三維點云數(shù)據(jù)處理關(guān)鍵技術(shù)研究

目 錄
第一部分
第1章 點云數(shù)據(jù)處理概述 002
1.1 引言 002
1.2 三維點云數(shù)據(jù) 003
1.2.1 點云數(shù)據(jù)的獲取 003
1.2.2 點云數(shù)據(jù)的類型 004
1.2.3 點云數(shù)據(jù)的存儲格式 005
1.2.4 點云數(shù)據(jù)的特征 006
1.3 點云數(shù)據(jù)處理算法 007
1.3.1 點云去噪算法 007
1.3.2 點云簡化算法 008
1.3.3 點云配準(zhǔn)算法 010
1.3.4 點云分割算法 012
1.3.5 點云模型檢索算法 013
1.4 點云數(shù)據(jù)處理技術(shù)的應(yīng)用領(lǐng)域 014
1.5 本章小結(jié) 015
本章參考文獻(xiàn) 016
第二部分
第2章 特征保持的點云去噪算法 024
2.1 引言 024
2.2 基于張量投票的初始粗去噪 025
2.2.1 計算張量投票矩陣 025
2.2.2 初始粗去噪算法的步驟 025
2.3 基于曲率特征的精去噪 027
2.3.1 計算曲率 027
2.3.2 精去噪算法的步驟 028
2.4 實驗結(jié)果與分析 029
2.4.1 公共點云數(shù)據(jù)模型去噪 029
2.4.2 文物點云數(shù)據(jù)模型去噪 032
2.5 本章小結(jié) 035
本章參考文獻(xiàn) 035
第三部分
第3章 基于信息熵和聚類的點云簡化算法 038
3.1 引言 038
3.2 基于信息熵的初始粗簡化 039
3.3 基于改進(jìn)KMC的精簡化 040
3.3.1 傳統(tǒng)KMC算法 040
3.3.2 改進(jìn)KMC算法 040
3.4 簡化算法的評價指標(biāo) 041
3.4.1 簡化率 041
3.4.2 簡化精度 042
3.5 實驗結(jié)果與分析 042
3.5.1 公共點云數(shù)據(jù)模型簡化 043
3.5.2 文物點云數(shù)據(jù)模型簡化 044
3.6 本章小結(jié) 046
本章參考文獻(xiàn) 046
第4章 基于點重要性判斷的點云簡化算法 048
4.1 引言 048
4.2 點重要性計算 048
4.2.1 特征算子計算 049
4.2.2 特征算子融合 049
4.3 基于八叉樹的非特征點簡化 050
4.4 實驗結(jié)果與分析 051
4.4.1 公共點云數(shù)據(jù)模型簡化 051
4.4.2 文物點云數(shù)據(jù)模型簡化 053
4.5 本章小結(jié) 056
本章參考文獻(xiàn) 056
第5章 基于柵格劃分和曲率分級的點云簡化算法 058
5.1 引言 058
5.2 基于權(quán)值的初的簡化 059
5.2.1 構(gòu)造點云長方體包圍盒 059
5.2.2 劃分點云空間結(jié)構(gòu) 059
5.2.3 計算柵格權(quán)值 060
5.3 基于曲率分級的精確簡化 060
5.3.1 計算平均曲率 061
5.3.2 曲率分級 062
5.4 本章點云簡化算法的步驟 062
5.5 實驗結(jié)果與分析 063
5.5.1 公共點云數(shù)據(jù)模型簡化 063
5.5.2 文物點云簡化 065
5.6 本章小結(jié) 069
本章參考文獻(xiàn) 069
第四部分
第6章 基于正態(tài)分布和曲率的層次化點云配準(zhǔn)算法 072
6.1 引言 072
6.2 基于改進(jìn)NDT的粗配準(zhǔn) 073
6.2.1 NDT算法 073
6.2.2 改進(jìn)的NDT算法 074
6.3 基于曲率ICP的精配準(zhǔn) 075
6.3.1 ICP算法 075
6.3.2 基于曲率的ICP算法 076
6.4 實驗結(jié)果與分析 078
6.4.1 公共點云數(shù)據(jù)模型配準(zhǔn) 078
6.4.2 顱骨點云數(shù)據(jù)模型配準(zhǔn) 080
6.5 本章小結(jié) 082
本章參考文獻(xiàn) 083
第7章 基于特征點和改進(jìn)ICP的點云配準(zhǔn)算法 084
7.1 引言 084
7.2 基于特征點的粗配準(zhǔn) 085
7.2.1 特征點提取 085
7.2.2 粗配準(zhǔn)算法的步驟 086
7.3 基于改進(jìn)ICP的精配準(zhǔn) 087
7.4 實驗結(jié)果與分析 088
7.4.1 公共點云配準(zhǔn) 088
