幾何模型數(shù)據(jù)壓縮及虛擬場景實時顯示技術(shù)研究

幾何模型數(shù)據(jù)緊縮及虛擬場景實時顯示技術(shù)研討幾何模型數(shù)據(jù)緊縮及虛擬場景實時顯示技術(shù)研討緒論基于細分網(wǎng)格的數(shù)據(jù)緊縮方法基于視點的網(wǎng)格簡化算法基于視覺敏銳度的實時顯示技術(shù)虛擬環(huán)境實時顯示仿真系統(tǒng)結(jié)論緒論本文研討內(nèi)容的必要性分布式虛擬環(huán)境研討概略基于漸進網(wǎng)格的傳輸方法綜述幾何模型數(shù)據(jù)緊縮綜述實時顯示方法的研討概略本文完成的主要任務及其意義本文研討內(nèi)容的必要性在分布式虛擬環(huán)境系統(tǒng)中有時需求快速傳輸幾何數(shù)據(jù)，基于漸進傳輸?shù)亩喾直媛蕩缀螖?shù)據(jù)緊縮技術(shù)可以較好地處理這種大數(shù)據(jù)集的傳輸問題。對于復雜的動態(tài)交互場景，當前的高檔圖形任務站也難以保證明時地顯示非常真實的圖象。由于實時交互一直是分布式虛擬環(huán)境技術(shù)中一項根本要求，因此，一種普遍接受的方法是經(jīng)過犧牲部分渲染圖象的真實性，來換取整個系統(tǒng)的交互實時性。細節(jié)層次模型(簡稱LOD)管理是實現(xiàn)實時顯示技術(shù)的一項重要工具，為了獲得LOD模型，需求對幾何數(shù)據(jù)進展簡化。有了LOD模型，就可以運用各種顯示戰(zhàn)略實現(xiàn)分布式虛擬環(huán)境中虛擬場景的實時顯示。本文主要研討了分布式虛擬環(huán)境中信息緊縮及實時顯示技術(shù)?；跐u進網(wǎng)格的傳輸方法綜述

經(jīng)過對一給定網(wǎng)格〔原始網(wǎng)格〕進展某種變換，將其表示為一個很小的根本網(wǎng)格和一系列逐漸精細的細節(jié)信息的方式，這些細節(jié)信息可以為原始網(wǎng)格的準確〔或近似〕重建提供全部信息，本文將這種表示方式的網(wǎng)格數(shù)據(jù)稱為漸進網(wǎng)格。漸進網(wǎng)格表示方法有利于多分辨率模型的存儲和傳輸。在分布式虛擬環(huán)境中，交互的實時性是一項非常重要的目的。假設(shè)用戶在交互之前等待正在傳輸?shù)囊环毜哪Ｐ蛿?shù)據(jù)，勢必呵斥用戶時間的極大浪費，且很難保證交互的實時性。漸進傳輸就是在這種背景下提出的。幾何數(shù)據(jù)緊縮與簡化綜述在分布式虛擬環(huán)境中有時需對幾何模型進展傳輸，通常幾何模型數(shù)據(jù)量非常大，因此，必需對之進展緊縮。幾何數(shù)據(jù)緊縮技術(shù)是為理處理大數(shù)據(jù)集的傳輸或存儲而開展起來的適用技術(shù)。幾何模型可分為單分辨率模型和多分辨率模型，因此，幾何模型的數(shù)據(jù)緊縮可分為單分辨率模型的幾何數(shù)據(jù)緊縮和多分辨率模型的幾何數(shù)據(jù)緊縮。下面分別進展引見。單分辨率模型是指幾何實體的某一層次細節(jié)的多邊形網(wǎng)格表示方式，假設(shè)短少該模型中任何一部分數(shù)據(jù)，那么無法對該實體輪廓有一完好了解。單分辨率幾何數(shù)據(jù)緊縮是指對實體的某一層次細節(jié)的網(wǎng)格數(shù)據(jù)進展緊縮。