چکیده

 

رمزگذاری و انتقال پیشرونده، به عنوان مثال، پایه فنی حیاتی سیستم های اطلاعات جغرافیایی وب سه بعدی (WebGIS)، به تضاد بین داده های ساختمان سه بعدی عظیم و ظرفیت انتقال شبکه محدود می پردازد. اکثر الگوریتم‌های رمزگذاری پیشرونده، با در نظر گرفتن رئوس، یال‌ها یا مثلث‌ها به عنوان واحدهای رمزگذاری، ممکن است ویژگی‌های هندسی و توپولوژیکی ذاتی مدل‌های ساختمان سه‌بعدی را بشکنند. بنابراین، یک روش رمزگذاری مدل ساختمان سه بعدی جدید پیشنهاد شده است که می تواند ویژگی های داخلی را حفظ کند، که می تواند برای انتقال پیشرونده با راندمان بالا استفاده شود. با این روش، هر ساختمان به سه نوع سازه اساسی: سازه اصلی، سازه مستقل و سازه پیوست تجزیه می شود. یک نمودار توپولوژی ساختاری (STG) بر اساس اتصالات بین سازه ها ساخته شد. با هدایت STG، یک یا چند ساختار به عنوان کوچکترین واحد انتقال افزایشی پیچیده شد که به عنوان گره انتقال نشان داده می شود. در صورت درخواست، موقعیت بیدرنگ دیدگاه، جهت گیری و اهمیت بصری گره ها برای انتخاب گره های مورد انتظار برای پاسخگویی استفاده می شود. نتایج تایید می‌کنند که روش پیشنهادی می‌تواند ویژگی‌های هندسی و توپولوژیکی را در حالی که مدل‌های ساختمان سه‌بعدی کدگذاری می‌کند، حفظ کند. در حالی که روش پیشنهادی برای انتقال خدمت می کند، نه تنها به طور موثر بار انتقال را کاهش می دهد، بلکه تجربه سازگاری بهتری را در ظاهر ساختمان در سطوح مختلف ساده سازی به کاربران ارائه می دهد. جهت گیری و اهمیت بصری گره ها برای انتخاب گره های مورد انتظار برای پاسخگویی استفاده می شود. نتایج تایید می‌کنند که روش پیشنهادی می‌تواند ویژگی‌های هندسی و توپولوژیکی را در حالی که مدل‌های ساختمان سه‌بعدی کدگذاری می‌کند، حفظ کند. در حالی که روش پیشنهادی برای انتقال خدمت می کند، نه تنها به طور موثر بار انتقال را کاهش می دهد، بلکه تجربه سازگاری بهتری را در ظاهر ساختمان در سطوح مختلف ساده سازی به کاربران ارائه می دهد. جهت گیری و اهمیت بصری گره ها برای انتخاب گره های مورد انتظار برای پاسخگویی استفاده می شود. نتایج تایید می‌کنند که روش پیشنهادی می‌تواند ویژگی‌های هندسی و توپولوژیکی را در حالی که مدل‌های ساختمان سه‌بعدی کدگذاری می‌کند، حفظ کند. در حالی که روش پیشنهادی برای انتقال خدمت می کند، نه تنها به طور موثر بار انتقال را کاهش می دهد، بلکه تجربه سازگاری بهتری را در ظاهر ساختمان در سطوح مختلف ساده سازی به کاربران ارائه می دهد.

کلید واژه ها:

مدل ساختمان سه بعدی ; رمزگذاری پیشرونده استخراج ساختار ; نمودار توپولوژی ساختاری

1. مقدمه

مدل ساختمان سه بعدی که به طور گسترده در ناوبری سه بعدی و شهرهای دیجیتال استفاده می شود، برای محیط جغرافیایی مجازی ضروری است [ 1 ]. مدل های ساختمان های سه بعدی به دلیل جزئیات غنی، داده های قابل توجهی دارند. داده‌های مدل ساختمان عظیم نه تنها بار سنگینی را بر انتقال شبکه تحمیل می‌کند، بلکه چالش بزرگی را برای ارائه مشتری ایجاد می‌کند [ 2 ]. به منظور پاسخگویی به نیازهای تعامل بلادرنگ، سطح جزئیات (LOD) [ 3 ] پیشنهاد شده است. با این حال، از آنجایی که هیچ ارتباطی بین مدل‌ها در سطوح مختلف وجود ندارد، داده‌های زیادی به طور مکرر منتقل می‌شوند و منابع انتقال شبکه را تا حد زیادی هدر می‌دهند.
برای پرداختن به تناقض بین داده های مدل عظیم و ظرفیت انتقال محدود شبکه، یک استراتژی رمزگذاری و انتقال پیشرو توسعه داده شده است [ 4 ، 5 ، 6 ، 7 ]. پیش نیاز انتقال تدریجی، ساده سازی یک مدل سه بعدی به یک مدل پایه با افزایش های زیاد است. در طول انتقال، ابتدا مدل پایه منتقل می‌شود، و سپس افزایش‌ها به تدریج منتقل می‌شوند تا مدل بر حسب تقاضا یا به ترتیب ثابت اصلاح شود، که به طور قابل‌توجهی افزونگی داده‌ها را در میان یک سری از ارسال‌ها کاهش می‌دهد [ 8 ]. مش پیشرونده (PM)، پرکاربردترین الگوریتم ارائه شده توسط Hoppe در سال 1996 [ 9 ، 10 ]]، می‌تواند به‌خوبی مدل‌های سطح سه‌بعدی آزاد مقیاس بزرگ را در مدل‌های با وضوح چندگانه رمزگذاری کند. با این حال، مدل‌های ساختمان‌های سه‌بعدی محدودیت‌های هندسی بسیار سخت‌تری روی مش دارند، مانند موازی، عمود، همسطح و غیره، که کاملاً با مدل‌های سطح آزاد متفاوت هستند. چندین مؤلفه، به عنوان بخشی از مدل های ساختمان سه بعدی، که از طریق اتصالات مختلف ترکیب می شوند، می توانند به روابط توپولوژیکی داخلی پیچیده منجر شوند [ 11 ]. بسیاری از الگوریتم های موجود، به عنوان مثال، PM، در نظر گرفتن رئوس، یال ها یا مثلث ها به عنوان افزایش رمزگذاری پیش رونده، ممکن است محدودیت های ذاتی در داخل مدل ساختمان را شکسته و منجر به تغییر شکل ظاهری غیر واقعی شود.
به عنوان مثال، شکل 1 a نشان می دهد که رابطه عمودی بین قاب پنجره و دیوار شکسته شده است. علاوه بر این، در شکل 1 ب، صفحه تکیه گاه زیر برج آب بیش از حد ساده شده است، که باعث می شود برج آب در هوا معلق شود و رابطه فضایی بین صفحه تکیه گاه، برج آب و ستون ها مخدوش شود. قابل ذکر است، اشکالات شدیدی برای روش‌های رمزگذاری سنتی وجود دارد که مستقیماً در مدل‌های ساختمان سه بعدی اعمال می‌شوند. با این حال، تحقیقات کمی در مورد رمزگذاری و انتقال پیشرونده که ویژگی های داخلی ساختمان را با اجزای پیچیده حفظ می کند، انجام شده است.
این مطالعه یک روش رمزگذاری مدل ساختمان سه بعدی جدید را بررسی می‌کند که می‌تواند ویژگی‌های هندسی و توپولوژیکی داخلی را حفظ کند و برای انتقال پیشرونده با راندمان بالا استفاده شود. با این روش هر مدل ساختمانی به سه نوع سازه اصلی، سازه مستقل و سازه پیوست تجزیه می شود. با استفاده از رابطه اتصال این سازه ها، یک یا چند سازه به عنوان کوچکترین واحد انتقال افزایشی پیچیده می شود که به عنوان گره انتقال نشان داده می شود. بر اساس موقعیت بلادرنگ دیدگاه و ویژگی های گره ها، گره های مورد انتظار به صورت پویا انتخاب می شوند و برای اصلاح مدل به مشتری پاسخ می دهند. نتایج تایید می‌کنند که روش پیشنهادی می‌تواند ویژگی‌های هندسی و توپولوژیکی را در حالی که مدل‌های ساختمان سه‌بعدی کدگذاری می‌کند، حفظ کند. علاوه بر این،

