| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-23页 |
| ·基于网格的图形学 | 第8-9页 |
| ·基于点的图形学 | 第9-21页 |
| ·点云的获取 | 第10页 |
| ·点云的预处理 | 第10-12页 |
| ·点云的表示 | 第12-16页 |
| ·点云的处理与建模 | 第16-19页 |
| ·点云的绘制 | 第19-21页 |
| ·点云法向估计 | 第21-22页 |
| ·本文主要工作 | 第22-23页 |
| 2 预备知识 | 第23-31页 |
| ·点云 | 第23-24页 |
| ·邻域类型 | 第24-25页 |
| ·欧式邻域 | 第24页 |
| ·K-近邻 | 第24页 |
| ·投影邻域 | 第24-25页 |
| ·最小二乘 | 第25-27页 |
| ·线性最小二乘 | 第25-26页 |
| ·非线性最小二乘 | 第26-27页 |
| ·Delaunay三角剖分及Voronoi图 | 第27-29页 |
| ·Delaunay三角剖分 | 第27页 |
| ·Voronoi图 | 第27-28页 |
| ·Delaunay三角剖分与Voronoi图的关系 | 第28-29页 |
| ·统计学习理论 | 第29-31页 |
| 3 点云法向估计的算法介绍 | 第31-38页 |
| ·基于平面法向的估计算法 | 第31-32页 |
| ·最小二乘平面 | 第31页 |
| ·移动最小二乘平面 | 第31页 |
| ·局部的三角网格 | 第31-32页 |
| ·基于主成分分析的估计算法 | 第32-33页 |
| ·法向估计 | 第32-33页 |
| ·一致定向 | 第33页 |
| ·基于标准奇异值分解的估计算法 | 第33-34页 |
| ·基于Voronoi的法向估计算法 | 第34-35页 |
| ·基于统计学习的Ensembles法向估计算法 | 第35-38页 |
| ·子集生成 | 第35-36页 |
| ·法向估计 | 第36页 |
| ·法向平均 | 第36-38页 |
| 4 改进的Ensembles法向估计方法 | 第38-46页 |
| ·基于分块策略的采样方式 | 第38-39页 |
| ·生成最小包围盒 | 第38页 |
| ·分块 | 第38-39页 |
| ·带有自适应采样率的采样方式 | 第39-40页 |
| ·带有权的平均公式 | 第40-41页 |
| ·实验及结果分析 | 第41-46页 |
| ·数值实验 | 第41-45页 |
| ·结果分析 | 第45-46页 |
| 结论 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 攻读硕士学位期间发表学术论文情况 | 第50-51页 |
| 致谢 | 第51-52页 |