下面三種方法是比較有代表性的算法：(1)基于通用三角形網(wǎng)格的幾何緊縮(2)三角網(wǎng)格銜接關(guān)系實時緊縮算法(3)基于拓撲手術(shù)方法的幾何緊縮算法單分辨率模型的幾何數(shù)據(jù)緊縮綜述多分辨率模型的幾何數(shù)據(jù)緊縮綜述多分辨率模型是指幾何實體的多個層次細節(jié)網(wǎng)格表示方式，相當于該實體的多個不同分辨率模型的集合。多分辨率模型又可分為離散多分辨率模型和延續(xù)多分辯率模型兩種。對復雜網(wǎng)格進展簡化，得到不同細節(jié)層次的多個三角網(wǎng)格模型，稱之為離散多分辨率模型。延續(xù)多分辨率模型那么是一種緊湊的模型表示方法，可生成恣意多個不同分辨率的模型?；谶@兩種不同模型，面向多分辯率模型的緊縮又可分為面向離散多分辨率模型的緊縮和面向延續(xù)多分辨率模型的緊縮。模型簡化是幾何數(shù)據(jù)緊縮的根底。因此，下面首先引見模型簡化技術(shù)。層次細節(jié)模型數(shù)據(jù)簡化技術(shù)綜述網(wǎng)格簡化算法可以被簡單地劃分為以下三類：〔1〕頂點去除(vertexdecimation)；〔2〕邊折疊(edgecollapse)；〔3〕三角形折疊(trianglecollapse)。其中有代表性的算法有下面幾種:〔1〕頂點聚類〔2〕區(qū)域合并〔3〕頂點抽取〔4〕迭代塌陷〔5〕小波分析方法圖1-5邊塌陷延續(xù)多分辨率模型的幾何數(shù)據(jù)緊縮綜述多分辨率分析是支持緊縮、漸進傳輸和復雜網(wǎng)格的LOD控制的根底工具，其中心思想是分解函數(shù)到低分辨率部分和一系列添加分辨率的修正項。網(wǎng)格的多分辨率數(shù)據(jù)緊縮表示通常是由根本網(wǎng)格和提供喪失細節(jié)的修正項序列組成。下面兩類是比較有代表性的算法:〔1〕基于小波分析的緊縮方法〔2〕累進森林拆分緊縮方法實時顯示方法研討綜述對于復雜的動態(tài)交互場景，為了使交互可視化到達實時性要求，需保證指定用戶的目的幀速率。所謂實時顯示方法，是指經(jīng)過犧牲部分渲染圖象的真實性，來換取整個系統(tǒng)的交互實時性的一種顯示戰(zhàn)略。幾種有代表性的方法:〔1〕可見度判別方法〔2〕細節(jié)省略方法〔3〕自順應細節(jié)省略方法〔4〕定向凝視的自順應渲染方法〔5〕封鎖選擇〔occlusionculling〕方法基于細分網(wǎng)格的

數(shù)據(jù)緊縮方法必要性細分網(wǎng)格概念帶有細分連通性的多分辨率模型的獲取基于細分網(wǎng)格的數(shù)據(jù)緊縮方法近似細分網(wǎng)格的重建及仿真實驗結(jié)果本章小結(jié)對多分辨率模型數(shù)據(jù)緊縮的研討很多，其中較有代表性的是下面引見的兩種方法。Eck多分辨率表示方法優(yōu)點：能快速、延續(xù)地經(jīng)過一種緊致的表示來獲得多面體的多分辨率模型。缺陷：沒有利用正那么曲面光滑特性，緊縮仍有冗余。Khodakovsky等人的法線網(wǎng)格〔normalmesh〕優(yōu)點：有較高的緊縮效率,該方法有著寬廣的運用前景缺陷：產(chǎn)生法向網(wǎng)格的方法比較復雜本章提出了基于細分網(wǎng)格的緊縮方法。該算法利用正那么曲面的光滑特性，用一維標量替代部分三維細節(jié)信息。