网格模型的多层次多尺度特征分析和处理研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 主要符号表 | 第17-18页 |
| 1 绪论 | 第18-28页 |
| 1.1 背景 | 第18-20页 |
| 1.2 相关研究现状 | 第20-25页 |
| 1.2.1 网格模型的分析和处理 | 第21-22页 |
| 1.2.2 网格模型的特征描述和提取 | 第22-23页 |
| 1.2.3 网格模型的滤波 | 第23-24页 |
| 1.2.4 网格模型的匹配和检测 | 第24-25页 |
| 1.3 本文主要研究工作和结构 | 第25-28页 |
| 2 基于法向的网格曲面特征分析与保特征网格滤波 | 第28-48页 |
| 2.1 引言 | 第28-29页 |
| 2.2 法向张量投票与特征描述 | 第29-33页 |
| 2.2.1 网格模型的相关符号与表示 | 第29页 |
| 2.2.2 初始化特征点检测 | 第29-30页 |
| 2.2.3 特征分类 | 第30-33页 |
| 2.3 保特征全局双边滤波 | 第33-40页 |
| 2.3.1 二维和三维双边滤波 | 第34-36页 |
| 2.3.2 面法向的规范化 | 第36-37页 |
| 2.3.3 重加权的全局双边滤波 | 第37-38页 |
| 2.3.4 网格重建 | 第38页 |
| 2.3.5 数值实验和对比 | 第38-40页 |
| 2.4 保特征全局稀疏滤波 | 第40-46页 |
| 2.4.1 基于面法向的稀疏滤波 | 第42-43页 |
| 2.4.2 网格重建 | 第43-45页 |
| 2.4.3 数值实验和对比 | 第45-46页 |
| 2.5 本章小结 | 第46-48页 |
| 3 多层次多尺度显著性特征分析 | 第48-62页 |
| 3.1 引言 | 第48-49页 |
| 3.2 具有结构感知力描述子的建立 | 第49-53页 |
| 3.2.1 多层次模型描述 | 第49-50页 |
| 3.2.2 多尺度模型描述 | 第50-52页 |
| 3.2.3 形状描述子与特征空间 | 第52-53页 |
| 3.3 特征空间的低秩稀疏分解 | 第53-54页 |
| 3.3.1 低秩稀疏分解模型 | 第53-54页 |
| 3.3.2 低秩稀疏模型数值求解 | 第54页 |
| 3.4 多层次多尺度显著性特征提取 | 第54-59页 |
| 3.4.1 显著性特征分析和计算 | 第54-56页 |
| 3.4.2 显著性提取实验与讨论 | 第56-58页 |
| 3.4.3 对比实验与讨论 | 第58-59页 |
| 3.5 基于显著性特征的网格处理 | 第59-61页 |
| 3.5.1 基于显著性的模型滤波 | 第60页 |
| 3.5.2 基于显著性的模型分割 | 第60-61页 |
| 3.6 本章小结 | 第61-62页 |
| 4 多层次多尺度的一般化特征检测 | 第62-84页 |
| 4.1 引言 | 第62-63页 |
| 4.2 多尺度一般化特征的交互定义 | 第63-65页 |
| 4.3 图谱小波 | 第65-68页 |
| 4.3.1 图谱小波变换 | 第65-67页 |
| 4.3.2 图谱小波系数 | 第67-68页 |
| 4.4 多层次多尺度的形状描述 | 第68-71页 |
| 4.4.1 基于小波分解系数的特征描述 | 第68-69页 |
| 4.4.2 基于距离场几何特性的特征描述 | 第69-70页 |
| 4.4.3 一般化特征的多层次多尺度描述子 | 第70-71页 |
| 4.5 般化特征检测框架 | 第71-76页 |
| 4.5.1 特征空间的建立 | 第71-74页 |
| 4.5.2 特征检测与算法性质讨论 | 第74-76页 |
| 4.6 般化特征检测实验与相关应用 | 第76-83页 |
| 4.6.1 特征检测实验相关设置 | 第76-78页 |
| 4.6.2 模型内部重复模式特征检测 | 第78-79页 |
| 4.6.3 模型库特征检测 | 第79-80页 |
| 4.6.4 对比实验与讨论 | 第80-82页 |
| 4.6.5 基于特征检测的几项处理 | 第82-83页 |
| 4.7 本章小结 | 第83-84页 |
| 5 基于学习的人类兴趣特征理解与检测 | 第84-104页 |
| 5.1 引言 | 第84-85页 |
| 5.2 模型准备 | 第85-87页 |
| 5.2.1 超节点提取 | 第85-86页 |
| 5.2.2 特征计算 | 第86-87页 |
| 5.3 全图上的扩散 | 第87-90页 |
| 5.3.1 训练样本上的兴趣指定 | 第87页 |
| 5.3.2 全图的建立 | 第87-90页 |
| 5.3.3 基于全图的扩散 | 第90页 |
| 5.4 全图扩散学习架构 | 第90-96页 |
| 5.4.1 先验引导的偏微分方程 | 第90-91页 |
| 5.4.2 引导的建立 | 第91-92页 |
| 5.4.3 基于全图扩散学习的人类兴趣理解 | 第92-93页 |
| 5.4.4 问题离散与优化 | 第93-96页 |
| 5.5 数值实验与讨论 | 第96-102页 |
| 5.5.1 实验设置 | 第96-98页 |
| 5.5.2 不同情形兴趣检测实验 | 第98-100页 |
| 5.5.3 对比实验与讨论 | 第100-102页 |
| 5.6 本章小结 | 第102-104页 |
| 6 结论与展望 | 第104-108页 |
| 6.1 结论 | 第104-105页 |
| 6.2 创新点摘要 | 第105页 |
| 6.3 展望 | 第105-108页 |
| 参考文献 | 第108-117页 |
| 攻读博士学位期间科研项目及科研成果 | 第117-118页 |
| 致谢 | 第118-120页 |
| 作者简介 | 第120页 |
