α （ 0 ° ≤ α ≤ 90 ° ）倍,cos α ∈[0, 1],此时,调整纹理最终重采样频率为：
f 2 = 2 - < i cos α > 1 ≤ i ≤ M
其中,< >为四舍五入取值,令 q = < i cos α > 1 ≤ i ≤ M ,即 q 取值 0,1 , ⋯ , M 。此时,根据重采样频率 f 2 生成对应分辨率的纹理,并将其编号后存入多分辨率纹理集合I：
I = ∑ q = 0 t F q 1 ≤ t ≤ M
一般来说,解码迭代10次后纹理的峰值信噪比（PSNR）趋于稳定,解码纹理也基本恢复原始纹理信息,并且多分辨率纹理生成过程是一个纹理预处理过程,其可以在三维模型的动态可视化阶段之前完成,并不影响模型的可视化效率。

2.2 纹理组织方法

如图4所示,在文档数据库中存入三维模型相关数据,然后在关系数据库中分别赋予建筑物、墙面、纹理、多分辨率纹理等数据唯一的ID并建立关系索引,其中,建筑物墙面分为顶面和立面[25],利用第2.1节所述的FVD方法将顶面纹理和立面纹理分别创建多分辨率纹理,将其编号后进行存储。
图4 多分辨率纹理组织

Fig. 4 Diagram of multi-resolution texture organization

三维模型可视化过程中,当 ( i - 1 ) d < l < id 时,随着用户视点的不同调用不同分辨率的纹理,这是一个不断动态变化的过程。当 l > id ,即视点离建筑目标立面极远但该立面又是可见时,即使调用低分辨率的纹理也会影响模型的可视化速度,针对此问题,本文提出了一种通过创建颜色纹理树保存节点来表示建筑立面纹理的方法。该方法首先将纹理图像进行平滑处理,这样可以去除图像上细小的短线或阴影,以达到减少分割区域数目和降低计算时间的目的;然后将纹理分割成多个矩形区域并计算颜色方差,在计算颜色方差时需要将纹理的RGB颜色转换为CIELAB空间,颜色方差越小说明区域内颜色值波动小,即分割质量越高。设置一个方差阈值,若方差大于阈值,则认为该区域具有不同的颜色,需要将其继续分割,直至所有图像部分都具有相同的颜色或无法检测到分割区域为止。
在纹理分割过程中,指定一种颜色来表示分割后的每个矩形区域纹理,当三维模型进行可视化时根据视距和纹理之间的差异进一步合并在一起,并用主色来表示矩形区域纹理。图5给出一个纹理颜色分割图示例,其中每个节点S都表示纹理分割后的矩形区域,它存在一种主色,两节点之间的边代表两矩形之间的关系,即水平（H）或者垂直（V）。每分割一次,新分割部分与现有部分之间的关系会进行重置,如图5(c)和图5(d)所示。
图5 纹理颜色分割图示例

Fig. 5 Example of texture color segmentation map

若计算得到 l > id ,则需要选择颜色纹理树中的节点来表示目标立面纹理。首先计算立面分割图中各节点的颜色方差,然后选择差异最小的2个节点进行合并,再调节纹理树中现有节点之间的关系,将目标立面设置为新纹理树,根据视角和距离进行多次节点合并,直至只剩下一个节点,此时纹理可以用这些节点中的彩色多边形表示。
基于上述描述,FVD多分辨率纹理创建及组织方法的具体操作步骤下所示：