2. کارهای مرتبط

2.1. شناخت ساختار

سازه یکی از ویژگی های حیاتی مدل های ساختمانی است که منعکس کننده فرآیند طراحی و قوانین طراحی مدل های ساختمانی است. علاوه بر این، بر شناخت مدل توسط انسان تأثیر می گذارد [ 12 ]. ساکورای و همکاران [ 13 ] نشان داد که یک ساختار یک وجه منفرد یا مجموعه ای از وجوه متصل با ترکیبات مشخصه توپولوژی و هندسه است. وظیفه اصلی شناخت ساختاری شناسایی این چهره ها است. در حال حاضر، محققان در طراحی به کمک کامپیوتر، تحقیقات گسترده ای در زمینه تشخیص ویژگی های ساختاری انجام داده اند. در این میان، روش مبتنی بر نمودار پس از سال ها تحقیق به یکی از جریان های اصلی تبدیل شده است [ 14 ]. جوشی و همکاران [ 15] یک الگوریتم تشخیص ویژگی را بر اساس نمودار مجاورت ویژگی (AAG) پیشنهاد کرد. این الگوریتم یک سری قوانین را از پیش تعریف کرده و به طور موثر سوراخ ها، مراحل و ساختارهای دیگر را در مدل جامد استخراج می کند. گائو و شاه [ 16 ] جنبه‌های تشخیص ویژگی مبتنی بر گراف و اشاره محور را با تجزیه حجم دلتا ترکیب کردند، ویژگی‌هایی را بر اساس AAG به چهره اضافه کردند و یک نمودار ویژگی مجاور توسعه‌یافته (EAAG) پیشنهاد کردند، که می‌تواند به طور موثر ساختارهای ویژگی تعاملی را استخراج کند. قابل ذکر است، الگوریتم های مبتنی بر گراف می توانند به طور موثر ساختارهای مختلف مدل را استخراج کنند، اما تحقیقات بیشتری در کارایی تطبیق گراف فرعی، پردازش و تشخیص ویژگی های پیچیده مورد نیاز است [ 17 ].
علاوه بر این، شبکه‌های عصبی مصنوعی (ANN) در تشخیص ویژگی‌های ساختاری استفاده شده‌اند. جون و راجا [ 18 ] ویژگی های هندسی را از نقاط اسکن مدل استخراج کردند، از جمله ویژگی های مقعر/محدب و باز/بسته. استفاده از این ویژگی ها به عنوان ورودی ماژول ANN می تواند به طور موثر ویژگی های ماشینکاری قطعات منشوری را شناسایی کند. قابل‌توجه، شبکه‌های عصبی مصنوعی (1) می‌توانند یاد بگیرند و القا کنند، (2) تحمل بالایی برای خطاهای ورودی دارند و (3) می‌توانند انواع ویژگی‌های جدید را به طور انعطاف‌پذیر شناسایی کنند [ 19 ]. با این حال، استفاده از شبکه های عصبی مصنوعی برای شناسایی سازه ها از ساختمان های پیچیده پیچیده نیاز به کاوش بیشتری دارد.
برای شناخت سازه های ساختمانی، لی و همکاران. [ 20 ] ساختارهای هندسی مدل های ساختمانی را به سه دسته تقسیم کرد: سازه های تعبیه شده، سازه های ترکیبی و سازه های اتصال. سپس از EAAG برای استخراج این ساختارها استفاده شد و یک طرح قوی با ساده‌سازی پیشرونده پیشنهاد شد. Thiemann و Sester [ 21 ] الگوریتم تقسیم بندی چند وجهی پیشنهاد شده توسط Ribelles و همکاران را بهبود بخشیدند. [ 22 ]. به طور خاص، آنها از صفحات برای تقسیم بندی ساختمان ها برای به دست آوردن سازه ها استفاده کردند و از یک مدل سلولی برای نشان دادن مجاورت توپولوژیکی سازه استفاده کردند. کادا [ 23] مجموعه ای از قوانین استخراج را بر اساس رابطه زاویه صورت تعریف کرد که می تواند به طور موثر اکستروژن، بریدگی و نوک ساختمان را شناسایی کند. روش های شناسایی سازه فوق بیشتر برای تولید یک مدل LOD با کیفیت بالاتر با کاهش سازه ها استفاده می شود. با این حال، تحقیقات کمی در مورد استخراج ساختار برای انتقال پیشرونده انجام شده است. برای استخراج ساختار برای انتقال پیشرونده، روش پیشنهادی از روش تقسیم بندی مش و روش مبتنی بر نمودار برای استخراج سازه در ساختمان استفاده می کند.

2.2. رمزگذاری و انتقال پیشرو

برای رفع کاستی‌های افزونگی داده‌ها در LOD گسسته، محققان گرافیک کامپیوتری روش‌های رمزگذاری پیشرونده متعددی را برای مدل‌های سه‌بعدی پیشنهاد کرده‌اند. وظیفه کلیدی کدنویسی پیش رونده ساده سازی تدریجی مدل های سه بعدی و رمزگذاری داده های ساده شده است. Hoppe [ 9 ] یک مش پیشرونده را پیشنهاد کرد، که مدل سه بعدی پیچیده را به یک شبکه اصلی که نشان دهنده کمترین مدل وضوح و افزایش مش تقسیم می کند، ارائه کرد. با انتقال مداوم افزایش های مش، وضوح مش نیز افزایش می یابد. برای این منظور، Popović و Hoppe [ 24 ] با اجازه دادن به تغییر رابطه توپولوژیکی، وفاداری مدل را در فرآیند رمزگذاری بیشتر بهبود بخشیدند. هوپ [ 25] با تغییر پارامترهای دیدگاه برای اصلاح انتخابی مش پیشرونده، فشار رندر و انتقال را کاهش داد. این نوع الگوریتم اغلب بر روی سطوح پیوسته مانند زمین اعمال می شود و نتایج خوبی به دست آورده است. اکثر این الگوریتم ها از ابتدایی های هندسی مانند رئوس، یال ها و مثلث ها به عنوان واحدهای رمزگذاری استفاده می کنند. الگوریتم سری مش مترقی فوق الذکر مدل ها را بر اساس عملیات فروپاشی لبه ساده می کند، که توالی عملیات فروپاشی لبه را به عنوان واحد افزایشی ثبت می کند. علاوه بر این، چن و همکاران. [ 6 ] مدل‌ها را بر اساس الگوریتم خوشه‌بندی راس ساده‌سازی کرد و با استفاده از داده‌های راس به‌عنوان واحدهای رمزگذاری، تجسم تدریجی مدل‌های پیچیده سه‌بعدی را تحقق بخشید. هو و لیو [ 26] از یک ساختار نیمه لبه برای ذخیره مدل ها استفاده کرد و روش محاسبه وزن الگوریتم QEM گارلند (سنجش های خطای چهارگانه) [ 27 ] را بر اساس درجه اهمیت راس، که می تواند به سرعت مش های پیشرونده ایجاد کند، دوباره طراحی کرد. اما در این روش‌ها محدودیت‌های هندسی و توپولوژیکی ساختمان در نظر گرفته نمی‌شود و شکستن این محدودیت‌ها باعث تأثیر شدید ظاهری و ابهام شناختی می‌شود. بنابراین، یک روش رمزگذاری پیشرونده، به ویژه برای ساختمان ها، باید مورد بررسی قرار گیرد.
با توجه به رمزگذاری پیشرونده مدل های ساختمان، کادا [ 28 ] یک طرح رمزگذاری و انتقال مترقی برای مدل های ساختمان سه بعدی ارائه کرد. این طرح بر اساس گرامرهای رشته‌ای است که نمایش‌های رشته‌ای از مدل‌های نیمه‌فضای مسطح را ایجاد می‌کند، که می‌تواند به تدریج مدل‌های ساختمان را با ساختارهای ساده منتقل کند. با این حال، این روش نمی تواند برای رمزگذاری مدل های ساختمان پیچیده استفاده شود. برای توصیف بهتر ترکیب فضایی هر مدل ساختمان و رابطه بین مدل‌های مختلف ساختمان، سان [ 29 ] یک مدل معنایی چند سطحی ساخت که می‌تواند انتقال مدل‌های ساختمان را بر اساس شرایط معنایی بهتر هدایت کند. از دیدگاه شناخت ساختاری، سان [ 12] سازماندهی و بیان داده ها با وضوح چندگانه را بر روی مدل های ساختمانی سه بعدی بر اساس حذف ساختار دقیق انجام داد. ظاهر مدل همچنان در وضوح های مختلف قابل حفظ است. از آنجایی که این الگوریتم نیاز به ایجاد یک رابطه اتصال چهره دارد، اعمال آن در ساختمان های مولفه ای چالش برانگیز است.
در اصل، زمانی که الگوریتم رمزگذاری پیشرونده برای مدل سطح آزاد به طور مستقیم به مدل‌های ساختمانی اعمال شود، محدودیت‌های هندسی و توپولوژیکی ساختمان به راحتی شکسته می‌شوند. در حالی که برای ساخت مدل‌هایی با اجزای پیچیده استفاده می‌شود، الگوریتم‌های رمزگذاری پیشرونده موجود با مشکلات زیادی روبرو هستند و منجر به برخی اثرات نامعقول می‌شوند. بنابراین، این مطالعه با هدف حفظ ویژگی های هندسی و توپولوژیکی داخلی مدل های ساختمان در حالی که به تدریج مدل های ساختمان را رمزگذاری و انتقال می دهد.

3. روش شناسی

جریان الگوریتم در شکل 2 نشان داده شده است . ابتدا، شبکه مدل‌های ساختمان را به اجزاء تقسیم می‌کنیم، که از آنها ساختارها را استخراج می‌کنیم و یک نمودار توپولوژی ساختاری می‌سازیم. سپس، یک یا چند ساختار در گره انتقال پیچیده می شود. سپس ویژگی‌های این گره‌ها که برای انتقال استفاده می‌شوند محاسبه می‌شوند و در نهایت داده‌های این گره‌ها با توجه به ویژگی‌ها سازمان‌دهی می‌شوند تا برای انتقال پیشرونده در سرور ذخیره شوند.

