点集的三角剖分（Triangulation），对数值分析（比如有限元分析）以及图形学来说，都是极为重要的一项预处理技术。尤其是Delaunay三角剖分，由于其独特性，关于点集的很多种几何图都和Delaunay三角剖分相关，如Voronoi图，EMST树，Gabriel图等。Delaunay三角剖分有最大化最小角，“最接近于规则化的“的三角网和唯一性（任意四点不能共圆）两个特点。

德劳内 一个在python和C ++中使用Bowyer-Watson算法的简单delaunay三角剖分库。

此功能实现了多视图三角剖分，用于从N中的投影重建3D点图像和相应的相机矩阵。 这是我的stereoReconsPts在N个视图中的扩展功能（请参阅https://www.mathworks.com/matlabcentral/fileexchange/67383-stereo-triangulation ）。 根据用户的选择，可以通过以下任何一种多视图三角剖分方法来重建一个点： i）N视图DLT ii）N视图不均匀方法iii) N 视图中点法vi）一种可以容忍不匹配的视图鲁棒方法 请注意，i）和ii）是代数方法，而iii）涉及更有意义的几何约束。 由于由相机中心定义的光线和相应的图像投影通常会倾斜（即，它们不会在单个交点上相遇），建议对估算值进行细化使用以下方法之一进行以上计算： i）使用VGG的高斯-牛顿代码最小化N个视图中的重投影误差ii）使用Levenberg-Marquard

提出了一种流数据算法进行Delaunay三角网构网，用于处理上十亿的LiDAR点云数据。该算法基于并行多核处理器架构，将三角网构网的分治算法与流数据处理相结合。一种四叉树结构调整自适应地分割点云数据文件，将其分割分割网和合并分段工作动态调度分布到不同的处理器，以提高负载均衡。算法通过并行计算，充分利用多核处理器平台的计算能力，获得了高运行效率和低内存占用。

摘要:多边形三角剖分是计算几何的一个几何基元. 它可以简化问题规模,在计算机图形学、模式识别和地 理数据库方面有重要应用. 低时间复杂度是设计多边形三角剖分算法的基本要求. 针对现有单调多边形算法 的不足,提出一个复杂度为O ( N) 的算法,并在Visual C+ + 环境下实现这个算法.

mesh_xsections() 是一个 Matlab 函数，返回具有一组平面的三角剖分网格的横截面。 每个横截面都是具有一个或多个多边形（3D中的连续点）的单元阵列。 该函数处理具有重复顶点（通过融合它们）和开放边界边（通过切割边）的网格。 如果平面恰好与它们相交，它还会删除重复的面并稍微调整网格顶点。 mesh_xsections 在具有数十万个顶点的网格上在几秒钟内执行。

三角剖分是构建高精度数字高程模型(DEM)的基础,在各个领域都有广泛的应用。特别是在约束数据域下的Delaunay三角剖分更具有重大的研究价值,前人已经做了大量的工作,并提出了一系列经典的剖分算法。在对传统算法进行研究与分析后,总结了传统算法的优缺点,结合了逐点插入法、三角网生长法以及分治法的思想,提出了一种高效的、带断层约束的Delaunay三角剖分混合算法。该算法在建立无约束的DT(Delaunay Triangulation,DT)网格的基础上通过嵌入加密后的断层数据来实现带断层约束的CDT(Constrained Delaunay Triangulation,CDT)网格。通过实例比较,说明了混合算法在构网质量和时间效率上都优于传统算法。

delaunay三角剖分：C ++版本的delaunay三角剖分

这个是和我之前传的一个论文对应的，对应论文中关于拓扑关系的建立，使用的是cgal中的delaunay算法，已经封装成一个类，最终回去到的为点的索引

通过将顶点迭代添加到初始三角剖分直到差异小于某些用户设置的容差，将规则网格表面转换为不规则三角剖分。 返回可以在分散或网格化查询位置上计算的三角剖分插值。 三角测量插值的大小通常比相应的网格插值小得多，因为三角测量适用于表面，即分辨率不均匀，但在需要的区域更精细。 这些例程支持对具有未定义 NaN 区域（例如Kong）和“热启动”的网格表面进行三角剖分，以细化先前的三角剖分。 三角测量、误差容限/收敛标准和打印/绘图有许多选项。 所有文件都有详细的帮助和演示。 例如，这些例程对于将 GIS 数据从 DEM 格式转换为 TIN 格式以及将网格数据转换为可在 PDE 求解器中使用的三角测量非常有用。