1. 隐式与显式几何表示的核心差异
在计算机图形学中，几何表示方法主要分为隐式和显式两大类。这两种方法各有特点，适用于不同的场景。隐式表示通过数学函数定义几何形状，比如球体的隐式方程x²+y²+z²=1。这种表示方法的优势在于可以快速判断点与几何体的位置关系——将点坐标代入函数，结果为0在表面，正数在外，负数在内。我在处理医学图像重建时，就经常利用这个特性快速定位器官边界。
显式表示则直接给出几何体的点集或参数映射。比如点云数据就是典型的显式表示，它记录了物体表面采样点的三维坐标。去年我参与了一个激光雷达点云处理项目，发现当采样密度达到每平方米10万个点时，即使不进行任何曲面重建，原始点云也能呈现完整的物体轮廓。不过显式表示在判断点是否在几何体内部时比较麻烦，需要借助射线相交等算法。
实际项目中经常需要两者配合使用。比如在3D建模软件中，CSG布尔运算用隐式表示快速生成基础形状，再转换为显式的多边形网格进行细节雕刻。这种混合工作流既能保证效率，又能满足精细建模需求。
2. CSG布尔运算的工程实践
CSG（构造实体几何）通过基本几何体的布尔运算构建复杂模型，这是工业设计软件的基石技术。常见的布尔运算包括并集、交集和差集。我在使用Blender进行机械零件设计时，经常先用立方体、圆柱体等基本体素通过CSG构建大致轮廓，再进行细化处理。
一个实用的技巧是：进行差集运算时，建议先对工具对象做轻微放大（比如0.1mm），这样可以避免后续渲染时出现Z-fighting现象。在Unity引擎中，CSG运算可以通过ProBuilder工具链实现，其底层使用BSP树加速计算。但要注意，CSG生成的网格通常存在三角面片分布不均的问题，需要额外进行网格优化。
最近我在开发一个建筑可视化系统时，发现CSG结合参数化设计特别高效。通过脚本控制基本几何体的尺寸和布尔运算顺序，可以快速生成各种建筑变体。比如用一个大立方体与多个小立方体做差集运算，就能立即创建出带窗户的墙体结构。
3. 距离函数(SDF)的高级应用
距离函数(SDF)记录空间每个点到几何表面的最近距离，带符号表示内外关系。这个技术在游戏开发中应用广泛，比如我的团队最近用SDF实现了动态岩浆效果——当玩家角色与岩浆表面的SDF值小于阈值时，就会触发烧伤效果。
SDF最强大的特性是支持平滑混合。将两个物体的SDF用min函数结合实现并集，用max函数实现交集，用平滑函数（如多项式插值）实现过渡融合。在Shader编程中，可以这样实现两个球体的平滑混合：
float sphereSDF(vec3 p, vec3 center, float radius) { return length(p - center) - radius; } float blendSDF(float d1, float d2) { float k = 0.2; // 混合强度 return -log(exp(-k*d1)+exp(-k*d2))/k; }在VR场景优化中，我常用SDF实现视差遮挡。通过预计算场景SDF，可以快速判断虚拟摄像机哪些区域不需要渲染，相比传统遮挡剔除能提升约30%的帧率。不过要注意，复杂场景的SDF需要采用八叉树等空间分割结构来存储，否则内存消耗会很大。
4. 水平集在医学图像处理中的实践
水平集方法可以看作SDF的动态扩展，特别适合处理会变形的表面。在最近的肝脏CT图像分割项目中，我们使用水平集来自动提取器官边界。具体步骤是：先对CT数据进行高斯滤波降噪，然后用初始球体作为水平集，让其根据图像梯度逐步演化到器官边界。
OpenCV提供了不错的水平集实现，但在处理高分辨率数据时性能不足。我们改用CUDA加速的窄带水平集算法，将处理时间从分钟级缩短到秒级。关键代码如下：
void updateLevelSet(cv::Mat& phi, const cv::Mat& grad, float dt) { cv::Mat dx, dy; Sobel(phi, dx, CV_32F, 1, 0); // x方向梯度 Sobel(phi, dy, CV_32F, 0, 1); // y方向梯度 cv::Mat norm = (dx.mul(dx) + dy.mul(dy)).sqrt(); phi += dt * grad.mul(norm); // 水平集演化 }水平集参数调节很有讲究。膨胀系数太大容易越过弱边界，太小又会导致收敛慢。我们的经验是先设置较大值快速接近目标，再逐步减小进行精细调整。对于多器官分割，需要给不同组织设置不同的参数。
5. 点云数据处理全流程
点云作为最直接的显式表示，在三维重建中扮演重要角色。处理点云的典型流程包括：去噪、配准、重建和优化。去年我们开发了一套基于Kinect的室内扫描系统，总结出几个实用经验：
首先，统计滤波是去噪的首选方法。它会计算每个点与邻域点的平均距离，剔除异常值。PCL库的实现非常高效：
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor; sor.setMeanK(50); // 考察50个邻域点 sor.setStddevMulThresh(1.0); // 标准差倍数阈值 sor.setInputCloud(cloud); sor.filter(*filtered_cloud);对于配准，推荐先用手动粗配准确定大致位置，再用ICP精配准。我们改进的ICP算法加入了颜色一致性约束，使配准精度提高了40%。曲面重建阶段，泊松重建适合封闭物体，而Delaunay三角化更适合平面结构。
实时渲染优化方面，建议使用点云简化+LOD组合策略。我们开发了一种基于法向量的简化算法，在保持特征边缘的同时将点数减少90%。对于百万级点云，采用八叉树空间索引可以使绘制帧率从2FPS提升到60FPS。