3.1. ساختمان را به سازه ها تجزیه کنید

3.1.1. مش را تقسیم بندی کنید

از دیدگاه انتزاعی، یک مدل ساختمان را می توان ترکیبی از انواع مختلف سازه ها [ 20 ] دید. در این تحقیق تعاریف اجزا و سازه ها متفاوت است. به طور خاص، جزء یک شبکه مثلثی مستقل است که حاوی اطلاعات معنایی صریح نیست، مانند گیرنده رادار نشان داده شده در شکل 3 . برعکس، ساختار مجموعه ای از مثلث هاست که معنای خاصی را بیان می کند. همانطور که در شکل 3 نشان داده شده است، یک جزء می تواند به طور مستقیم ساختاری مانند یک تهویه مطبوع را بیان کندب علاوه بر این، می تواند شامل سازه های متعددی مانند پنجره های تعبیه شده در دیوار باشد و این دو سازه با هم جزء اصلی را تشکیل می دهند. قابل ذکر است، ما با تقسیم ساختمان به اجزای متعدد شروع می کنیم و سپس ساختار را از اجزا استخراج می کنیم.
این تحقیق مدل‌های ساختمان را بر اساس ساختار داده She [ 30 ] بیان می‌کند که روابط اتصال بین مثلث‌ها را ثبت می‌کند. هنگامی که یک لبه مشترک یکسان بین دو مثلث وجود دارد، آنها به عنوان مثلث مجاور تعریف می شوند. این تحقیق از الگوریتم جستجوی وسعت اول برای تقسیم مش مدل ساختمان به اجزا استفاده می کند. مراحل مشخص به شرح زیر است:
مرحله 1: مش مدل را طی کنید تا یک مجموعه مثلث بسازید، تیاسهتی.
مرحله 2: یک مثلث بازدید نشده را بیرون بیاورید، تی،از جانب تیاسهتی، تنظیم تیهمانطور که بازدید شد، آن را در صف قرار دهید، qو یک جزء جدید ایجاد کنید، ج.
مرحله 3: مثلث را بیرون بیاورید، تی، از جانب q، آن را به کامپوننت اضافه کنید ج، از تمام مثلث های همسایه بازدید نشده عبور کنید تی، آن را به عنوان بازدید شده تنظیم کنید و آن را در صف قرار دهید، q، مرحله 3 را تکرار کنید تا جایی که مثلثی در آن وجود نداشته باشد q.
مرحله 4: مراحل 2 و 3 را تکرار کنید تا همه مثلث ها وارد شوند تیاسهتیبازدید می شوند.
نتایج تقسیم بندی مش در شکل 3 نشان داده شده است ، جایی که رنگ های مختلف اجزای مختلف را نشان می دهد. بر اساس این مولفه ها، مدل ساختمان سه بعدی را به سه نوع سازه اصلی تجزیه می کنیم: سازه های اصلی، مستقل و پیوست. بدیهی است که شکل ظاهری مدل های ساختمانی عمدتاً با چند مؤلفه اصلی بیان می شود و سایر اجزاء نقش تزئینی دارند. هر جزء اصلی از ساختار اصلی و یک ساختار متصل تشکیل شده است. سازه اصلی معمولاً کل دیوار پس از برداشتن سازه متصل است. ساختار متصل در اجزای اصلی، با برجستگی ها و فرورفتگی های آشکار، مانند پنجره در شکل 3 ، تعبیه شده است.. اجزای کمکی باقی مانده ساختارهای مستقل بودند. این سازه ها اغلب دارای ویژگی های سطح کوچک و حجم کم هستند. برداشتن چنین سازه هایی باعث ایجاد حفره در سطح ساختمان نمی شود.
3.1.2. استخراج اجزای اصلی و ساختار مستقل
ایده اصلی استخراج سازه مستقل، تشخیص اجزای اصلی از اجزای ساختمان است و اجزای باقیمانده سازه های مستقل هستند. بنابراین، ما روشی را برای شناسایی ساختارهای مستقل با در نظر گرفتن حجم و مساحت پیشنهاد می‌کنیم. ما از حجم و سطح اجزا برای استخراج ساختارهای مستقل استفاده کردیم. جزئیات به شرح زیر است:
مرحله 1: محاسبه حجم Vمن، از جعبه مرزی جهت دار (OBB) هر جزء و سطح، اسj، از جزء.
مرحله 2: اجزاء را به ترتیب نزولی بر اساس حجم مرتب کنید. با توجه به ترتیب حجم از بزرگ‌ترین به کوچک‌ترین، عملیات انباشتگی را روی حجم انجام دهید. Vمن، یکی یکی برای به دست آوردن Vستومتر. چه زمانی Vستومتر≥Vتیoتیآل×تی1، انباشت متوقف می شود و اجزای انباشته مجموعه را تشکیل می دهند من.
مرحله 3: اجزاء را بر اساس مساحت سطح به ترتیب نزولی مرتب کنید. با توجه به ترتیب مساحت سطح از بزرگ‌ترین به کوچک‌ترین، عملیات انباشتگی را روی سطح انجام دهید. اسj، یکی یکی برای به دست آوردن اسستومتر. چه زمانی اسستومتر≥استیoتیآل×تی2، انباشت متوقف می شود و اجزای انباشته شده یک مجموعه را تشکیل می دهند جی.
مرحله 4: اجزاء را برگردانید ب={من∪ جی}.
در میان آنها، بشامل اجزای اصلی است و اجزای باقی مانده را ساختارهای مستقل می نامند. تی1و تی2آستانه هایی از 0 تا 1 هستند که می توانند آزادانه با توجه به میزان تکه تکه شدن اجزای ساختمان تنظیم شوند.
3.1.3. استخراج سازه های پیوست شده
پیش نیاز استخراج سازه های متصل به دست آوردن رابطه اتصال صورت است. ما از الگوریتم خوشه‌بندی حریص [ 20 ] برای انجام خوشه‌بندی مش بر روی اجزای اصلی قبل از استخراج ساختارهای متصل استفاده کردیم. این روش مثلث هایی را با بردارهای معمولی مشابه در صورت ها خوشه می کند. نتایج در شکل 4 الف نشان داده شده است. پس از آن، ما زاویه بین چهره ها را محاسبه کردیم. هنگامی که زاویه کمتر از 180 درجه باشد، یک اتصال مقعر بین وجه ها وجود دارد، در حالی که وقتی زاویه بیشتر از 180 درجه باشد، یک اتصال محدب بین وجه ها وجود دارد. با توجه به این روابط، یک AAG [ 15] ساخته شد. AAG صورت و رابطه اتصال را در یک نمودار بیان می کند که می تواند به صورت نمایش داده شود AAG={اف،E،آ}، جایی که افصورت به دست آمده از خوشه بندی است، Eارتباط بین دو چهره است و آصفت مقعر – محدب است E. استفاده از الگوریتم جستجوی نمودار در AAG می تواند به طور موثر ساختار پیوست را استخراج کند.
ما ساختار متصل را به ساختارهای متصل ساده و پیچیده تقسیم می کنیم و قوانین استخراج زیر را تعریف می کنیم:
در AAG، برای یک زیرگراف، gو زیرگراف همسایه آن،  n، اگر (1) اتصالات داخلی از gمقعر هستند، در حالی که همه اتصالات بین gو nمحدب هستند، یا (2) اتصالات داخلی gمحدب هستند، در حالی که تمام اتصالات بین gو nمقعر هستند، سپس در نظر می گیریم gیک ساختار متصل ساده باشد. اگر تعداد وجوه درونی از n1 است و تمام اتصالات gو nیکسان هستند، ما در نظر می گیریم gیک ساختار پیوسته پیچیده باشد.
همانطور که در شکل 5 الف نشان داده شده است، دو مجموعه چهره وجود دارد: یک ساختار متصل ساده (چپ) و یک ساختار متصل پیچیده (راست). در شکل 5b، هر صورت به صورت یک گره بیان می شود و رنگ لبه نشان دهنده رابطه اتصال بین وجه ها است. دو ساختار متصل در AAG وجود دارد: یک ساختار متصل ساده (فرعی سمت چپ) و یک ساختار پیوست پیچیده (فرعی سمت راست). به طور خاص، با توجه به قوانین استخراج، زمانی که گروهی از وجوه دارای رابطه اتصال مقعر-محدب داخلی یکسان هستند اما در مقابل رابطه اتصال مقعر-محدب خارجی هستند، به عنوان یک ساختار متصل ساده شناخته می‌شوند. سازه های متصل ساده به طور گسترده بر روی اجزای اصلی یک ساختمان مانند پنجره ها و درها وجود دارد. در مقابل، وقتی گروهی از چهره‌ها، بدون توجه به پیچیدگی رابطه، روابط داخلی متفاوتی دارند.
از آنجایی که سازه های متصل ساده ممکن است در سازه های متصل پیچیده تعبیه شوند، ابتدا ساختارهای متصل ساده را استخراج کرده و از AAG حذف می کنیم. این فرآیند به صورت مکرر انجام شد تا تمام ساختارهای متصل ساده حذف شدند و سپس ساختارهای پیچیده استخراج شدند. هنگامی که تعداد وجوه سازه متصل کمتر یا مساوی 3 باشد، استخراج ساختار برای انتقال منجر به افزونگی غیر ضروری می شود. بنابراین، ما آنها را استخراج نمی کنیم. هنگامی که تا انتها استخراج می شود، دیوار معمولی به راحتی به عنوان یک ساختار متصل ساده بیش از حد استخراج می شود. بنابراین، زمانی که حجم OBB سازه متصل ساده بیشتر از نیمی از حجم اجزای اصلی باشد، ساختار استخراج نمی شود.
از آنجایی که سازه های متصل در اجزای اصلی تعبیه شده اند، در صورت حذف سازه های متصل، سوراخ هایی بر روی سطح سازه اصلی ایجاد می شود که ظاهر ساختمان را به شدت تحت تاثیر قرار می دهد. برای به حداقل رساندن تأثیر بصری ناشی از حذف سازه، از الگوریتم گائو [ 31 ] برای مثلث‌بندی سوراخ‌ها برای ایجاد یک شبکه موقتی به نام مش مثلث سوراخ استفاده کردیم. برای حفظ بافت شبکه مثلثی سوراخ ها، از روش طرح ریزی برای تولید یک بافت موقت استفاده کردیم [ 32 ]. به دلیل حفظ بافت، ظاهر بنا به خوبی حفظ شده است.