實際中，完全滿足正那么曲面條件的曲面很少，而具有細分連通性的細分曲面近似滿足正那么曲面條件。必要性圖2-1細分網(wǎng)格具有細分連通性的網(wǎng)格，被稱之為細分網(wǎng)格，這種細分連通性是由均勻分裂算子產(chǎn)生的。所謂細分連通性，是指由一個根本網(wǎng)格M0經(jīng)過假設(shè)干次一分四的分裂〔細分〕而構(gòu)成的三維圖形所具有的三角面片或頂點間的鄰接和父子關(guān)系，如圖2-1所示，該細分網(wǎng)格沒有經(jīng)過平滑處置。細分網(wǎng)格概念Fig.2-2ButterflyschemeFig.2-3Loopscheme帶有細分連通性的多分辨率模型的獲取采用Eck算法來獲取帶有細分連通性的多分辨率網(wǎng)格，根本想法是對多面體M進展部分參數(shù)化，并基于該參數(shù)化用重新采樣技術(shù)生成多分辨率模型MJ，其中MJ具有與M一樣的拓撲類型。細分網(wǎng)格的數(shù)據(jù)構(gòu)造structFace{level_J;//整型數(shù)(層數(shù))children[4];//面指針數(shù)組cornerVertex[3];//頂點指針數(shù)組(指向面片的三個頂點)edgeVertex[3];//頂點指針數(shù)組(指向細分該面中的三條邊的三個頂點的指針數(shù)組)unitNormal[3];//法線信息數(shù)組};基于細分網(wǎng)格的數(shù)據(jù)緊縮用下面構(gòu)造表示頂點：structVertex{parentV[2];//頂點指針數(shù)組(指向該頂點所細分的邊的兩個頂點)parentF[2];//三角面片指針數(shù)組(指向該頂點所細分的邊的兩個面)fGeom;//坐標位置g;//XYZvector};細分網(wǎng)格的分解為了產(chǎn)生更粗糙層次的近似Mn-1，……，M0，我們運用逆細分算子，即吊銷在Mk+1上的1-to-4分裂操作。設(shè)S是原始細分操作算子，那么網(wǎng)格Mk+1和其粗糙表示Mk滿足如下關(guān)系：〔2-4〕〔1〕首先給粗糙網(wǎng)格結(jié)點分配位置，使其滿足公式:〔2-5〕〔2〕對Mk進展細分操作，得到，但是網(wǎng)格中的奇數(shù)結(jié)點的位置必需得到糾正，以便準確地復制原始網(wǎng)格，這就需求為Mk+1中每一個奇數(shù)結(jié)點存儲一個細節(jié)向量,Dk是Mk+1和之間對應奇數(shù)結(jié)點位置的差值。當某一細分層的抽樣公差與上一細分層的抽樣公差之差值小于緊縮誤差時，對該細分層求法向細節(jié)標量。要想求法向細節(jié)標量，首先需求出細分切平面的法線，然后將細節(jié)向量投影到細分切平面的法線方向上，細節(jié)向量在法線方向上的分量可以由一標量乘以單位法向表示，該標量就是法向細節(jié)標量。重建過程中，在每一細分步之后，參與這些法向細節(jié)標量，結(jié)合法向細節(jié)標量與對應的單位法向量，近似地恢復原來的細節(jié)信息(如公式(2-6)所示)。(2-6)其中為法向量，x為標量。