一种基于特征保持的Web端三维实时渲染高效轻量化方法

doi:10.7523/j.ucas.2024.002

摘要/Abstract

摘要：

三维实时渲染技术存在计算复杂度高、存储开销大等问题，难以在资源有限的Web端高效运行。边折叠算法是三维实时渲染轻量化的常用技术，但存在边缘特征容易丢失、简化率单一、折叠后网格质量低等影响视觉效果的问题。针对上述问题，提出一种面向Web端的三维实时渲染高效轻量化方法。首先，提出一种基于3D-SIFT特征提取的边折叠优化算法，通过对关键区域进行冻结操作，更好地保留模型边缘特征；其次，在折叠过程中，引入局部信息熵，改变边折叠代价，优先折叠非特征区域，从而实现不同特征区域的分级简化；最后，引入Delaunay算法对三角正则度较差区域进行重建，提升网格质量。

关键词: 三维渲染, 轻量化, 边折叠, 3D-SIFT, 信息熵, Delaunay三角剖分

Abstract:

3D real-time rendering technology has a wide range of applications. At present， 3D real-time rendering technology has problems such as high computational complexity and high storage overhead， making it difficult to efficiently run on the web side with limited resources. Therefore， researching lightweight 3D real-time rendering technology is of great significance. Edge collapse algorithm is a commonly used technology for lightweight 3D real-time rendering， but it has problems such as easy loss of edge features， single simplification rate， and low quality of the folded mesh that affect visual effects. In response to the above issues， this article proposes an efficient and lightweight method for 3D real-time rendering on the web side. Firstly， an edge collapse optimization algorithm based on 3D-SIFT feature extraction is proposed to freeze key areas and better preserve model edge features. Secondly， during the edge collapse process， local information entropy is introduced to modify the cost of edge collapse， prioritizing the processing of non-feature regions， thereby achieving hierarchical simplification of different feature regions. Finally， the Delaunay algorithm is introduced to reconstruct areas with poor triangular regularity， improving the quality of the mesh.

Key words: 3D rendering, lightweight, edge collapse, 3D-SIFT, information entropy, Delaunay triangulation

中图分类号:

TP391.41

刘彦君, 刘文成, 潘昊, 李栋. 一种基于特征保持的Web端三维实时渲染高效轻量化方法[J]. 中国科学院大学学报, 2026, 43(2): 240-251.

Yanjun LIU, Wencheng LIU, Hao PAN, Dong LI. An efficient and lightweight method for web-based 3D real-time rendering based on feature preservation[J]. Journal of University of Chinese Academy of Sciences, 2026, 43(2): 240-251.

图/表 10

图1 网格模型简化流程图

Fig.1 Simplified flowchart of grid model

图 2 点云高斯差分图

Fig.2 Point cloud difference of Gaussians （DoG）

图 3 极值点检测图

Fig.3 DoG extrema detection map

图 4 角度示意图

Fig.4 Angle diagram

图 5 边折叠示意图

Fig.5 Schematic diagram of edge collapse

图 6 各模型特征点识别结果

Fig.6 Recognition results of feature points for each model

图 7 本文算法对各模型的简化效果

Fig.7 Simplification effect of the algorithm on each model in this article

表 1 模型简化统计数据

Table 1 Model simplification statistical data

模型	简化率/%	三角片面数量	运行时间/min	网格质量	几何误差（RMS）
Fish模型	60	8 174	8.45	0.913 7	0.000 072
	80	4 156	10.23	0.879 3	0.000 169
	90	2 216	11.57	0.855 6	0.000 311
Bunny模型	60	28 346	19.57	0.850 6	0.000 070
	80	14 172	21.56	0.835 0	0.000 158
	90	7 559	22.30	0.819 8	0.000 299
Horse模型	60	11 782	12.17	0.856 5	0.000 097
	80	5 990	15.19	0.802 2	0.000 237
	90	2 794	16.40	0.788 0	0.000 392