3.2. سازمان داده برای انتقال پیشرو

3.2.1. نمودار توپولوژی ساختاری

مدل ساختمان به ساختارها تجزیه شده است، اما اندازه سازه ها به عنوان دنباله کدگذاری و انتقال استفاده می شود که ممکن است رابطه توپولوژیکی بین سازه ها را بشکند. به عنوان مثال، یک سازه کوچک، آ، از یک ساختار بزرگتر پشتیبانی می کند، ب، اگر ساختار آپس از ساختار منتقل شد ب، و بدر هوا معلق بود. بنابراین، توالی رمزگذاری و انتقال ساختار باید به طور منطقی مرتب شود تا اطمینان حاصل شود که رابطه توپولوژیکی ساختارها در هر وضوح قطع نمی شود. علاوه بر این، برخی از اجزای مستقل ممکن است به یکدیگر وابسته باشند. به عنوان مثال، پله ها و نرده ها یک راه پله را تشکیل می دهند. اگر فقط نرده ها منتقل شوند، شناسایی صحیح راه پله برای کاربران چالش برانگیز خواهد بود. بنابراین، ساختارها باید بیشتر ترکیب شوند تا یکپارچگی خود را حفظ کنند.
برای بیان واضح‌تر ارتباط ساختار و ترکیب راحت‌تر ساختارها، گراف توپولوژی ساختاری را ساختیم. STG={ن،E}، جایی که ن={اصلی ساختار، مستقل ساختار، پیوست شده است ساختار}، و Eارتباط بین سازه ها است. وظیفه اصلی ساخت STG قضاوت در مورد تلاقی ساختارها است. با توجه به ساختارهای متعدد مدل های ساختمانی و چندین مثلث در داخل سازه، انجام مستقیم آزمایش تقاطع زمان بر است. ما روشی را برای محاسبه سریع روابط اتصال بین سازه ها پیشنهاد می کنیم. علاوه بر این، این روش خطاهای مدلسازی را در نظر می گیرد، مانند سازه های مستقل که با هیچ ساختاری تلاقی ندارند. مراحل خاص این روش به شرح زیر است:
مرحله 1: برای هر سازه کادر مرزی هم تراز با محور (AABB) ایجاد کنید.
مرحله 2: محاسبه کنید که آیا AABBهای تمام ساختارها به صورت جفتی قطع می شوند یا خیر. اگر آنها را قطع می کنند، محاسبه کنید که آیا یک جفت مثلث متقاطع وجود دارد یا خیر. اگر درست باشد، آنگاه این دو ساختار تلاقی می‌کنند.
مرحله 3: تعیین کنید که آیا ساختار مستقلی وجود دارد که به هیچ ساختاری متصل نیست. اگر وجود داشته باشد، ساختار را در امتداد مرکز ثقل 1.1 برابر بزرگ‌نمایی می‌کنیم که انبساط است [ 33 ].
مرحله 4: مراحل 2 و 3 را تکرار کنید تا ساختار مستقلی که به هیچ ساختاری در STG متصل نباشد وجود نداشته باشد.
3.2.2. گره های انتقال
گره انتقال کوچکترین واحدی است که برای تکمیل اصلاح مدل نیاز به انتقال دارد. از یک ساختار یا چند ساختار تشکیل شده است. ما چهار نوع گره انتقال را بر اساس STG تعریف می کنیم: گره اصلی، گره برگ، گره ترکیبی و گره مش مثلث سوراخ.
(1) گره اصلی
گره اصلی ابتدایی ترین مدل است و در ابتدا منتقل می شود. این به عنوان خشن ترین مدل در نظر گرفته می شود. از ساختار اصلی به دست آمده در بخش 3.1.2 ، بدون ساختار متصل، مانند S1 در شکل 6 ، تشکیل شده است. قابل ذکر است، ما تمام ساختارهای اصلی را در یک گره انتقال ادغام می کنیم که به آن گره اصلی می گویند.
(2) گره برگ
گره برگ معنایی را به طور جداگانه بیان می کند، مانند S2-S4، S5 و S6 در شکل 6 . گره برگ را می توان مستقیماً از ساختارهای متصل و مستقل ساخت و به ترتیب منتقل می شوند. ابتدا، جستجوی یک گره با تنها یک همسایه در STG به عنوان یک گره برگ مشخص می شود. سپس، گره همسایه را به عنوان والد آن علامت گذاری کنید و آن را از STG حذف کنید. این مرحله تا زمانی که هیچ گره برگ جدیدی وجود نداشته باشد تکرار می شود.
(3) گره ترکیبی
ساختارها برای بیان معنایی ترکیب می شوند که به عنوان گره ترکیبی شناخته می شود. آنها شامل سازه های مستقل یا مخلوطی از سازه های مستقل و سازه های متصل مانند پلکان ها، برج های آب و سایر سازه های پیچیده مانند S7، S8، S9، S10 و S11 در شکل 6 هستند. این ساختارهای مستقل به طور کلی منتقل شدند. برای استخراج گره های ترکیبی: ابتدا، گره اصلی به عنوان یک گره جدا شده علامت گذاری می شود تا هنگام عبور از گره ها، گره اصلی به عنوان یک گره ترکیبی علامت گذاری نشود. در ادامه، نمودار را با استفاده از الگوریتم جستجوی پهنای اول طی می کنیم و هر زیرگراف متصل به عنوان یک گره ترکیبی ساخته می شود و در نهایت، گره همسایه به عنوان گره والد ثبت می شود.
(4) گره مش مثلث سوراخ
گره مش مثلث سوراخ به شبکه مثلثی اطلاق می شود که سوراخ ایجاد شده در اثر برداشتن ساختار متصل را پر می کند. قابل ذکر است که هر گره مش مثلث سوراخ با یک ساختار متصل همراه است و این گره باید همراه با گره اصلی ساختار متصل منتقل شود. فرض کنید یک گره مشبک مثلث سوراخ وجود دارد، تیoساعت، مرتبط با ساختار پیوست شده، سf. گره انتقال، تی،از تولید می شود سf، و گره والد تیاست fتی. تیoساعتباید همراه با fتی.
همانطور که در شکل 7 نشان داده شده است ، گره اصلی از ساختار اصلی (1:1 یا n:1) تشکیل شده است، گره برگ از یک ساختار مستقل یا یک ساختار متصل (1:1) تشکیل شده است و گره ترکیبی را می توان تشکیل داد. ساختارهای مستقل (n:1) یا مخلوطی از ساختارهای مستقل و ترکیب ساختارهای متصل.
شکل 8 نتایج استخراج را برای گره های انتقال مختلف نشان می دهد. از آنجایی که گره های مثلث سوراخ توسط گره های دیگر پوشیده شده اند، در شکل 8 نشان داده نشده اند .
3.2.3. ویژگی های گره برای انتقال پیشرو
در فرآیند انتقال بی‌درنگ مدل‌های ساختمانی سه‌بعدی، گره انتقال به تدریج برای اصلاح صحنه منتقل می‌شود. برای سرعت بخشیدن به انتخاب گره هایی با برجستگی بصری بیشتر، دو ویژگی به گره های انتقال اضافه می کنیم: اهمیت بصری و جهت گیری.
(آ)
اهمیت بصری
از آنجایی که گره اصلی و گره مش مثلث سوراخ قوانین خاص خود را برای انتقال دارند، فقط اهمیت بصری برگ و گره های ترکیبی باید محاسبه شود. به طور کلی، اهمیت بصری یک گره انتقال با حجم آن نشان داده می شود. حجم بیشتر نشان دهنده اهمیت بصری بالاتر است. برای راحتی محاسبه، از حجم OBB گره انتقال به عنوان اهمیت بصری استفاده می کنیم. گره های انتقال با اهمیت بصری بالاتر اولویت را به انتقال می دهند.
(ب)
دید جهت
برای ساختمان ها، سازه اغلب به سطح گره اصلی متصل می شود. بنابراین، جهت سطحی که سازه در آن متصل است، تعیین می کند که آیا گره انتقال متصل به سطح از یک دیدگاه خاص قابل مشاهده است یا خیر. اگر زاویه بین جهت سطح و خط دید از -90درجهبه 90درجه، ما نتوانستیم سطح و گره انتقال را روی سطح ببینیم. ما به این عامل به عنوان دید جهت گره انتقال اشاره می کنیم. برای کاهش بیشتر مقدار داده های ارسالی، تنها گره های ارسال کننده قابل مشاهده بارگیری شدند. ما شش جهت گره های انتقال را تعریف می کنیم: بالا، پایین، چپ، راست، جلو و عقب.
گره اصلی در همه جهات قابل مشاهده است. گره انتقال مستقیماً متصل به گره اصلی را به عنوان گره سطح دوم علامت گذاری می کنیم و ابتدا جهت گره سطح دوم را محاسبه می کنیم. روش محاسبه به شرح زیر است: ابتدا مجموعه چهره را بدست آورید. اف={f1،f2……}، جایی که گره انتقال، تی،با گره اصلی تلاقی می کند. این مجموعه چهره ها از نتایج خوشه بندی مثلث در بخش 3.1.3 هستند. سپس، محصول را محاسبه کنید متراز بردار نرمال n→=(ایکس،y،z)از صورت، f1و بردار واحد ایکس→=(1،0،0)از محور X مثبت اگر متربزرگتر است از د، افدر محور X مثبت قابل مشاهده است. بنابراین، دید جهت گیری درست T درست است. به ویژه، دآستانه ای است که می توان آزادانه آن را تنظیم کرد. کوچکتر داست، هر چه ساختار قابل مشاهده تر باشد و مقدار آن در این مطالعه 0.3 است. میزان دید همه چهره ها را در مجموعه تعیین کنید افدر شش جهت، و نتیجه قابل مشاهده را به تی، و همچنین سایر گره های انتقال که به طور مستقیم یا غیرمستقیم به آن متصل می شوند، به عنوان مقدار ویژگی دید جهت گیری.