算法 FVD多分辨率纹理生成算法
输入：原始纹理F
过程：
(1) 对原始图像F进行值域块R和定义域块D的划分;
(2) 利用式(2)计算值域块R和定义域块D的相关系数r(R,D), 取一个值域块R,利用式(3)在定义域池Ω中寻找均方误差S最小 的D块;
(3) 取四元组(m(i),k,s,o)构成Ri所对应的压缩映射变换w,其 中m(i)表示与Ri相关系数最大的D块的序号,k表示仿射变换 中空间变换的序号,保存分形码;
(4) 若存在尚未编码的值域块,返回步骤(2)继续编码,直至所有 编码结束;
(5) 初始化解码空白纹理W;
(6) 根据视距位置对建筑物目标立面进行可见性分析
① 若αj(j=1,⋯,s)≤90°且(i-1)d&lt;l&lt;id,则利用式(7)计算纹 理最终重采样频率f2,根据f2生成对应分辨率的纹理存入W;
② 若αj(j=1,⋯,s)≤90°且l&lt;id,则创建颜色纹理树保存节点, 用节点合并形成的彩色多边形表示纹理。
(7) 根据视距变化生成的多分辨率纹理或彩色多边形纹理,将其 编号建立索引后存入文档数据库。
输出：分辨率纹理或彩色多边形纹理

3 实验与结果分析

本实验在Microsoft Windows 10操作系统上验证所提出的方法,利用MATLAB 2014b完成了FVD多分辨率纹理生成算法,并基于OpenGL实现了纹理组织和三维模型组的动态可视化。实验在2.8 GHz的Intel（R）Core i5-8400 CPU、4 GB主存和Nvidia GeForce GTX 1050 Ti显卡的个人计算机上进行。
本文选择山东省济南市历下区作为研究区域,该地区是各旅游景点和高校的聚集地,建筑物密度较大且结构相对复杂,存在住宅、商业、社会文化和基础设施等,所以利用这个特点正好可以验证本文提出方法的广泛适用性。使用的纹理数据是由SONY ILCE-7R倾斜相机拍摄获得,共5290幅,总大小为6.1 G。

3.1 纹理预处理

将研究区内5290幅原始纹理（512像元×512像元）进行FVD多分辨率纹理生成,其整体流程如图6所示,其中,值域块 R 大小设为4×4,定义域块 D 大小设为8×8,滑动步长 σ =8,根据式（4）计算参数 s 和 o 分别为5 bit和7 bit。解码迭代次数的不同可以生成不同质量的纹理,图7是分形解码迭代次数从0逐一增加到10的解码图像示例,并且重构解码纹理的质量常使用峰值信噪比（PSNR）来计算。为了均衡重构纹理数据质量与纹理解码效率之间的关系,特从中选取4幅进行详细说明。图8为4幅测试纹理的PSNR相对于迭代次数的变化曲线,由图8可以看出：① 当迭代4次后纹理重构图像的峰值信噪比迅速升高,这反映了纹理图像具有自相似性特征,各值域块根据所存储的自相似性信息由上一次的迭代结果依次得出,整幅纹理渐渐显现出原图像的轮廓并且逐渐清晰;② 当解码迭代次数到达8或者10附近时,各纹理的峰值信噪比趋于稳定并可以达到25 dB左右,解码图像已经基本恢复了原始图像的信息,如图9所示,图9(a1)至图9(d1)为4幅原始测试纹理,图9(a2)至图9(d2)为其解码迭代10次后生成的纹理,经过多次实验,本文选择纹理解码迭代次数最多为10次。
图6 FVD多分辨率纹理生成流程

Fig. 6 Flow chart for FVD multi-resolution texture generation

图7 初始图像全黑时前10次迭代解码图像（k为迭代次数）

Fig. 7 The first 10 iterations of decoding image when the initial image is all black (k is the number of iterations)

图8 4幅测试纹理的峰值信噪比（PSNR）相对于迭代次数的变化曲线

Fig. 8 Variation curve of Peak Signal-to-Noise Ratio (PSNR) of four test textures with number of iteration

图9 4幅测试纹理与解码迭代10次生成的纹理

Fig. 9 Four test textures and textures generated by decoding iteration 10 times

当计算得到 ( i - 1 ) d < l < id 时,解码后的重构纹理根据视角和距离确定重采样频率 f 2 ,如图10所示,根据视点选择了不同建筑的4个立面,分别用图10(a)—图10(d)表示。在此视点不变的情况下4个立面根据角度和距离调用数据库中不同分辨率的纹理,图10(a1)—图10(d1)为其对应分辨率纹理,当视点距离目标立面近时,三维模型需要调用较高分辨率纹理,当视点转移到距离建筑立面较远处时需要调用较低分辨率纹理,根据式(6)和式(7)计算出纹理重采样频率,得到图10(a1)和图10(b1)纹理分辨率均为512像元×512像元,图10(c1)纹理分辨率为256像元×256像元×,图10(d1)纹理分辨率为64像元×64像元。
图10 基于视角和距离的多分辨率纹理展示