圖2-6求法向細節(jié)標量的活動標架圖2-7細分網(wǎng)格中的法向圖2-8面片abc和acd內(nèi)的第二細分層上的頂點編碼細節(jié)信息編碼圖2-9網(wǎng)格的近似重建近似細分網(wǎng)格的重建圖2-11兔子的漸進網(wǎng)格仿真實驗結(jié)果及分析本章提出的方法可以實現(xiàn)漸進傳輸，即幾何數(shù)據(jù)可以被表示為一個較小的根本網(wǎng)格和一系列細節(jié)信息。該方法利用正那么曲面法線向量特性及細分曲面的細分連通性，用一維標量信息替代三維信息，即對細節(jié)信息進展了緊縮，該方法屬于有損緊縮。本章小結(jié)基于視點的網(wǎng)格簡化算法必要性Garland-Heckert算法及輪廓線基于視點的網(wǎng)格簡化算法外觀類似性評價復雜性分析仿真結(jié)果及分析本章小結(jié)必要性Garland等人提出的基于二次誤差度量的幾何簡化方法，采用二次誤差度量來描寫誤差，計算效率高，質(zhì)量好。該算法能處置任何拓撲構(gòu)造的三角網(wǎng)格，有效地產(chǎn)生細節(jié)層次模型。但是，該算法存在缺乏之處：在多邊形較少的情況下，模型變粗，外觀細節(jié)喪失較多。這是由于Garland方法并不能較好地堅持模型外觀特征所呵斥的。本章提出了基于視點的網(wǎng)格簡化算法，該算法是為實時顯示技術(shù)效力的，它能為實時顯示算法提供細節(jié)層次模型。Garland-Heckert算法及輪廓線二次誤差度量的幾何簡化算法

圖3-1邊收縮基于視點的二次誤差度量網(wǎng)格簡化算法視點的選取通常，我們所說的基于視點是指思索視點坐標，視野方向及察看者與聚焦平面的間隔。本章中所運用的視野向量是指中心視野方向的單位向量。我們以察看兔子為例，概率最大的視野方向依次是側(cè)向，前向及后向等。對重要的視點進展充分的抽樣，抽中點盡能夠不被移走；假設(shè)忽略了視點空間中某些重要部分，就很能夠移走很重要的特征。為了簡化計算量，目前我們只選擇了側(cè)向視野方向?；谝朁c的抽樣準那么定義1：在某一視點條件下，將三維模型投影到二維視平面上，其中映射到模型的二維邊境上的三維模型中的那些對應邊即為在該視點條件下模型的外觀特性邊境。后面提到的邊境均指這種邊境。引理1在視點Viewpoint下，假設(shè)給定模型是一個凸多面體，那么邊e是邊境的充分必要條件是：(a)邊鄰居(b)邊不在邊境上(c)邊在邊境上圖3-4兩個相鄰面的單位法向表示圖

基于視點的二次誤差度量網(wǎng)格簡化算法

下面給出算法的詳細步驟:步驟1：給出視野方向〔單位向量〕；步驟2：為一切初始頂點計算Q；步驟3：選擇一切適宜的點對，點對或者是一條邊，或者滿足，其中t是給定的閾值參數(shù)；步驟4：計算每一頂點對的最優(yōu)收縮目的點和相應誤差，把頂點對按誤差大小順序放在堆棧中(在頂端有最小誤差)；步驟5：從堆棧中移走最小誤差的頂點對，假設(shè)目的面小于300，且該頂點對沒有超越最高抽中次數(shù)，那么執(zhí)行第六步；否那么轉(zhuǎn)到第七步；步驟6：運用基于視點的抽樣規(guī)范公式：1〕.假設(shè)，將原誤差以替代，并把該頂點對按更新后的誤差大小順序放在堆棧中(在頂端有最小誤差)，轉(zhuǎn)到第八步；步驟7：使該頂點對收縮,然后更新包含v1的一切頂點對的誤差；步驟8：假設(shè)目的沒有到達，轉(zhuǎn)到第五步；否那么，終了。外觀類似性的評價模型M的外觀是在某一視點條件下由渲染系統(tǒng)產(chǎn)生的光柵圖象I確定的。