3.3. انتقال پیشرو در زمان واقعی

در مرحله انتقال بلادرنگ، اطلاعات دیدگاه از مشتری به سرور منتقل می شود. از این منظر، سرور گره‌های انتقالی را که باید در صحنه فعلی بارگذاری شوند، به دست می‌آورد و آنها را به روشی منظم به مشتری ارسال می‌کند. متعاقباً، مشتری داده‌ها را دریافت می‌کند و آن‌ها را برای تحقق بخشیدن به اصلاح تدریجی ساختار ساختمان ارائه می‌کند. در روش‌های سنتی، واحدهای اصلاح مدل معمولاً رئوس و لبه‌ها هستند که نیاز به بازسازی اضافی مش مثلث دارند. در این مطالعه، روش پیشنهادی از ساختار به عنوان واحد پالایش استفاده می‌کند و داده‌ها مستقیماً به صحنه اضافه می‌شوند که از بازسازی مش مثلث جلوگیری می‌کند. این در زمان اجرا کارآمدتر است.
برای سرعت بخشیدن به جستجوی گره هایی که نیاز به انتقال دارند، یک ساختار داده برای هر مدل ساختمان روی سرور نگهداری می کنیم، شناسه ساختمان، مکان مرکزی ساختمان، گره اصلی و شش لیست را به ترتیب ثبت می کنیم. هر لیست گره هایی را که در شش جهت قابل مشاهده است ذخیره می کند. گره های موجود در لیست به ترتیب نزولی اهمیت بصری شان سازماندهی شده اند:
ساختمان سازه{
  Int BuildingID بدون امضا.
  Vector3f Center;
  TransmissionNode MainNode;
  لیست LeftNodeList;
  لیست RightNodeList;
  لیست TopNodeList;
  لیست BottomNodeList;
  لیست FrontNodeList;
  لیست BackNodeList;
}
Struct TransmissionNode{
  بدون امضا NodeID
  لیست HoleTriangleMeshNodeIDList;
  Float VirualImportance;
  داده * renderData;
}
فرآیند به دست آوردن گره های انتقال مورد انتظار در شکل 9 نشان داده شده است. هنگامی که صحنه برای اولین بار بارگذاری می شود، سرور گره های اصلی همه ساختمان ها و گره های مش مثلث سوراخ مرتبط با آنها را ارسال می کند. هنگام رومینگ در صحنه، سرور ابتدا یک کوئری فضایی برای فیلتر کردن ساختمان ها در میدان دید انجام می دهد. سپس فاصله بین دیدگاه و هر مدل ساختمان بر اساس موقعیت مرکزی هر ساختمان محاسبه شد. حداقل اهمیت بصری گره انتقال را که باید در هر مدل ساختمان بارگذاری شود بر اساس فاصله و جهت قابل مشاهده مدل ساختمان بر اساس موقعیت دیدگاه نسبت به مدل ساختمان محاسبه کنید. با توجه به حداقل اهمیت بصری، الگوریتم جستجوی دودویی برای یافتن گره هایی که باید از لیست مرتب شده قابل مشاهده هر ساختمان منتقل شوند، استفاده می شود. و ترتیب گره ها بر اساس اهمیت بصری به ترتیب نزولی سازماندهی شده است. اگر گره والد یک گره فرزند منتقل نشده باشد، گره والد در جلوی گره فرزند قرار می گیرد تا اطمینان حاصل شود که گره والد قبل از گره فرزند منتقل می شود. یک مجموعه هش بر روی سرور ایجاد می شود تا گره های انتقالی را که منتقل شده اند ذخیره کند، در نتیجه از ارسال های مکرر جلوگیری می شود.
لیستی از گره‌های رندر که به صحنه اضافه شده‌اند در سمت کلاینت نگهداری می‌شوند که به عنوان فهرست گره‌های انتقال (TNL) شناخته می‌شود. هنگامی که یک گره انتقال جدید وارد می شود، اگر یک گره مش مثلث سوراخ مرتبط با گره جدید در TNL وجود داشته باشد، گره سوراخ مثلث فعلی حذف می شود.

4. نتایج

برای بررسی امکان‌سنجی روش پیشنهادی، یک سیستم نمونه طراحی شد. این سیستم شامل سه بخش پیش پردازش، سرور و مشتری است. به طور خاص، بخش پیش پردازش مدل را می خواند، ساختار را استخراج می کند، گره انتقال را ایجاد می کند و داده های گره انتقال را در یک فایل دیسک ذخیره می کند. سرور داده های گره انتقال را به صورت پویا با توجه به اطلاعات دیدگاه دریافتی ارسال می کند. کلاینت اطلاعات دیدگاه فعلی را ارسال می کند، داده های گره انتقال ارسال شده توسط سرور را دریافت می کند و آن را برای رندر به صحنه اضافه می کند. راه حل نرم افزاری برای نتایج آزمایش با استفاده از Microsoft Visual Studio 2017 توسعه داده شد، زبان برنامه نویسی C++ بود، برنامه های کلاینت و سرور هر دو برنامه های کنسول ویندوز بودند و مشتری از OpenSceneGraph (OSG) به عنوان موتور رندر سه بعدی استفاده می کرد.
نتایج این روش در دو جنبه مورد بحث قرار می گیرد. ابتدا، ما دو نوع مختلف از مدل های کلاسیک را برای نشان دادن نتایج استخراج ساختار الگوریتم خود انتخاب کردیم. با مقایسه با الگوریتم های سنتی در مدل 3، ظاهر مدل 3 را در سطوح مختلف ساده سازی نشان می دهیم. دوم، ما بارگذاری داده های الگوریتم را برای صحنه های شهری در مقیاس بزرگ شمارش کردیم. اطلاعات آماری مدل مورد استفاده در این مطالعه در جدول 1 نشان داده شده است.

