基于高斯映射的点云分类算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 选题背景与研究意义 | 第9-10页 |
| 1.1.1 选题背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 三维激光扫描技术 | 第10-12页 |
| 1.2.2 点云数据分类 | 第12-14页 |
| 1.3 研究思路、研究内容和技术路线 | 第14-16页 |
| 1.3.1 研究思路 | 第14-15页 |
| 1.3.2 研究内容 | 第15页 |
| 1.3.3 技术路线 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 第2章 点云数据处理技术 | 第17-26页 |
| 2.1 三维激光扫描技术 | 第17-22页 |
| 2.1.1 三维激光扫描技术的原理 | 第17-19页 |
| 2.1.2 三维激光扫描技术的特点 | 第19-20页 |
| 2.1.3 三维激光扫描技术的应用 | 第20-22页 |
| 2.2 点云数据预处理 | 第22-25页 |
| 2.2.1 点云数据的配准 | 第22-23页 |
| 2.2.2 点云数据的去噪 | 第23页 |
| 2.2.3 点云数据的精简 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 散乱点云局部邻域的快速搜索算法 | 第26-36页 |
| 3.1 局部邻域搜索算法 | 第26-28页 |
| 3.1.1 直接搜索法 | 第26-27页 |
| 3.1.2 半径搜索法 | 第27页 |
| 3.1.3 空间栅格划分法 | 第27-28页 |
| 3.1.4 k-d树搜索法 | 第28页 |
| 3.2 改进的局部邻域搜索算法 | 第28-34页 |
| 3.2.1 算法改进 | 第29-32页 |
| 3.2.2 算法实现 | 第32-34页 |
| 3.3 实验验证与分析 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 高斯映射与聚类分析 | 第36-45页 |
| 4.1 法向量的计算 | 第36-37页 |
| 4.1.1 法向量的计算方法 | 第36-37页 |
| 4.1.2 VCGLib | 第37页 |
| 4.2 高斯映射 | 第37-41页 |
| 4.2.1 高斯映射的定义 | 第38-39页 |
| 4.2.2 点云数据的高斯映射 | 第39-41页 |
| 4.3 DBSCAN算法 | 第41-44页 |
| 4.3.1 聚类分析 | 第41页 |
| 4.3.2 DBSCAN算法 | 第41-42页 |
| 4.3.3 算法描述与实现 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 基于高斯映射的点云分类研究 | 第45-51页 |
| 5.1 法向量的计算 | 第45-47页 |
| 5.2 点云数据的高斯映射 | 第47-48页 |
| 5.3 点云数据聚类 | 第48-49页 |
| 5.4 实验结果展示与分析 | 第49-50页 |
| 5.5 本章小节 | 第50-51页 |
| 结论与展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读学位期间取得学术成果 | 第57-58页 |
| 附录A | 第58-61页 |
