三维点云数据的去噪和特征提取算法研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-23页 |
| 1.1 研究课题背景 | 第10-11页 |
| 1.2 课题来源及意义 | 第11-12页 |
| 1.2.1 课题来源 | 第11页 |
| 1.2.2 研究意义 | 第11-12页 |
| 1.3 国内外相关研究 | 第12-21页 |
| 1.3.1 三维点云数据获取 | 第13-15页 |
| 1.3.2 散乱点云邻域及微分信息估算 | 第15-19页 |
| 1.3.3 点云数据光顺去噪算法 | 第19-20页 |
| 1.3.4 三维点云特征提取算法 | 第20-21页 |
| 1.4 论文主要的研究内容 | 第21-22页 |
| 1.5 论文结构安排 | 第22-23页 |
| 第2章 散乱点云邻域及微分信息估算 | 第23-34页 |
| 2.1 引言 | 第23页 |
| 2.2 K邻域搜索算法 | 第23-25页 |
| 2.2.1 K邻域 | 第23页 |
| 2.2.2 k-d树搜索算法 | 第23-25页 |
| 2.3 点云微分信息 | 第25-28页 |
| 2.3.1 点云法向量 | 第26页 |
| 2.3.2 点云曲率 | 第26-28页 |
| 2.4 散乱点云的微分信息求解 | 第28-32页 |
| 2.4.1 点云局部坐标系 | 第29-30页 |
| 2.4.2 法矢方向调整 | 第30-31页 |
| 2.4.3 参数二次曲面 | 第31-32页 |
| 2.4.4 曲率计算 | 第32页 |
| 2.5 本章小结 | 第32-34页 |
| 第3章 基于特征信息分类的三维点数据去噪 | 第34-48页 |
| 3.1 引言 | 第34-35页 |
| 3.2 常用滤波算法介绍 | 第35-38页 |
| 3.2.1 有序点云常用算法 | 第35-36页 |
| 3.2.2 拉普拉斯算法 | 第36页 |
| 3.2.3 双边滤波算法 | 第36-37页 |
| 3.2.4 平均曲率流算法 | 第37-38页 |
| 3.3 本文算法概述 | 第38-42页 |
| 3.3.1 基于平均曲率的点云特征分类 | 第39-40页 |
| 3.3.2 基于点云特征信息分类的的去噪算法 | 第40-42页 |
| 3.4 实验结果分析 | 第42-47页 |
| 3.4.1 不同去噪算法比较 | 第42-44页 |
| 3.4.2 不同噪声强度去噪对比 | 第44-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 散乱点云数据特征信息提取算法 | 第48-57页 |
| 4.1 引言 | 第48-49页 |
| 4.2 算法概述 | 第49-53页 |
| 4.2.1 法向矢量的估算与调整 | 第50页 |
| 4.2.2 曲率信息估算 | 第50-51页 |
| 4.2.3 双阈值点云特征提取算法 | 第51-53页 |
| 4.3 实验结果与分析 | 第53-56页 |
| 4.3.1 不同特征提取算法比较 | 第53-54页 |
| 4.3.2 不同噪声强度下特征提取对比 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 扫描与数据处理系统搭建 | 第57-72页 |
| 5.1 引言 | 第57页 |
| 5.2 扫描设备 | 第57-59页 |
| 5.2.1 投影光栅式扫描仪 | 第57-58页 |
| 5.2.2 手持式激光扫描仪 | 第58-59页 |
| 5.3 软件平台 | 第59-62页 |
| 5.3.1 OpenGL与环境配置介绍 | 第59-60页 |
| 5.3.2 系统框架与软件界面 | 第60-62页 |
| 5.4 实例说明 | 第62-71页 |
| 5.4.1 数据采集 | 第63-67页 |
| 5.4.2 去噪实验 | 第67-69页 |
| 5.4.3 特征提取实验 | 第69-71页 |
| 5.5 本章小结 | 第71-72页 |
| 第6章 总结与展望 | 第72-75页 |
| 6.1 总结 | 第72-73页 |
| 6.2 主要创新点 | 第73页 |
| 6.3 展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 攻读学位期间的研究成果 | 第81页 |
