基于多视图的点云三维重建及其并行化研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 论文研究内容和结构安排 | 第13-15页 |
| 2 基础知识 | 第15-25页 |
| 2.1 PMVS算法基本概念 | 第15-17页 |
| 2.1.1 面片 | 第15页 |
| 2.1.2 灰度一致性函数 | 第15-16页 |
| 2.1.3 面片的优化 | 第16-17页 |
| 2.1.4 面片模型 | 第17页 |
| 2.2 经典的特征点提取算法 | 第17-22页 |
| 2.2.1 Harris算法 | 第17-18页 |
| 2.2.2 DOG算法 | 第18-20页 |
| 2.2.3 SIFT算法 | 第20-22页 |
| 2.3 经典的匹配算法 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 3 基于显著性区域检测SIFT的PMVS方法 | 第25-37页 |
| 3.1 显著性区域检测的SIFT | 第25-28页 |
| 3.1.1 显著性区域检测 | 第26-27页 |
| 3.1.2 图像分割 | 第27-28页 |
| 3.2 点云重建 | 第28-31页 |
| 3.2.1 特征点匹配及初始面片生成 | 第28-29页 |
| 3.2.2 点云扩展 | 第29-30页 |
| 3.2.3 面片过滤 | 第30-31页 |
| 3.3 实验结果与分析 | 第31-35页 |
| 3.3.1 实验环境设置 | 第31页 |
| 3.3.2 特征点检测的实验结果与分析 | 第31-34页 |
| 3.3.3 点云三维重建的实验结果与分析 | 第34-35页 |
| 3.4 本章小结 | 第35-37页 |
| 4 基于点云三维重建算法的GPU并行化 | 第37-47页 |
| 4.1 GPU并行化研究 | 第37-39页 |
| 4.1.1 GPU并行计算的重要性 | 第37-38页 |
| 4.1.2 CUDA框架概述 | 第38-39页 |
| 4.2 点云三维重建的并行化分析 | 第39-41页 |
| 4.2.1 点云重建并行化分析 | 第39-40页 |
| 4.2.2 FT-SIFT并行化策略 | 第40-41页 |
| 4.3 基于CUDA的算法优化 | 第41-42页 |
| 4.4 实验结果与分析 | 第42-44页 |
| 4.4.1 实验环境设置 | 第42-43页 |
| 4.4.2 GPU并行优化的实验结果与分析 | 第43-44页 |
| 4.5 本章小结 | 第44-47页 |
| 5 总结与展望 | 第47-49页 |
| 5.1 总结 | 第47页 |
| 5.2 展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |
| 攻读学位期间的科研成果 | 第53-54页 |