4.1. نتایج کدگذاری پیشرونده

4.1.1. استخراج سازه و نتایج ساخت گره انتقال

برای نشان دادن توانایی استخراج الگوریتم استخراج سازه، آزمایش بر روی دو مدل، یکی با ساختار مستقل فراوان (مدل 1) و دیگری با ساختار پیوسته فراوان (مدل 2) انجام شد. هر دو مدل با استفاده از 3DS max توسعه داده شدند.
شکل 10 نتایج استخراج سازه و ساخت گره انتقال مدل 1 را نشان می دهد که ساختمانی در یک بلوک در شهر نیویورک، ایالات متحده آمریکا است. همانطور که در شکل 10 ب نشان داده شده است، مدل دارای چندین ساختار مستقل است که اندازه کوچکی دارند و به عنوان جلوه های تزئینی عمل می کنند. شکل 10 d نتایج ساخت گره انتقال را نشان می دهد. مدل ساختمان شامل چندین گره ترکیبی، مانند برج های سیگنال و تابلوهای تبلیغاتی است.
شکل 11 نتایج استخراج سازه و ساخت گره انتقال مدل 2 را نشان می دهد که دارای ساختار متصل فراوان است. شکل 11 ب نشان می دهد که مدل ساختمان تقریباً هیچ ساختار مستقلی ندارد. شکل 11 ج نتایج استخراج را برای سازه متصل نشان می دهد. سازه های متصل ساده عمدتاً پنجره ها هستند که رایج ترین سازه ها در ساختمان های مدرن هستند. ساختمان های پیچیده مدرن تقریباً با پنجره پوشیده شده اند. علاوه بر این، برخی سازه‌های پیوسته پیچیده مانند ترکیب پله‌ها و پشت بام‌ها استخراج شده‌اند. شکل 11 d نشان می دهد که ساختار متصل بیشتر به صورت گره های برگ ساخته شده است.
شکل 12 a و شکل 13 a نشان می دهد که مدل ساختمان با دریافت گره های انتقال پالایش شده است. در این فرآیند، ظاهر مدل به طور غیر واقعی تغییر شکل نمی‌دهد. در شکل 12 ب و شکل 13ب، گره مش مثلث سوراخ به طور موقت جایگزین گره مرتبط در مدل ساختمان سطح پایین می شود و ظاهر اصلی خود را حفظ می کند. قابل ذکر است، هنگامی که گره مرتبط دریافت می شود، گره مش مثلث سوراخ با گره مرتبط جایگزین می شود. ساختمان با سازه ها به عنوان یک واحد پالایش شده است که درک کاربر را از فرآیند طراحی ساختمان و قوانین طراحی افزایش می دهد. با این حال، بارگذاری مستقیم ساختار، جلوه های ظاهری بصری را برای کاربر به ارمغان می آورد. در آینده، استفاده از گره‌های ساده شده را برای کاهش جلوه‌های بصری قبل از بارگیری گره‌های خوب در نظر می‌گیریم.
4.1.2. در مقایسه با الگوریتم های سنتی
الگوریتم‌های رمزگذاری پیشرونده موجود برای مدل‌های سه بعدی معمولاً مبتنی بر یک عملیات ساده‌شده هستند. به عنوان یک الگوریتم ساده سازی کلاسیک، QEM اغلب برای ساده سازی مدل های سه بعدی مختلف استفاده می شود و همیشه می تواند به اثرات رضایت بخشی دست یابد. برای مقایسه اثر نتایج رمزگذاری پیشرونده مدل‌های ساختمان، QEM را برای مقایسه انتخاب کردیم.
در شکل 14 الف، زمانی که مدل 3 توسط QEM به 44 درصد ساده شده است، پله ها تا حدی ساده شده اند. با این وجود، روش پیشنهادی پله ها را به عنوان یک گره ترکیبی برای انتقال می سازد. وقتی مدل 3 توسط QEM به 11% ساده می شود، دیوار مدل 3 بیش از حد ساده می شود. با این حال، دیوار معمولاً فضای بصری زیادی را اشغال می کند و اهمیت بصری بالایی دارد. ساده سازی مبتنی بر فروپاشی لبه، حفظ ویژگی های هندسی را چالش برانگیز می کند. به عنوان مثال، رابطه موازی بین پنجره و دیوار را از بین می برد و مثلث دیوار را به مثلث های همپوشانی ساده می کند و باعث سوسو زدن (مشکل Z-fighting) می شود [ 34]. الگوریتم پیشنهادی از ساده‌سازی بیش از حد سازه‌های اصلی مانند دیوارها، با استفاده از تنها 54 درصد داده‌ها جلوگیری می‌کند و تمام جزئیات جهت مرئی بازیابی شدند. در مورد یک محیط شبکه ضعیف، مدل ساختمان ناهموار را نمی توان برای مدت طولانی اصلاح کرد. از آنجایی که روش پیشنهادی می‌تواند ظاهر اصلی را تحت نرخ‌های مختلف ساده‌سازی حفظ کند، تجربه بهتری را در اختیار کاربران قرار می‌دهد.

4.2. راندمان انتقال

در مورد پهنای باند شبکه محدود، زمان انتقال مدل‌های ساختمان سه بعدی عمدتاً تحت تأثیر کل داده‌های ارسالی قرار می‌گیرد. ما از تعداد تجمعی رئوس ارسال شده به عنوان یک شاخص برای اندازه گیری کل داده های ارسال شده استفاده کردیم. هنگام رومینگ در یک صحنه شهری، روش پیشنهادی و LODهای گسسته برای بارگذاری تمام داده های صحنه استفاده می شود و تعداد رئوس در صحنه به صورت بلادرنگ شمارش می شود. یک صحنه شهری در شکل 15 نشان داده شده است . تعداد کل ساختمان ها 466 ساختمان بوده و مجموع داده ها در جدول 1 نشان داده شده است .
همانطور که در شکل 16 نشان داده شده است ، ما تعداد رئوس یک صحنه را با استفاده از LOD های گسسته محاسبه کردیم. نرخ ساده سازی پنج سطح LOD گسسته به ترتیب 80، 60، 40، 20 و 0 درصد بود. از آنجایی که مدل های سطوح مختلف LOD گسسته به هم مرتبط نیستند، داده های قابل توجهی به طور مکرر منتقل می شود. مقدار کل داده های بارگذاری شده توسط الگوریتم پیشنهادی کمی بیشتر از حجم کل داده های مدل بود که تمام داده های مدل بارگذاری شدند. این به این دلیل است که داده های گره مش مثلث سوراخ اضافی هستند. آزمایش‌ها نشان داد که داده‌های اضافی در این سناریو 6.5 درصد از کل داده‌ها را تشکیل می‌دهند که تأثیر کمی بر انتقال داشت.
در شبکه محلی (LAN)، ما از دو معیار برای اندازه گیری عملکرد رندر و انتقال سیستم استفاده کردیم: نرخ فریم رندر و زمان تاخیر. نرخ فریم رندر تعداد فریم های ارائه شده در هر ثانیه است. زمان تأخیر زمانی است که برای درخواست گره طول می کشد تا زمانی که به صحنه اضافه شود، از جمله زمان خواندن، ارسال، دریافت و افزودن به صحنه. پس از دریافت گره ها، مشتری مستقیماً گره ها را بدون بازسازی مش موجود به صحنه اضافه می کند که کارآمد است. همانطور که در جدول 2 نشان داده شده است، مقدار متوسط ​​نرخ فریم رندر 88 است. با توجه به استراتژی وابسته به دیدگاه، فقط گره های قابل مشاهده منتقل می شوند که بار انتقال آنی را کاهش می دهد. مقدار متوسط ​​زمان تاخیر 38 میلی ثانیه است. نتایج تجربی نشان می‌دهد که روش پیشنهادی می‌تواند به راحتی در صحنه‌های شهر بزرگ مرور شود.

5. بحث

5.1. درباره t 1 و t 2

برای استخراج اجزای اصلی، t 1 و t 2 مانند بخش 3.1.2 معرفی شده اند. t 1 و t 2 در این مطالعه بین 0.8 و 0.95 است و هر مدل t 1 و t 2 خاص خود را دارد . همانطور که در شکل 17 نشان داده شده است ، اگر مقادیر t 1 و t 2 خیلی کم باشند، ممکن است برخی از اجزای اصلی استخراج نشوند که بر ظاهر مش اصلی تأثیر می گذارد. اگر t 1 و t 2مقادیر بیش از حد بالا هستند، مقدار داده در مش اصلی بسیار زیاد خواهد بود، که منجر به فلود آهسته مش اصلی می شود. برای متعادل کردن داده های مش پایه و جلوه ظاهری، t 1 و t 2 باید به طور معقولی برای هر مدل ساختمان تنظیم شوند. در ادامه کار، بردار ویژگی با استخراج ویژگی های اجزای ساختمان مانند حجم، مساحت، تعداد اجزای مجاور و جهت ساختمان و … با استفاده از روش های هوش مصنوعی ساخته می شود. مانند ماشین‌های بردار پشتیبان و روش‌های شبکه‌های عصبی برای طبقه‌بندی اجزای ساختمان، به‌منظور دستیابی به اجزای اصلی.

5.2. از روش ما تا CityGML

کنسرسیوم فضایی باز (OGC) CityGML [ 35 ] را پیشنهاد کرد، که پنج سطح از مدل های ساختمانی سه بعدی را، از مدل خشن تا مدل خوب، LOD0 تا LOD4 تعریف می کند. همانطور که در شکل 18 نشان داده شده است ، سطح رمزگذاری روش پیشنهادی بین LOD2 و LOD3 است. شبکه اصلی (گره اصلی) را می توان به این صورت درک کرد که LOD2 سقف و مرزها را حفظ می کند و با افزایش مداوم جزئیات درها و پنجره ها به LOD3 تغییر می کند. روش پیشنهادی ایده جدیدی برای تولید LOD2 و LOD3 ارائه می دهد.