图 8 使用4种算法对Armadillo模型进行简化的效果对比图

Fig.8 Comparison of simplified Armadillo model using four algorithms

表 2 相同简化率下不同模型简化对比

Table 2 Comparison of model simplification under the same simplification rate

	简化率/%	运行时间/min	网格质量	几何误差（RMS）
QEM算法	60	17.71	0.855 9	0.000 358
	80	20.16	0.790 6	0.000 760
	90	22.90	0.608 0	0.001 483
	95	23.91	0.509 6	0.001 655
文献[16]方法	60	11.80	0.856 3	0.000 436
	80	15.51	0.722 3	0.000 989
	90	17.06	0.560 0	0.001 536
	95	18.66	0.465 8	0.001 877
文献[18]算法	60	85.26	0.836 2	0.000 088
	80	89.70	0.804 9	0.000 168
	90	92.55	0.737 0	0.000 305
	95	93.76	0.623 7	0.000 466
本文算法	60	46.52	0.894 9	0.000 084
	80	48.36	0.855 3	0.000 129
	90	49.85	0.815 6	0.000 202
	95	50.60	0.782 6	0.000 346

参考文献 31

[1]	赵飞宇.Web环境下三维点云数据轻量化处理与模型重构方法研究［D］.武汉：武汉理工大学，2019.DOI：10.27381/d.cnki.gwlgu.2019.001869 .
[2]	郭建雄，程朋根，晏启明，等. Web环境下三维复杂模型的简化与可视化方法研究［J］. 测绘工程， 2019， 28（2）： 45-51. DOI： 10.19349/j.cnki.issn1006-7949.2019.02. 009 .
[3]	Chen Z G， Zhang T Y， Cao J， et al. Point cloud resampling using centroidal Voronoi tessellation methods［J］. Computer-Aided Design， 2018， 102： 12-21. DOI： 10.1016/j.cad.2018.04.010 .
[4]	He M Y， Li L. Advance in triangular mesh simplification study［C］//2010 11th International Conference on Control Automation Robotics & Vision. Singapore. IEEE， 2010： 1638-1643. DOI： 10.1109/ICARCV.2010.5707949 .
[5]	Hjelle Ø， Dæhlen M. Algorithms for delaunay triangulation［M］//Mathematics and Visualization. Springer Berlin Heidelberg， 2006： 73-93. DOI： 10.1007/3-540-33261-8_4 .
[6]	刘钊，张涛，施洪刚，等. 利用顶点删除法简化道路三维地形模型［J］. 测绘通报，2014（8）：62-64. DOI：10.13474/j.cnki.11-2246.2014.0261 .
[7]	Li M L， Nan L L. Feature-preserving 3D mesh simplification for urban buildings［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2021，173： 135-150. DOI： 10.1016/j.isprsjprs.2021.01.006 .
[8]	Hamann B. A data reduction scheme for triangulated surfaces［J］. Computer Aided Geometric Design， 1994， 11（2）： 197-214. DOI： 10.1016/0167-8396（94）90032-9 .
[9]	Hoppe H， DeRose T， Duchamp T， et al. Mesh optimization［C］//Proceedings of the 20th annual conference on Computer graphics and interactive techniques. Anaheim CA. ACM， 1993： 19-26. DOI： 10.1145/166117.166119 .
[10]	Garland M， Heckbert P S. Simplifying surfaces with color and texture using quadric error metrics［C］//Proceedings Visualization '98 （Cat. No.98CB36276）. Research Triangle Park， NC， USA. IEEE， 2002： 263-269. DOI： 10.1109/VISUAL.1998.745312 .
[11]	刘晓平，陈皓. 对基于二次误差的模型简化方法的改进［J］.工程图学学报，2005，26（5）：40-43.DOI： 10.3969/j.issn.1003-0158.2005.05.007 .
[12]	Ma T， Gong G H， Yan J. A 3D model simplification algorithm based on edge-collapse［C］//IEEE 10th International Conference on Industrial Informatics. Beijing， China. IEEE， 2012： 776-779. DOI： 10.1109/INDIN.2012.6301208 .
[13]	Tang Y， Zhang Q C. Edge-collapse mesh simplification method based on Gauss curvature［C］//2011 International Conference on Internet of Things and 4th International Conference on Cyber， Physical and Social Computing. Dalian， China. IEEE， 2011： 660-662. DOI： 10.1109/iThings/CPSCom.2011.93 .