在某一視點條件下，假設(shè)模型M1和M2的對應圖象一樣，那么我們可以以為兩模型M1和M2在視點條件下外觀一樣。假設(shè)I1和I2都是mmRGB光柵圖象,可以用下面公式定義兩者之間的不同[64]：其中是兩個RGB向量與之差的歐氏長度，我們稱為外觀類似性誤差。在給定視點下，假設(shè)M2是M1較好的近似，那麼值很小。如將灰度圖象轉(zhuǎn)換成0-1圖象〔即屬于簡化模型的象素點賦值為1，否那么為0〕，那么也可以采用下面公式計算外觀類似性誤差：

復雜性分析仿真結(jié)果及分析圖4-9運用MSNS算法簡化的網(wǎng)格圖形本章提出了一種基于視點的非均勻抽樣網(wǎng)格簡化算法，它是經(jīng)過采用視點空間中某些重要視點對各自輪廓進展抽樣，以便用盡能夠少的三角面片來表示盡能夠多的模型外觀特征。實驗結(jié)果闡明，該算法具有如下優(yōu)點：可以在三角面片數(shù)較少的情況下，盡能夠地堅持了模型的重要外觀特征。本章小結(jié)基于視覺敏銳度的自順應實時顯示技術(shù)研討必要性視覺敏銳度概念基于視覺敏銳度的自順應實時顯示算法仿真結(jié)果及分析本章小結(jié)對于復雜的動態(tài)交互場景，為了使交互可視化到達實時性要求，一種普遍被接受的方法是經(jīng)過犧牲部分渲染圖象的真實性，來換取整個系統(tǒng)的交互實時性。定向凝視顯示方法是利用視覺敏銳度進展實時顯示的，但該方法沒有思索亮度視覺，并且調(diào)整細節(jié)度模型等級的幅度偏小。為此本章研討了一種利用不同的視覺敏銳度公式進展實時顯示的新方法。必要性視覺敏銳度概念敏銳度因子中央/外圍視覺，運動視覺和交融視覺是影響視覺感知的三種最重要的要素，為了分別闡明這幾種人類視覺特征對人類視覺感知實體模型的重要性，引入敏銳度因子概念。所謂敏銳度因子，就是在思索某種視覺感知(中央/外圍視覺，運動視覺和交融視覺等)要素后對實體模型重要性的一種評價目的，視覺敏銳度因子為1.0時，表示實體模型重要性最高，察看者可以完全看清楚實體模型；0.0時表示察看者什么也看不見。下面分別給出三種計算視覺敏銳度因子的公式。圖4-1中央視覺圖例圖4-2中央視覺敏銳度因子中央凹區(qū):中央/外圍視覺的敏銳度因子的計算公式如下：其中θ表示視軸與從視點指向物體包圍盒中心的向量之間的夾角，為物體在視域中所占的視角，表示調(diào)整減少的參數(shù)。圖4-3運動視覺圖例運動視覺:運動視覺的敏銳度因子的計算公式如下：其中表示挪動物體的有代表性的點的角速度，表示調(diào)整減少的參數(shù)。交融視覺:交融視覺的敏銳度因子的計算公式如下：其中，表示固定視點的會聚度，表示從雙眼指向物體的角度。表示調(diào)整減少的參數(shù)，b是決議交融區(qū)域?qū)挾鹊拈T限值。圖4-4交融區(qū)域圖4-5Vieth-Muller一樣視點幾何表示圖視覺敏銳度假設(shè)一切的視覺皮層區(qū)域都程度不同地對視知覺有所奉獻,那么結(jié)合三種視覺敏銳度因子可近似確定視覺敏銳度。所謂視覺敏銳度，就是在思索各種視覺敏銳度因子后對實體模型重要性做出的一個綜合評價。當視覺敏銳度較低時，選擇較簡單的層次模型；視覺敏銳度較高時，選擇較復雜的層次模型。Ohshima等人[60]給出下面兩種求解視覺敏銳度方法：從層次細節(jié)模型中選擇渲染層渲染層是根據(jù)視覺敏銳度a從層次細節(jié)模型中選擇的。最高LOD被從分層模型中選擇，以便在這個程度上的幾何模型中沒有多邊形rmin比更小。計算的公式如下：(4-6)其中D是察看者和物體之間的間隔；表示實體分層幾何模型的l層模型，最大的模型是從集合中選擇的，這里“最大〞模型是指有最多的多邊形的幾何模型層?；谝曈X敏銳度的自順應實時顯示算法由于敏銳度因子是用來描畫某種要素對視覺敏銳度奉獻大小的有效參數(shù)，中央/外圍視覺，運動視覺，交融視覺是影響視覺效果的三種最重要的要素，因此我們把上節(jié)提到的三種影響視覺敏銳度的要素作為自順應渲染的主要實際根據(jù)，并把亮度視覺也思索在內(nèi)。我們首先給出了計算亮度視覺敏銳度因子的閱歷公式，其次提出了根據(jù)視覺敏銳度因子求解視覺敏銳度的三種公式，最后推行了公式〔4-4〕和〔4-5〕。圖4-6亮度與亮度視覺敏銳度因子之間能夠的對應關(guān)系圖4-6(c)較好地描寫亮度視覺的敏銳度因子與亮度之間的對應關(guān)系,亮度視覺的敏銳度因子閱歷計算公式如下：亮度視覺敏銳度因子求解視覺敏銳度假設(shè)一切的視覺皮層區(qū)域都程度不同地對視知覺有所奉獻,那么綜合四種視覺敏銳度因子就可確定視覺敏銳度。可以有以下五種求解方法：從統(tǒng)計上說，在大多數(shù)情況下是按a的取值嚴厲降冪陳列的。這就為下面的算法設(shè)計提供了實際根據(jù)。系統(tǒng)首先盡能夠地以最高等級顯示一切實體，當發(fā)生系統(tǒng)資源匱乏時，采用4.3.3節(jié)算法使顯示的實體質(zhì)量退化，以便最終實現(xiàn)均勻的有界的幀速率，更好地順應全局場景的復雜變化。自順應機構(gòu)選擇LOD控制器計算顯示當前幀的時間顯示系統(tǒng)計數(shù)器LOD控制器圖4-7LOD調(diào)度的自順應控制系統(tǒng)基于視覺敏銳度的實時顯示算法基于視覺敏銳度的實時顯示算法:步驟1：求出場景中每一實體的四種視覺敏銳度因子；步驟2：為了堅持某一指定的目的幀速率，假設(shè)渲染先前幀所需求的時間比目的幀所需求的時間長，那么選擇排序靠后的視覺敏銳度公式〔以便當前幀能被渲染的更快些〕，并轉(zhuǎn)到步驟4；步驟3：假設(shè)渲染先前幀所需求的時間比目的幀所需求的時間短，那么選擇排序靠前的視覺敏銳度公式，以便當前幀中實體選擇較復雜的層次模型；步驟4：按視覺敏銳度公式計算出的視覺敏銳度來顯示虛擬場景；步驟5：假設(shè)接到退出命令，那么轉(zhuǎn)到步驟6；否那么轉(zhuǎn)到步驟1；步驟6：終了。圖4-9由精細至粗糙的分層幾何模型序列仿真結(jié)果及分析圖4-8采用自順應渲染算法得到的圖像本文首先給出了亮度視覺敏銳度因子的閱歷公式；其次，提出了根據(jù)視覺敏銳度因子求解視覺敏銳度的五種公式；最后，提出了一種利用不同的視覺敏銳度公式進展自順應渲染的新方法。實驗證明了本算法可在對視覺效果影響較小的前提下迅速調(diào)整細節(jié)度模型等級，可以順應全局場景的復雜度，實現(xiàn)均勻的有界的幀速率，尤其在場景復雜程度變化較大的情況下更加有效。本章小結(jié)分布式虛擬環(huán)境