6. نتیجه گیری

یک روش رمزگذاری مدل ساختمان سه بعدی جدید برای انتقال تدریجی پیشنهاد شد. بر خلاف الگوریتم سنتی که از رئوس، یال ها یا مثلث ها به عنوان واحدهای رمزگذاری استفاده می کند، روش پیشنهادی مدل های ساختمان سه بعدی را به سه نوع ساختار تجزیه می کند. علاوه بر این، این ساختارها را به عنوان کوچکترین واحد انتقال افزایشی، به نام گره انتقال، که توسط اتصالات بین ساختارها هدایت می شود، می پیچد. بر اساس موقعیت بلادرنگ دیدگاه و ویژگی های گره ها، گره های مورد انتظار به صورت پویا انتخاب می شوند و به مشتری پاسخ می دهند. مجموعه‌ای از آزمایش‌ها تأیید کردند که روش پیشنهادی می‌تواند ویژگی‌های هندسی و توپولوژیکی را در حین رمزگذاری مدل‌های ساختمانی سه‌بعدی حفظ کند و به طور موثر از ابهام شناختی ساختاری ساختمان جلوگیری کند. در حین خدمت برای انتقال،
هنوز محدودیت‌هایی در شناخت سازه وجود دارد – روش پیشنهادی ممکن است ساختار اصلی را به طور کامل و دقیق از یک ساختمان با چندین دیوار مدل‌سازی شده جداگانه استخراج نکند. دوم، روش پیشنهادی نمی تواند به طور کامل ساختارهای متصل تعبیه شده در چندین وجه را استخراج کند. اخیراً روش‌های هوش مصنوعی به سرعت توسعه یافته‌اند که توانایی یادگیری و القای قوی دارند. با استخراج و ساخت ویژگی های اجزای ساختمان، روش های هوش مصنوعی مانند روش ماشین بردار پشتیبان می تواند اجزای ساختمان را به طور دقیق طبقه بندی کند تا اجزای اصلی به دست آید. علاوه بر این، بسیاری از الگوریتم های موفق مانند شبکه های عصبی، در زمینه طراحی به کمک رایانه برای شناسایی ویژگی‌های ساختاری تعامل پیشنهاد شده‌اند. رمزگذاری رابطه چهره ساختمان و رابطه توپولوژیکی ساختار هندسی، ساخت و آموزش مدل شبکه عصبی مصنوعی می تواند سازه های ساختمانی پیچیده تری را استخراج کند. این ارزش بررسی بیشتر را دارد.

