| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 三维激光扫描技术国内外研究现状 | 第12页 |
| 1.2.2 点云去噪算法的国内外研究现状 | 第12-14页 |
| 1.3 本文主要研究内容及结构 | 第14-16页 |
| 1.3.1 主要研究内容 | 第14页 |
| 1.3.2 本文结构 | 第14-16页 |
| 第二章 三维激光扫描点云数据去噪 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 三维激光扫描技术 | 第16-20页 |
| 2.2.1 三维激光扫描仪测量原理 | 第17-19页 |
| 2.2.2 三维激光扫描仪的分类 | 第19-20页 |
| 2.3 三维点云数据噪声 | 第20-22页 |
| 2.3.1 点云数据的分类 | 第20-21页 |
| 2.3.2 点云噪声分类 | 第21-22页 |
| 2.4 点云噪声的数学模型 | 第22页 |
| 2.5 点云噪声处理方法 | 第22-26页 |
| 2.5.1 有序点云数据去噪算法 | 第22-23页 |
| 2.5.2 散乱点云经典去噪算法 | 第23-26页 |
| 第三章 基于PCL的三维激光扫描点云数据分类去噪 | 第26-41页 |
| 3.1 PCL点云数据库简介 | 第26-30页 |
| 3.1.1 PCL的定义与发展历程 | 第26-27页 |
| 3.1.2 PCL的结构和内容 | 第27-28页 |
| 3.1.3 PCL的I/O输入与输出 | 第28-29页 |
| 3.1.4 PCL的PCD数据格式 | 第29-30页 |
| 3.2 PCL滤波模块 | 第30-31页 |
| 3.3 Statistical Outlier Removal滤波器 | 第31-32页 |
| 3.3.1 Statistical Outlier Removal原理 | 第31页 |
| 3.3.2 Statistical Outlier Removal滤波器的具体实现 | 第31-32页 |
| 3.4 Radius Outlier Removal滤波器 | 第32-33页 |
| 3.4.1 Radius Outlier Removal滤波器原理 | 第32-33页 |
| 3.4.2 Radius Outlier Removal滤波器的具体实现 | 第33页 |
| 3.5 小尺度噪声去除 | 第33-34页 |
| 3.6 应用实例 | 第34-41页 |
| 3.6.1 实验数据简介 | 第34页 |
| 3.6.2 具体实验过程 | 第34-40页 |
| 3.6.3 本章小结 | 第40-41页 |
| 第四章 基于RBF的三维激光扫描点云数据去噪及空洞修复 | 第41-59页 |
| 4.1 引言 | 第41页 |
| 4.2 人工神经网络（ANN） | 第41-44页 |
| 4.2.1 人工神经网络模型分类 | 第41-43页 |
| 4.2.2 人工神经网络的特点 | 第43-44页 |
| 4.3 RBF神经网络 | 第44-49页 |
| 4.3.1 径向基神经网络结构 | 第44-46页 |
| 4.3.2 径向基神经网络的学习方法 | 第46-49页 |
| 4.4 RBF神经网络与BP神经网络的对比 | 第49-50页 |
| 4.5 基于RBF的点云数据去噪及空洞修复算法的MATLAB实现 | 第50-53页 |
| 4.5.1 基于MATLAB的RBF网络预测程序设计 | 第50-51页 |
| 4.5.2 RBF神经网络建模 | 第51-52页 |
| 4.5.3 RBF神经网络去噪及空洞修复算法步骤 | 第52-53页 |
| 4.6 应用实例 | 第53-57页 |
| 4.7 定量分析 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59页 |
| 5.2 展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65页 |