Fig. 10 Multi-resolution texture display based on viewing angle and distance

若计算得到 l > id 时,图11是纹理分割的一个实例,从图11(a)可以看出纹理平滑的重要性,明显减少了检测到的分割区域数。当视点距离模型较远时,纹理的细节是不可见的,只有颜色是可识别的,因此彩色多边形可以很好地保持视觉上的相似性,并且用彩色多边形表示的纹理能够保持纹理特征,适用于模型在不同尺度的动态可视化。
图11 纹理分割实例

Fig. 11 An example of texture segmentation

3.2 模型生成及其可视化

利用多分辨率纹理及纹理组织方法进行三维模型可视化,将生成的研究区三维建筑模型加载到地图上（图12）。其中,图12(a)显示了从远处观察的可视化效果;在图12(b)和图12(c)中,从更近的角度呈现了更详细的模型。
图12 三维建筑模型可视化

Fig. 12 3D building model visualization

随着视角和距离的变化,系统根据场景不断更新数据。在现有商业软件中,利用3ds Max和SketchUp Pro可以建立真实感三维场景,并且其可视化原理与文献[20]提出的方法类似。为了更好的展示本方法的优越性,实验使用相同原始数据,分别用3ds Max、SketchUp Pro和本文提出的方法对整个研究区域内的所有建筑模型进行三维可视化。如表1所示,利用本文提出的方法进行纹理预处理,占用时间约8 min,减少纹理数据约62.3%。
表1 不同方法对比分析统计

Tab. 1 Comparison analysis with different methods

方法 原始纹理数据
大小/GB		 纹理预处理 三维模型可视化
多分辨率纹理生成及组织/min 纹理数据
大小/GB		 减少纹理数据百分比/% 平均占用内存百分比/% 平均帧速率/f
本文方法 6.1 8 2.3 62.3 54.7 42.0
3ds Max 6.1 - 6.1 0.0 91.2 35.0
SketchUp Pro 6.1 - 6.1 0.0 85.6 31.1
在三维模型可视化阶段,场景渲染的帧速率和占用内存大小直接反映了动态可视化效果和性能,帧速率越高,加载速度越快,占用内存越小,用户体验就越好。如图13所示,将利用本文方法与3ds Max、SketchUp Pro建好的三维建筑模型按照从A至B的飞行路线进行三维可视化,3种方法在相同时间内的内存占用情况和帧速率对比结果见图14。由 图14(a)可以看出：① 利用3ds Max和SketchUp Pro软件加载整个场景模型,程序始终都会把所有模型数据都加载到内存中,平均内存占用百分比分别高达91.2%和85.6%,此时程序会出现明显的卡顿;② 采用本文所提出的方法加载场景模型,纹理数据的加载会根据视点进行调整,随时释放不需要的纹理数据,此时,平均内存占用百分比为54.7%,相比3ds Max和SketchUp Pro分别减少了约36.5%和49.1%的内存占用。
图13 本文方法与3ds Max、SketchUp Pro可视化对比

Fig. 13 Visual comparison chart of different methods

图14 本文方法与3ds Max、SketchUp Pro性能对比

Fig. 14 Performance comparison chart of different methods

对于占用内存稳定的分析,本文进行不同视点的帧速率测试,图14(b)反映了帧速率变化情况。由图14(b)可以看出：① 使用3ds Max和SketchUp Pro进行视点转换时,帧速率波动均大于本文方法,二者平均帧速率分别约为35.0%和31.1%;② 利用本文提出的方法进行场景渲染时,其加载的帧速率可以稳定在大约42 f,能够很好地满足场景的交互需求。