7.4.2 文物碎片點云數(shù)據(jù)模型匹配 090
7.5 本章小結(jié) 093
本章參考文獻(xiàn) 094
第8章 基于特征區(qū)域劃分的點云配準(zhǔn)算法 096
8.1 引言 096
8.2 特征點提取 097
8.3 基于區(qū)域劃分的粗配準(zhǔn) 098
8.3.1 特征點區(qū)域劃分 098
8.3.2 區(qū)域配準(zhǔn) 098
8.4 基于閾值約束ICP的精配準(zhǔn) 100
8.5 實驗結(jié)果與分析 101
8.6 本章小結(jié) 104
本章參考文獻(xiàn) 104
第9章 基于降維多尺度FPFH和改進(jìn)ICP的點云配準(zhǔn)算法 107
9.1 引言 107
9.2 降維多尺度FPFH 108
9.2.1 FPFH的原理 108
9.2.2 多尺度FPFH 109
9.2.3 多尺度FPFH的降維 109
9.3 基于降維多尺度FPFH的粗配準(zhǔn) 110
9.4 基于改進(jìn)ICP的點云精配準(zhǔn) 111
9.5 實驗結(jié)果與分析 112
9.5.1 公共點云數(shù)據(jù)模型配準(zhǔn) 113
9.5.2 文物碎片點云數(shù)據(jù)模型匹配 114
9.6 本章小結(jié) 116
本章參考文獻(xiàn) 117
第五部分
第10章 基于改進(jìn)隨機(jī)抽樣一致的點云分割算法 120
10.1 引言 120
10.2 RANSAC點云分割算法 121
10.2.1 RANSAC算法原理 121
10.2.2 RANSAC算法缺點 122
10.3 改進(jìn)的RANSAC點云分割算法 122
10.3.1 K-D樹與半徑空間密度 123
10.3.2 改進(jìn)初始點選取 123
10.3.3 判斷準(zhǔn)則的設(shè)計 124
10.3.4 面片合并 124
10.4 本章點云分割算法步驟 125
10.5 實驗結(jié)果與分析 126
10.6 本章小結(jié) 128
本章參考文獻(xiàn) 128
第11章 基于SVM和加權(quán)RF的點云分割算法 129
11.1 引言 129
11.2 基于SVM的點云粗分割 130
11.2.1 點云特征提取 130
11.2.2 基于混合核函數(shù)的SVM 132
11.2.3 基于SVM的粗分割算法步驟 133
11.3 基于加權(quán)RF的點云精分割 133
11.3.1 RF 133
11.3.2 加權(quán)RF 134
11.3.3 基于權(quán)重的決策樹投票法 136
11.3.4 基于加權(quán)RF的精分割算法步驟 137
11.4 點云分割算法的評價指標(biāo) 137
11.5 實驗結(jié)果與分析 138
11.5.1 ModelNet 40點云分割 138
11.5.2 Semantic 3D點云分割 140
11.5.3 文物點云分割 142
11.6 本章小結(jié) 145
本章參考文獻(xiàn) 145
第六部分
第12章 基于特征融合的點云數(shù)據(jù)模型快速檢索算法 150
12.1 引言 150
12.2 特征計算 151
12.2.1 曲率特征 151
12.2.2 法向夾角 152
12.3 特征融合 153
12.4 基于融合特征匹配的檢索 154
12.5 實驗結(jié)果與分析 155
12.6 本章小結(jié) 158
本章參考文獻(xiàn) 158
第七部分
第13章 點云數(shù)據(jù)處理技術(shù)在文物修復(fù)中的應(yīng)用 160
13.1 引言 160
13.2 特征參數(shù)計算 161
13.2.1 點到鄰域點的平均距離 161
13.2.2 點到鄰域重心的距離 162
13.2.3 曲率及鄰域法向夾角平均值 162
13.2.4 4個特征參數(shù)融合 163
13.3 基于尺度ICP的特征點集匹配 164
13.4 文物碎片匹配算法的步驟 165
13.5 實驗結(jié)果與分析 166
13.6 本章小結(jié) 170
本章參考文獻(xiàn) 170
第14章 點云數(shù)據(jù)處理技術(shù)在顱面復(fù)原中的應(yīng)用 172
14.1 引言 172
14.2 孔洞輪廓線的提取和分類 173
14.3 輪廓線的擬合和表示 174
14.3.1 輪廓線的擬合 174
14.3.2 輪廓線的表示 175
14.4 輪廓線匹配 176
14.5 實驗結(jié)果與分析 177
14.6 本章小結(jié) 179
本章參考文獻(xiàn) 180
后記 182