منابع

  1. بنر، جی. گایگر، ا. Leinemann, K. تولید انعطاف پذیر مدل های ساختمانی سه بعدی معنایی. در مجموعه مقالات اولین کارگاه بین المللی در مورد مدل های شهر سه بعدی نسل بعدی، بن، آلمان، 21 تا 22 ژوئن 2005. صص 17-22. [ Google Scholar ]
  2. چنگ، آی. باسو، ا. پان، Y. فوواسیون پارامتریک برای بافت مترقی و انتقال مدل. In Proceedings of the Eurographics، گرانادا، اسپانیا، 1-5 سپتامبر 2003. [ Google Scholar ]
  3. هیوک، TK; Daman, D. مروری بر سطح جزئیات. در مجموعه مقالات کنفرانس بین المللی گرافیک کامپیوتری، تصویربرداری و تجسم، 2004: CGIV 2004، پنانگ، مالزی، 26-29 ژوئیه 2004; ص 70-75. [ Google Scholar ]
  4. آلیز، پی. دسبرون، ام. فشرده سازی پیشرونده برای انتقال بدون تلفات مش های مثلثی. در مجموعه مقالات بیست و هشتمین کنفرانس سالانه گرافیک کامپیوتری و تکنیک های تعاملی، لس آنجلس، کالیفرنیا، ایالات متحده آمریکا، 12 تا 17 اوت 2001. صص 195-202. [ Google Scholar ]
  5. باجاج، CL; پاسکوچی، وی. ژوانگ، جی. فشرده سازی و انتقال پیشرونده مش های مثلثی دلخواه. در Proceedings of the Visualization’99 (Cat. No. 99CB37067)، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 24–29 اکتبر 1999; صص 307-537. [ Google Scholar ]
  6. چن، جی. لی، جی. لی، ام. تجسم پیشرونده مدل های سه بعدی پیچیده از طریق اینترنت. T Gis 2016 , 20 , 887–902. [ Google Scholar ] [ CrossRef ]
  7. یانگ، اس. کیم، سی اس. Kuo، CCJ یک تکنیک وابسته به نمای پیشرو برای انتقال شبکه سه بعدی تعاملی. IEEE Trans. سیستم مدار. فناوری ویدئو 2004 ، 14 ، 1249-1264. [ Google Scholar ] [ CrossRef ]
  8. روزنباوم، آر. شومان، اچ. پالایش پیشرونده: بیش از ابزاری برای غلبه بر پهنای باند محدود. در مجموعه مقالات تجسم و تجزیه و تحلیل داده ها 2009، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، 19 تا 20 ژانویه 2009. پ. 72430. [ Google Scholar ]
  9. Hoppe, H. مش های پیشرو. در مجموعه مقالات بیست و سومین کنفرانس سالانه گرافیک کامپیوتری و تکنیک های تعاملی، نیواورلئان، لس آنجلس، ایالات متحده آمریکا، 23 تا 28 ژوئیه 1996; صص 99-108. [ Google Scholar ]
  10. اسکابک، ک. زابیک، Ł. انتقال شبکه داده های مش سه بعدی با استفاده از نمایش پیشرو. در مجموعه مقالات کنفرانس بین المللی شبکه های کامپیوتری، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 19 تا 20 دسامبر 2009. صص 325-333. [ Google Scholar ]
  11. Kada، M. ساده‌سازی مدل‌های ساختمان سه‌بعدی وابسته به مقیاس بر اساس تجزیه سلولی و نمونه‌سازی اولیه. در مجموعه مقالات کنفرانس بین المللی نظریه اطلاعات فضایی، ملبورن، استرالیا، 19 تا 23 سپتامبر 2007. ص 222-237. [ Google Scholar ]
  12. Sun، X. رویکرد بازنمایی چند رزولوشن مبتنی بر ساختار برای مدل‌های ساختمانی سه بعدی. در مجموعه مقالات نوزدهمین کنفرانس بین المللی ژئوانفورماتیک 2011، شانگهای، چین، 24 تا 26 ژوئن 2013. [ Google Scholar ]
  13. ساکورای، اچ. Gossard، DC Shape Feature Recognition از مدل های جامد سه بعدی . کامپیوترهای ASME در مهندسی: سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 1988. [ Google Scholar ]
  14. شی، ی. دنگ، ز. ژونگ، جی. تحقیقات اخیر و چشم انداز در مورد تشخیص ویژگی مدل سه بعدی. در مجموعه مقالات سومین کنفرانس بین‌المللی کنترل، اتوماسیون و هوش مصنوعی 2018 (CAAI 2018)، پکن، چین، 26 تا 27 اوت 2018. [ Google Scholar ]
  15. جوشی، س. چانگ، تی.-سی. اکتشافی مبتنی بر نمودار برای تشخیص ویژگی های ماشین کاری شده از یک مدل جامد سه بعدی. محاسبه کنید. Aided Design 1988 ، 20 ، 58-66. [ Google Scholar ] [ CrossRef ]
  16. گائو، اس. شاه، جی جی تشخیص خودکار ویژگی‌های ماشینکاری در حال تعامل بر اساس زیرگراف شرایط حداقل. محاسبه کنید. به دس کمک کرد. 1998 ، 30 ، 727-739. [ Google Scholar ] [ CrossRef ]
  17. ایر، ن. جایانتی، س. لو، ک. کالیانارامان، ی. رامانی، ک. جستجوی شکل سه بعدی: بررسی پیشرفته و روندهای آینده. محاسبه کنید. به دس کمک کرد. 2005 ، 37 ، 509-530. [ Google Scholar ] [ CrossRef ]
  18. ژوئن، YT; Raja, VH استخراج ویژگی های هندسی به طور مستقیم از مجموعه داده های اسکن شده برای تشخیص ویژگی. بین المللی جی. کامپیوتر. یکپارچه سازی Manuf. 2002 ، 15 ، 50-61. [ Google Scholar ] [ CrossRef ]
  19. شی، ی. ژانگ، ی. شیا، ک. هاریک، آر. بررسی انتقادی تکنیک‌های تشخیص ویژگی. Comput.-Aided Design Appl. 2020 ، 17 ، 861-899. [ Google Scholar ] [ CrossRef ]
  20. لی، QQ; سان، ایکس. یانگ، BS; جیانگ، SB ساده سازی ساختار هندسی مدل های ساختمانی سه بعدی. ISPRS J. Photogramm 2013 ، 84 ، 100-113. [ Google Scholar ] [ CrossRef ]
  21. تیمن، اف. Sester, M. تقسیم بندی ساختمان ها برای تعمیم سه بعدی. در مجموعه مقالات کارگاه ICA در مورد تعمیم و بازنمایی چندگانه، لستر، انگلستان، 20 تا 21 اوت 2004. [ Google Scholar ]
  22. ریبلز، جی. هکبرت، ص. گارلند، ام. استاهوویچ، تی. Srivastava, V. یافتن و حذف ویژگی ها از چند وجهی. در مجموعه مقالات DETC، پیتسبورگ، PA، ایالات متحده آمریکا، 9-12 سپتامبر 2001. صص 1-10. [ Google Scholar ]
  23. Kada, M. تعمیم خودکار مدل های ساختمان سه بعدی. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2002 ، 34 ، 243-248. [ Google Scholar ]
  24. پوپوویچ، جی. Hoppe, H. مجتمع های ساده پیشرونده. در مجموعه مقالات بیست و چهارمین کنفرانس سالانه گرافیک کامپیوتری و تکنیک های تعاملی، لس آنجلس، کالیفرنیا، ایالات متحده آمریکا، 3 تا 8 اوت 1997. ص 217-224. [ Google Scholar ]
  25. Hoppe, H. پالایش مشهای پیشرونده وابسته به نمایش. در مجموعه مقالات بیست و چهارمین کنفرانس سالانه گرافیک کامپیوتری و تکنیک های تعاملی، لس آنجلس، کالیفرنیا، ایالات متحده آمریکا، 3 تا 8 اوت 1997. ص 189-198. [ Google Scholar ]
  26. مینگ، HB؛ Na، LX یک الگوریتم تولید اصلاح شده مدل مش پیشرونده بر اساس درجه اهمیت راس. در تحقیقات مواد پیشرفته ; Trans Tech Publications Ltd.: Stafa-Zürich, Switzerland, 2014; صفحات 1623-1626. [ Google Scholar ]
  27. گارلند، ام. هکبرت، ساده سازی سطح PS با استفاده از معیارهای خطای چهارگانه. در مجموعه مقالات بیست و چهارمین کنفرانس سالانه گرافیک کامپیوتری و تکنیک های تعاملی، لس آنجلس، کالیفرنیا، ایالات متحده آمریکا، 3 تا 8 اوت 1997. ص 209-216. [ Google Scholar ]
  28. Kada، M. انتقال پیشرونده مدل های ساختمانی سه بعدی بر اساس گرامرهای رشته ای و نیمه فضاهای مسطح. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2014 ، 2 ، 9-14. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. Sun، X. مدل‌سازی معنایی چندسطحی فضای ساختمان شهری بر اساس ویژگی‌های هندسی در محیط سه‌بعدی. بین المللی قوس. فتوگرام Remote Sens. Spatial Inf. علمی 2018 ، 42 ، 4. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  30. او، جی اف. Gu، XY; تان، JZ; تانگ، ام. Wang, CF یک روش ساده‌سازی حفظ ظاهر برای مدل‌های ساختمان‌های سه بعدی پیچیده. ترانس. GIS 2019 ، 23 ، 275-293. [ Google Scholar ] [ CrossRef ]
  31. گائو، اس. ژائو، دبلیو. لین، اچ. یانگ، اف. Chen, X. ساده سازی مدل مش CAD مبتنی بر سرکوب ویژگی. محاسبه کنید. به دس کمک کرد. 2010 ، 42 ، 1178-1188. [ Google Scholar ] [ CrossRef ]
  32. دو، ز. لو، پی. زو، ایکس. ژانگ، ی. Zhu, Y. متدولوژی بهینه‌سازی بافت برای ساختمان‌های سه بعدی بر اساس Super Face. Geomat. Inf. علمی دانشگاه ووهان 2014 ، 39 ، 1401-1405. [ Google Scholar ]
  33. ژائو، جی. زو، س. دو، ز. فنگ، تی. ژانگ، ی. تعمیم مبتنی بر مورفولوژی ریاضی مدل‌های ساختمان سه بعدی پیچیده که روابط معنایی را در بر می‌گیرد. ISPRS J. Photogramm. Remote Sens. 2012 ، 68 ، 95-111. [ Google Scholar ] [ CrossRef ]
  34. پول، جی. لاسترا، ا. سینگ، ام. معاوضه با دقت انرژی در واحدهای پردازش گرافیکی موبایل. در مجموعه مقالات کنفرانس بین المللی IEEE 2008 در طراحی کامپیوتر، دریاچه تاهو، CA، ایالات متحده آمریکا، 12-15 اکتبر 2008. صص 60-67. [ Google Scholar ]
  35. فن، اچ. Meng, L. استخراج خودکار سطوح مختلف جزئیات برای ساختمانهای سه بعدی مدلسازی شده توسط CityGML. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی کارتوگرافی، سانتیاگو، شیلی، 15 تا 21 نوامبر 2009. صص 15-21. [ Google Scholar ]
Ijgi 10 00306 g001 550
شکل 1. عملکرد ساختمان تحت انتقال مقادیر مختلف داده، با استفاده از لبه به عنوان واحد رمزگذاری. ( الف ) محدودیت هندسی شکسته شده است. ( ب ) محدودیت توپولوژیک شکسته شده است.
Ijgi 10 00306 g002 550
شکل 2. نمودار جریان الگوریتم.
Ijgi 10 00306 g003 550
شکل 3. نتایج تقسیم بندی مش: ( الف ) مدل اصلی ساختمان سه بعدی، و ( ب ) نتایج تقسیم بندی مش. پله ها دارای جزئیات غنی هستند و از اجزای متعددی تشکیل شده اند.
Ijgi 10 00306 g004 550
شکل 4. خوشه‌بندی چهره و استخراج ساختار متصل: ( الف ) نتیجه خوشه‌بندی چهره اجزای اصلی، و ( ب ) نتیجه استخراج ساختار متصل.
Ijgi 10 00306 g005 550
شکل 5. استخراج ساختار از AAG: ( الف ) ساختار متصل. منشور شش ضلعی در سمت چپ یک ساختار متصل ساده است و منشور سمت راست یک ساختار متصل پیچیده است. ( ب ) AAG: قاب سبز مربوط به ساختار متصل ساده است. قاب زرد مربوط به ساختار پیچیده متصل است.
Ijgi 10 00306 g006 550
شکل 6. نمودار شماتیک ساخت گره انتقال. ( الف ) ساختار مدل ساختمان، و ( ب ) STG. در STG، ساختارها به عنوان گره های انتقال مختلف پیچیده می شوند.
Ijgi 10 00306 g007 550
شکل 7. تمام مسیرهای تولید از ساختار تا گره انتقال.
Ijgi 10 00306 g008 550
شکل 8. نتایج ساخت گره های انتقال. ( الف ) نتایج استخراج سازه، و ( ب ) نتایج ساخت گره‌های انتقال.
Ijgi 10 00306 g009 550
شکل 9. نمودار جریان سروری که گره انتقال را بدست می آورد.
Ijgi 10 00306 g010 550
شکل 10. نتایج استخراج سازه و ساخت گره انتقال مدل 1. ( الف ) مدل اصلی، ( ب ) نتایج استخراج سازه مستقل، ( ج ) نتایج استخراج سازه پیوست و ( د ) نتایج ساخت گره انتقال.
Ijgi 10 00306 g011 550
شکل 11. استخراج سازه و نتایج ساخت گره انتقال مدل 2. ( الف ) مدل اصلی، ( ب ) نتایج استخراج سازه مستقل، ( ج ) نتایج استخراج سازه پیوست و ( د ) نتایج ساخت گره انتقال.
Ijgi 10 00306 g012 550
شکل 12. مدل 1 با دریافت افزایش از یک مدل سطح پایین به یک مدل سطح بالا پالایش می کند. ( الف ) تغییر ساختار هندسی مدل 1، و ( ب ) مدل 1 گره های انتقال مختلف را دریافت می کند.
Ijgi 10 00306 g013 550
شکل 13. مدل 2 با دریافت افزایش از یک مدل سطح پایین به یک مدل سطح بالا پالایش می کند. ( الف ) تغییر ساختار هندسی مدل 2، و ( ب ) مدل 2 گره های انتقال مختلف را دریافت می کند.
Ijgi 10 00306 g014 550
شکل 14. مقایسه بین روش پیشنهادی و الگوریتم QEM در مدل 3: ( الف ) نتیجه مقایسه بافت، و ( ب ) نتیجه مقایسه هندسی.
Ijgi 10 00306 g015 550
شکل 15. صحنه شهری.
Ijgi 10 00306 g016 550
شکل 16. آمار حجم داده های راس صحنه شهری.
Ijgi 10 00306 g017 550
شکل 17. تأثیر t 1 و t 2 بر ظاهر ساختمان با چندین دیوار مدل‌سازی شده جداگانه.
Ijgi 10 00306 g018 550
شکل 18. محدوده روش ما و LOD های CityGML.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید