散乱点云的数据分割与特征提取技术研究
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题研究意义与背景 | 第10-12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.3.1 数据分割 | 第13-15页 |
| 1.3.2 特征提取 | 第15-16页 |
| 1.4 主要研究内容 | 第16-17页 |
| 1.5 论文结构安排 | 第17-18页 |
| 1.6 本章小结 | 第18-19页 |
| 第2章 点云模型K邻域搜索 | 第19-33页 |
| 2.1 k邻域搜索概述 | 第19-20页 |
| 2.2 相关算法研究现状 | 第20-25页 |
| 2.2.1 索引树法 | 第21-22页 |
| 2.2.2 立体栅格法 | 第22-25页 |
| 2.3 本文的搜索算法 | 第25-29页 |
| 2.3.1 点云空间划分 | 第25-27页 |
| 2.3.2 K邻域搜索 | 第27-29页 |
| 2.4 实验分析 | 第29-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 散乱点云的微分信息估算 | 第33-50页 |
| 3.1 微分信息概述 | 第33-34页 |
| 3.2 点云法向量估算 | 第34-38页 |
| 3.2.1 光滑曲面法向量估算 | 第34-35页 |
| 3.2.2 迭代修正特征曲面法向量 | 第35-38页 |
| 3.3 法向量方向调整 | 第38-41页 |
| 3.3.1 最小生成树改进方法 | 第39-40页 |
| 3.3.2 最小生成树调整法向量 | 第40-41页 |
| 3.4 点云曲率估算 | 第41-44页 |
| 3.4.1 移动最小二乘曲面 | 第41-43页 |
| 3.4.2 自适应最大核密度估计 | 第43页 |
| 3.4.3 曲率估算 | 第43-44页 |
| 3.5 实验分析 | 第44-49页 |
| 3.5.1 法向量估算实验 | 第44-47页 |
| 3.5.2 曲率估算实验 | 第47-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第4章 点云的特征提取 | 第50-66页 |
| 4.1 特征提取概述 | 第50-51页 |
| 4.2 相关算法研究现状 | 第51-52页 |
| 4.3 特征点提取 | 第52-56页 |
| 4.3.1 边界特征点提取 | 第53-54页 |
| 4.3.2 尖锐特征点提取 | 第54-56页 |
| 4.3.3 构建最小生成树 | 第56页 |
| 4.4 特征线拟合 | 第56-60页 |
| 4.4.1 B样条曲线的定义 | 第56-57页 |
| 4.4.2 求解节点向量 | 第57-59页 |
| 4.4.3 过控制点拟合特征线 | 第59-60页 |
| 4.5 应用实例及分析 | 第60-65页 |
| 4.5.1 简单模型的特征提取 | 第60-63页 |
| 4.5.2 复杂模型的特征提取 | 第63-65页 |
| 4.6 本章小结 | 第65-66页 |
| 第5章 基于聚类的混合数据分割 | 第66-80页 |
| 5.1 数据分割概述 | 第66-67页 |
| 5.2 相关算法研究现状 | 第67-68页 |
| 5.3 聚类算法定义 | 第68-71页 |
| 5.3.1 K均值聚类 | 第68-69页 |
| 5.3.2 点集的高斯映射定义 | 第69-70页 |
| 5.3.3 均值漂移聚类算法 | 第70-71页 |
| 5.4 基于聚类的混合分割 | 第71-74页 |
| 5.4.1 基于遗传算法的K均值聚类 | 第71-73页 |
| 5.4.2 高斯球上的均值漂移聚类 | 第73页 |
| 5.4.3 区域调整 | 第73-74页 |
| 5.5 应用实例及分析 | 第74-79页 |
| 5.6 本章小结本章 | 第79-80页 |
| 第6章 论文工作总结与展望 | 第80-83页 |
| 6.1 论文工作总结 | 第80-81页 |
| 6.2 主要创新点 | 第81页 |
| 6.3 展望 | 第81-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-88页 |