4 结论

本文针对现阶段大场景三维模型可视化过程中纹理数据占用内存大、模型加载不流畅的问题,提出了一种“分形-视距”（FVD）多分辨率纹理生成及纹理组织方法。该方法首先根据纹理具有自相似性的特点将其进行分形压缩,减少内存的占用,然后根据不同视角和距离确定纹理重采样频率,动态生成多分辨率纹理,编号后建立索引存入数据库;再利用纹理分割创建颜色纹理树,储存建筑纹理颜色,最后根据不断变化的视点来调用相应的纹理,实现三维模型的动态可视化。
本文以济南市历下区作为研究区域,5290幅纹理进行处理,实验结果表明：
（1）利用纹理的自相似性质进行分形压缩,可以有效减少纹理数据量,并且当解码迭代次数到达8或者10附近时,解码图像已经基本恢复了原始图像的信息,纹理质量可以得到保证。纹理的预处理过程可以在三维模型的动态可视化阶段之前完成,利用FVD方法生成的多分辨率纹理可以在可视化中存储和重用,所以纹理预处理消耗的时间是值得的。
（2）根据视点的不同选择不同分辨率的纹理,当视点极远时可以调用颜色纹理树中的彩色多边形来表示目标立面纹理,该方法既保留了纹理特征,又有很好的可视化效果。
（3）当利用本方法实现三维模型的可视化时平均内存占用百分比约为54.7%,帧速率可以稳定在大约42 f,与3ds Max、SketchUp Pro相比,减少内存占用分别约36.5%和49.1%;帧速率提高分别约7%和10.9%。
总体来说,本文提出的方法可以用较少纹理数据表示建筑物模型的视觉特征,减少了大量内存的占用,显著提高了大场景三维建筑模型在动态可视化过程中的渲染效率。由于纹理压缩需要消耗部分时间,所以在未来的工作中会优化纹理块的划分方式,进一步缩短纹理预处理时间。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Fan H C, Meng L Q. A three-step approach of simplifying 3D buildings modeled by CityGML[J]. International Journal of Geographical Information Science, 2012,26(5-6):1091-1107.

[2]
Li C K, Fang J, Li H T, et al. Hierarchical clustering generalization method of 3D building group model based on visual cognition theory[J]. Geography and Geo-information Science, 2018,34(4):13-18.

[3]
Cheng C L, Hou J H. A method of mesh simplification for drone 3D modeling with architectural feature extraction[C]. International Conference on Computer-Aided Architectural Design Futures. Singapore, Springer, 2019.

[4]
周国清, 黄煜, 岳涛. 基于纹理数据和SCSG-BR表示的城市建筑物混合建模[J]. 地球信息科学学报, 2018,20(4):543-551.

[ Zhou G Q, Huang Y, Yue T. Hybrid modeling for urban buildings based on textures and SCSG-BRs representation[J]. Journal of Geo-information Science, 2018,20(4):543-551. ]

[5]
Zhang W, Wang S Z, Wan Q. A view-based selection method for multi-resolution texture[J]. Journal of computer applications, 2006,11:61.

[6]
Li Y, Zhou X, Guo J Y, et al. A multi-resolution texture fusion algorithm[C]. Unconventional and Indirect Imaging, Image Reconstruction, and Wavefront Sensing 2017, California, United States, 2017.

[7]
Cui H F, Zheng X. A wavelet-based image enhancement algorithm for real time multi-resolution texture mapping[C]. International Conference on Virtual Reality. Berlin, Heidelberg, Springer, 2007:13-21.

[8]
Mao B, Ban Y. Generalization of 3D building texture using image compression and multiple representation data structure[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2013,79:68-79.

[9]
Kim N L, Kim J W. Deploying GPU-based real-time DXT compression for networked visual sharing[J]. Proceedings of the Asia Pacific Advanced Network, 2011,32:139-142.

[10]
Liu S, Zhang Z, Qi L, et al. A fractal image encoding method based on statistical loss used in agricultural image compression[J]. Multimedia Tools and Applications, 2016,75(23):15525-15536.

[11]
Kumar R S, Manimegalai P. Near lossless image compression using parallel fractal texture identification[J]. Biomedical Signal Processing and Control, 2020,58:101862.

[12]
Yang M, Mei H, Yang Y, et al. Efficient storage method for massive remote sensing image via spark-based pyramid model[J]. International Journal of Innovative Computing, Information and Control, 2017,13(6):1915-1929.

[13]
王金地, 霍亮, 慕旭, 等. 一种基于复合金字塔模型的三维模型数据组织方法[J]. 测绘与空间地理信息, 2019,42(4):58-61.

[ Wang J D, Huo L, Mu X, et al. A 3D model data organization method based on compound pyramid model[J]. Surveying and Spatial Geographic Information, 2019,42(4):58-61. ]

[14]
孙立伟, 袁昱纬, 员建厦. 面向侧面纹理的金字塔管理算法[J]. 计算机与网络, 2019,45(9):62-65.

[ Sun L W, Yuan Y W, Yuan J X. Pyramid management algorithm for side textures[J]. Computer and Network, 2019,45(9):62-65. ]

[15]
陕唐剑, 钟宏伟, 李林辉, 等. 基于Spark的遥感影像金字塔瓦片构建[J]. 智能计算机与应用, 2019(4):52.

[ Shan T J, Zhong H W, Li L H, et al. Construction of remote sensing image pyramid tiles based on Spark[J]. Intelligent Computer and Application, 2019(4):52. ]

[16]
夏英, 杨选伦. 云环境中基于金字塔模型的影像数据存储方法[J]. 重庆邮电大学学报(自然科学版), 2012,24(6):669-674.

[ Xia Y, Yang X L. Image data storage based on pyramid model in cloud environment[J]. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 2012,24(6):669-674. ]

[17]
马瑞, 董玲燕. 基于快速索引调度的金字塔影像构建及其可视化[J]. 人民长江, 2013,44(23):82-85.

[ Ma R, Dong L Y. Pyramid image construction and visualization based on fast index scheduling[J]. People's Yangtze River, 2013,44(23):82-85. ]

[18]
Kwan K C, Xu X, Wan L, et al. Packing vertex data into hardware-decompressible textures[J]. IEEE transactions on visualization and computer graphics, 2017,24(5):1705-1716.

DOI PMID

[19]
章超权, 黄宝玉, 毛波. 三维城市模型快速可视化技术研究[J]. 武汉大学学报:工学版, 2019,52(12):1113-1120.

[ Zhang C Q, Huang B Y, Mao B. Research on rapid visualization technology of 3D city model[J]. Journal of Wuhan University: Engineering Edition, 2019,52(12):1113-1120. ]

[20]
Mao B, Harrie L, Cao J, et al. NoSQL based 3D city model management system[J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2014,4:169-173.

[21]
刘建军. 基于分形的图像压缩编码技术研究[D]. 南京:南京邮电大学, 2016.

[ Liu J J. Research on image compression coding technology based on fractal[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2016. ]

[22]
郑运平, 李祥鹏. 基于迭代控制搜索策略的分形图像压缩算法[J]. 华中科技大学学报(自然科学版), 2020,48(7) 1-6.

[ Zheng Y P, Li X P. Fractal image compression algorithm based on iterative control search strategy[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2020,48(7):1-6. ]

[23]
刘会斌. 分形图形压缩的快速算法研究[D]. 沈阳:东北大学, 2012.

[ Liu H B. Research on fast algorithm for fractal graphics compression[D]. Shenyang: Northeastern University, 2012. ]

[24]
Abedellatif H, El-Shanawany R, Zahran O F, et al. Comparative study of wavelet transform based fractal image compression[J]. Menoufia Journal of Electronic Engineering Research, 2019,28:24-28.

[25]
Zhou G Q, Yue T, Huang Y, et al. Study of an SCSG-OSM for the creation of an urban three-dimensional building[J]. IEEE Access, 2020,8:126266-126283.

Options
Outlines

/

〈 〉