實時顯示仿真系統(tǒng)必要性分布式虛擬環(huán)境系統(tǒng)異構(gòu)機實時通訊仿真結(jié)果及分析本章小結(jié)必要性在分布式虛擬環(huán)境中，不同用戶對同一對象的視覺模型和行為模型的感知應該是一樣的，但是由于各個結(jié)點的硬件性能的差別，仿真推進的速度不同，這會引起虛擬數(shù)據(jù)空間的一致性問題。在Extreme圖形任務站上，每33ms可以渲染25513個三角面片，即使顯示中等復雜的實體模型，一旦實體數(shù)量添加到一定數(shù)量，其所需求的顯示幀速率也達不到實時要求，滿足不了實時交互的需求。為了驗證明時顯示算法的有效性，本章實現(xiàn)了異構(gòu)機分布式虛擬環(huán)境系統(tǒng),在此環(huán)境下對第4章提出的實時顯示算法進展了仿真實驗。

圖5-1HCDVE的系統(tǒng)構(gòu)成分布式虛擬環(huán)境系統(tǒng)DVE系統(tǒng)構(gòu)成

圖5-2DVE系統(tǒng)的構(gòu)造模型圖5-3DVE中的客戶機系統(tǒng)框圖分布式虛擬環(huán)境系統(tǒng)軟件構(gòu)造網(wǎng)絡(luò)通訊性能目的影響網(wǎng)絡(luò)性能的關(guān)鍵目的有:吞吐量、傳輸延遲、延遲變化和過失率，在實踐運用中常運用端到端的總延遲。網(wǎng)絡(luò)通訊實驗為了測試端到端的總延遲，實測中使每個數(shù)據(jù)包傳輸128bytes的數(shù)據(jù)，共發(fā)送10000次，測得每發(fā)送128bytes端到端的平均總延遲為0.89ms。異構(gòu)機網(wǎng)絡(luò)通訊

圖5-10運用本文算法產(chǎn)生的LOD模型仿真結(jié)果及分析(a).任務站顯示的圖形(b).PC機顯示的圖形圖5-11運用實時顯示算法所得到的兩幅圖像本章系統(tǒng)地引見了分布式虛擬環(huán)境系統(tǒng)的設(shè)計思想和實現(xiàn)方法，實現(xiàn)了異構(gòu)機網(wǎng)絡(luò)通訊。最后，完成了在異構(gòu)機分布式虛擬環(huán)境系統(tǒng)下的實時顯示算法仿真實驗。實驗證明該算法在異構(gòu)機分布式虛擬環(huán)境系統(tǒng)中是有效的。該算法可以根據(jù)各節(jié)點計算機場景變化及人類視覺特性，在對視覺效果影響不大的前提下可以迅速調(diào)整細節(jié)層次模型等級，使虛擬場景的顯示滿足實時交互的需求。本章小結(jié)結(jié)論1.提出了一種基于細分網(wǎng)格的數(shù)據(jù)緊縮方法，即幾何數(shù)據(jù)可以被表示為一個較小的根本網(wǎng)格和一系列細節(jié)信息。該算法利用正那么曲面法線向量特性及細分曲面的細分連通性，用一維標量信息替代三維信息。該方法計算簡單，對細節(jié)信息進展了有損緊縮。經(jīng)過對幾何數(shù)據(jù)的緊縮研討，到達節(jié)省存儲空間目的，使數(shù)據(jù)得到實時傳輸，確保實時顯示。2.提出了一種基于視點的網(wǎng)格簡化算法，該算法經(jīng)過采用基于視點抽樣的方法對輪廓進展抽樣，以便用盡能夠少的三角面片來表示盡能夠多的模型外觀特征。實驗結(jié)果闡明，該算法可以在多邊形較少的情況下，盡能夠地堅持了模型的重要外觀特征。3.提出了一種在分布式虛擬環(huán)境中利用不同的視覺敏銳度公式進展自順應渲染的新方法。首先給出了求解亮度視覺敏銳度因子的閱歷公式，在此根底上提出了根據(jù)視覺敏銳度因子求解視覺敏銳度的五種公式，最后給出了系統(tǒng)利