[14]	Yang C， Yu X Q， Ye X N. Cluster-based three-dimensional non-uniform mesh simplification algorithm［C］//IET International Conference on Smart and Sustainable City 2013 （ICSSC 2013. Shanghai. London： IET， 2013： 208-211.
[15]	董艳，张志毅，杨客. 基于顶点重要度的保形网格简化方法研究［J］. 计算机工程与设计，2013，34（5）：1889-1895. DOI：10.16208/j.issn1000-7024.2013.05.049 .
[16]	Zhou G Y， Yuan S D， Luo S M. Mesh simplification algorithm based on the quadratic error metric and triangle collapse［J］. IEEE Access， 2020， 8： 196341-196350. DOI： 10.1109/ACCESS.2020.3034075 .
[17]	Asgharian L， Ebrahimnezhad H. Feature-preserving mesh simplification through anisotropic Nyquist-based adaptive sampling of points inside the segmented regions［J］. Journal of Visualization， 2022， 25（4）： 819-838. DOI： 10.1007/s12650-022-00828-9 .
[18]	朱天晓，闫丰亭，史志才. 特征保持的区域分级网格简化算法［J］. 图学学报， 2023， 44（3）： 570-578. DOI： 10.11996/JG.j.2095-302X.2023030570 .
[19]	马煜杰，王山东，欧阳涛. 基于改进QEM的三维表面模型简化算法［J］. 甘肃科学学报， 2022， 34（2）： 28-33， 42. DOI： 10.16468/j.cnki.issn1004-0366.2022.02.006 .
[20]	Lowe D G. Distinctive image features from scale-invariant keypoints［J］. International Journal of Computer Vision， 2004， 60（2）： 91-110. DOI： 10.1023/B： VISI.0000029664.99615.94 .
[21]	Li D. Classification and application of sports venue monitoring images using SIFT algorithm［C］//2022 International Conference on Artificial Intelligence and Autonomous Robot Systems （AIARS）. Bristol， United Kingdom. IEEE， 2022： 118-121. DOI： 10.1109/AIARS57204.2022.00034 .
[22]	唐坚刚，孙龙杰，杨生远. SIFT结合改进的Harris的图像匹配方法［J］. 计算机应用与软件，2013，30（7）：126-131. DOI：10.3969/j.issn.1000-386x.2013.07.035 .
[23]	刘晓文，付莉娜，徐工. 基于3D-SIFT与SICP的激光点云与影像配准方法［J］. 北京测绘，2022，36（5）：557-562. DOI：10.19580/j.cnki.1007-3000.2022.05.006 .
[24]	Jiao Z H， Liu R， Yi P F， et al. A point cloud registration algorithm based on 3D-SIFT［M］// Transactions on Edutainment XV. Berlin， Heidelberg： Springer， 2019： 24-31. DOI： 10.1007/978-3-662-59351-6_3 .
[25]	Liu M M， Li X D， Dezert J， et al. Generic object recognition based on the fusion of 2D and 3D SIFT descriptors［C］//2015 18th International Conference on Information Fusion （Fusion）. Washington， DC， USA. IEEE， 2015： 1085-1092.
[26]	赵雄伟，刘本永. 基于3D-SIFT和SVD特征融合的视频行为识别［J］.贵州大学学报（自然科学版），2017，34（3）：71-76. DOI：10.15958/j.cnki.gdxbzrb.2017.03.15 .
[27]	Lowe D G. Object recognition from local scale-invariant features［C］//Proceedings of the Seventh IEEE International Conference on Computer Vision. Kerkyra， Greece. IEEE， 2002： 1150-1157. DOI： 10.1109/ICCV.1999.790410 .
[28]	Lindeberg T. Scale-space theory： a basic tool for analyzing structures at different scales［J］. Journal of Applied Statistics， 1994， 21（1/2）： 225-270. DOI： 10.1080/757582976 .
[29]	Shannon C E. A mathematical theory of communication［J］. The Bell System Technical Journal， 1948， 27（3）： 379-423. DOI： 10.1002/j.1538-7305.1948.tb01338.x .
[30]	廖斌，肖山竹，卢焕章. 基于加权局部熵的图像兴趣点检测方法［J］. 激光与红外， 2007， 37（4）： 381-383. DOI： 10.3969/j.issn.1001-5078.2007.04.025 .
[31]	刘泗岩，廖文和，刘浩. 基于内角余弦和的三角形正则度评定与网格优化［J］. 机械科学与技术， 2007， 26（4）： 420-423. DOI： 10.3321/j.issn： 1003-8728.2007.04.005 .