| 摘要 | 第3-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 选题背景 | 第12-13页 |
| 1.2 研究目的及意义 | 第13-14页 |
| 1.3 点云数据精简算法国内外研究现状 | 第14-17页 |
| 1.3.1 国外研究现状 | 第14-16页 |
| 1.3.2 国内研究现状 | 第16-17页 |
| 1.4 研究内容和组织结构 | 第17-19页 |
| 1.4.1 本文研究内容 | 第17-18页 |
| 1.4.2 本文组织结构 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第二章 点云数据精简的相关理论与技术 | 第20-34页 |
| 2.1 三维点云数据概述 | 第20-24页 |
| 2.1.1 点云数据的采集 | 第22-23页 |
| 2.1.2 三维激光扫描系统的特点 | 第23-24页 |
| 2.2 点云数据预处理 | 第24-26页 |
| 2.2.1 三维点云数据去噪 | 第24-25页 |
| 2.2.2 三维点云数据的空间划分 | 第25-26页 |
| 2.3 点云数据精简的相关概念 | 第26-28页 |
| 2.4 点云数据精简算法的分类及评估 | 第28-33页 |
| 2.4.1 传统点云数据精简算法 | 第28-30页 |
| 2.4.2 基于曲线或曲面拟合的点云数据精简算法 | 第30-33页 |
| 2.4.3 基于曲率或法矢估计的点云数据精简算法 | 第33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于加权最小二乘法曲率计算算法和泊松分布K-means聚类的点云数据精简算法概述 | 第34-38页 |
| 3.1 算法概述 | 第34-36页 |
| 3.1.1 曲面拟合点云数据精简算法分析 | 第34-35页 |
| 3.1.2 K-means聚类点云数据精简算法分析 | 第35页 |
| 3.1.3 泊松分布特征点检测算法分析 | 第35页 |
| 3.1.4 算法概述 | 第35-36页 |
| 3.2 本章小结 | 第36-38页 |
| 第四章 一种基于加权最小二乘法的点云曲率计算算法 | 第38-50页 |
| 4.1 最小二乘法 | 第38-43页 |
| 4.1.1 传统最小二乘法 | 第39-40页 |
| 4.1.2 移动最小二乘法 | 第40-43页 |
| 4.2 基于加权最小二乘法的点云曲率计算算法 | 第43-48页 |
| 4.2.1 最小二乘法和点云数据精简 | 第43-44页 |
| 4.2.2 加权最小二乘法 | 第44-45页 |
| 4.2.3 加权最小二乘法权值的计算 | 第45-46页 |
| 4.2.4 加权最小二乘法的局部点云曲率计算的数学描述 | 第46-48页 |
| 4.3 本章小结 | 第48-50页 |
| 第五章 一种泊松分布K-means聚类点云数据精简算法 | 第50-58页 |
| 5.1 K-means聚类算法 | 第50-51页 |
| 5.2 泊松分布 | 第51页 |
| 5.3 泊松分布K-means聚类点云数据精简算法 | 第51-56页 |
| 5.3.1 K-means点云数据精简算法 | 第52页 |
| 5.3.2 泊松分布特征点检测算法 | 第52-53页 |
| 5.3.3 局部特征检测算子 | 第53-54页 |
| 5.3.4 初始聚类中心的设定 | 第54-55页 |
| 5.3.5 泊松分布K-means聚类点云数据精简算法 | 第55-56页 |
| 5.4 本章小结 | 第56-58页 |
| 第六章 实验结果及分析 | 第58-68页 |
| 6.1 实验说明 | 第58页 |
| 6.2 曲率计算效果误差分析 | 第58-60页 |
| 6.3 简效果误差分析 | 第60-63页 |
| 6.4 模型恢复效果分析 | 第63-65页 |
| 6.5 本章小结 | 第65-68页 |
| 第七章 论文总结与展望 | 第68-72页 |
| 7.1 论文总结 | 第68-69页 |
| 7.2 展望 | 第69-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78-80页 |
| 攻读学位期间发表的学术论文目录 | 第80页 |
