基于深度图像的三维重建中三角面片划分算法的研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-16页 |
| ·课题背景及研究意义 | 第10-11页 |
| ·课题背景 | 第10-11页 |
| ·研究意义 | 第11页 |
| ·国内外研究现状 | 第11-15页 |
| ·经典Delaunay三角化方法及其改进 | 第11-12页 |
| ·基于区域增长的算法 | 第12-13页 |
| ·基于隐式曲面拟合的三角面片重建方法 | 第13-14页 |
| ·基于神经网络的三角面片重建方法 | 第14-15页 |
| ·主要研究内容和结构安排 | 第15-16页 |
| ·研究内容 | 第15页 |
| ·结构安排 | 第15-16页 |
| 2 基于深度图像的三维重建的一般过程 | 第16-24页 |
| ·基本概念及理论 | 第16-18页 |
| ·深度图像的基本概念以及获取方法 | 第16-18页 |
| ·基于深度图像的三维重建一般流程 | 第18页 |
| ·特征提取 | 第18-19页 |
| ·立体匹配 | 第19-20页 |
| ·数据存储 | 第20-23页 |
| ·基本概念介绍 | 第20-21页 |
| ·基于八叉树的空间分割算法 | 第21-22页 |
| ·八叉树的算法设计 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 3 常用点云数据的三角面片划分算法综述 | 第24-36页 |
| ·点云的三角面片划分 | 第24页 |
| ·经典Delaunay三角划分算法 | 第24-27页 |
| ·逐点插入算法 | 第26页 |
| ·分而治之算法 | 第26-27页 |
| ·三角形生长算法 | 第27页 |
| ·零集法 | 第27-28页 |
| ·Crust算法 | 第28-29页 |
| ·基本概念介绍 | 第28-29页 |
| ·Crust算法描述 | 第29页 |
| ·α-shape算法 | 第29-30页 |
| ·基于RBF神经网络的三角面片划分算法 | 第30-35页 |
| ·RBF神经网络介绍 | 第30-31页 |
| ·RBF神经网络在三角面片划分算法中的应用 | 第31-32页 |
| ·RBF神经网络的训练学习方法 | 第32-34页 |
| ·RBF算法说明 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 4 基于生长神经元模型的三角面片重建算法 | 第36-43页 |
| ·生长神经元模型 | 第36-38页 |
| ·GCS学习算法 | 第38-40页 |
| ·基于GCS的三角面片划分重建 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 5 三角面片优化算法 | 第43-48页 |
| ·边交换优化准则 | 第43页 |
| ·边折叠优化准则 | 第43-44页 |
| ·边分裂优化准则 | 第44-45页 |
| ·本文的优化方法 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 6 实验过程与实验结果 | 第48-52页 |
| ·实验设备 | 第48页 |
| ·数据采集 | 第48-49页 |
| ·特征提取和立体匹配 | 第49页 |
| ·三维坐标计算 | 第49页 |
| ·三角面片重建 | 第49-52页 |
| ·参数选定 | 第50页 |
| ·重建过程及结果 | 第50-52页 |
| 7 总结与展望 | 第52-55页 |
| ·本文总结 | 第52-54页 |
| ·今后的工作及展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的论文 | 第59-60页 |
| 致谢 | 第60页 |
