表面重建算法论文-李晓峰,李东

表面重建算法论文-李晓峰,李东

导读:本文包含了表面重建算法论文开题报告文献综述及选题提纲参考文献,主要关键词:全卷积神经网络,医疗数据,表面重建,相空间重构

表面重建算法论文文献综述

李晓峰,李东[1](2019)在《基于改进全卷积神经网络的医疗数据表面重建算法》一文中研究指出为了实现对医疗数据的快速检测和分类识别,需要对医疗数据进行表面重建设计,首先,提出一种基于改进全卷积神经网络的医疗数据表面重建算法.采用无线射频识别技术进行医疗数据的大数据采样,对RFID采集的医疗数据进行信息融合处理,采用多元回归分析方法提取医疗数据的相关性统计特征量,然后,针对医疗数据中的冗余特征采用匹配滤波检测器进行冗余滤波处理,对提纯后的医疗数据采用相空间重构技术实现医疗数据重构,最后,对重构数据采用改进全卷积神经网络分类器进行分类识别,实现医疗数据的表面重建和自动识别.仿真结果表明,所提方法的医疗数据冗余特征处理效果较好,数据分类精度可高达90%以上,且医疗数据重建误差小,耗时少.(本文来源于《计算机系统应用》期刊2019年10期)

王森援,蔡国榕,王宗跃,吴云东[2](2019)在《基于加权约束的单体建筑物点云表面重建算法》一文中研究指出建筑物点云表面重建在高精度城市测绘、虚拟现实等领域有十分广泛的应用前景。由于建筑物的几何形态多变,重建算法普遍存在计算速率慢、拟合精度低和模型结构不完整的问题。为此,本文以单体建筑物为研究对象,提出基于加权约束的单体建筑物点云表面重建算法,在表面初始化过程中充分考虑数据对结构拟合的贡献。在此基础上,构建基于正则集的单体建筑物表面重建算法,实现建筑物拟合过程中的加权拟合误差、近邻结构平滑的同步优化。针对多类建筑物叁维点云的实验结果表明,相比传统的建筑物重建策略,本文的加权约束方法可根据不同类型的点云数据设计自适应权重,并选择模型拟合中最优的权重函数,在高噪声、低精度点云数据下能得到更高精度的单体建筑物表面模型。(本文来源于《地球信息科学学报》期刊2019年05期)

李世林,李红军[3](2019)在《自适应步长的Alpha?shape表面重建算法》一文中研究指出叁维物体表面重建在现代临床医学、场景建模和林业测量等方面有着重要应用价值。为了更好地理解叁维物体表面形状,本文先介绍了叁维空间离散点集的Alpha形状的相关概念。在分析表面重建的Alpha-shape算法的基础上,本文提出一种自适应步长的Alpha-shape算法。通过kd-tree和k近邻平均距离来动态更新α值,使得算法在处理点集密度较大的区域时也能以较少的遍历次数进行表面重建,从而改善了重建效果并提高了算法运行效率。大量随机数据和现实叁维采样数据的实验结果表明,本文提出的改进算法与原始算法相比,能大幅度地提高运行效率。(本文来源于《数据采集与处理》期刊2019年03期)

王浩[4](2019)在《基于Kinect V2深度图像流的快速体素哈希表面重建算法》一文中研究指出叁维模型的快速重建是制约计算机图形学和虚拟现实技术发展的瓶颈问题。传统的叁维重建技术存在数据获取设备昂贵、数据获取过程复杂、数据量大导致的叁维重建效率低下等问题。近年来,随着计算机视觉与图形学技术的发展和相关硬件设备性能的不断提升,其中深度相机如微软的Kinect可低成本快速获取场景中的深度流数据用于视频游戏、医学治疗及实时叁维重建等领域,具有广泛的应用价值。因此,本文采用低成本Kinect V2深度相机,研究基于体素哈希的深度图像流快速表面重建方法,将基于MD4加密算法的哈希函数应用到快速表面重建中,从而实现叁维表面数据的实时存储和更新。论文主要完成以下3方面的工作:(1)基于Kinect V2的实时数据采集实验平台的搭建与深度图像流数据的获取。首先采用Kinect V2搭建数据采集平台实时采集室内场景深度图像流,并将深度图像逐渐融合到叁维模型中,以满足重建过程中高帧率连续深度数据的需求。实验结果表明,在室内场景中,搭建的基于Kinect V2的数据采集平台获取到的深度图像在不同距离处的误差几乎是恒定的,且获取的深度图像流的帧率可以达到30帧/秒(frames per second),采集的深度数据可满足后续研究的需求。(2)提出一种基于MD4(Message Digest Algorithm 4)算法的哈希函数用于提高数据访问效率,并采用分离链接法有效解决了数据冲突问题。传统的体素哈希表中存储的深度数据易发生冲突,导致数据存储慢,最终影响重建速度及重建规模。MD4算法在密码学领域中由于其计算效率高,具有良好的抗冲突优势得到了广泛关注及应用,受MD4算法在上述两方面的启发,本文引入了基于MD4算法的哈希函数用于提高数据查找、更新和插入效率,同时采用分离链接法解决映射到同一位置的数据冲突问题,该方法通过将每个桶中插入一定数量的哈希条目来解决映射到同一位置的冲突问题,若桶被占满,则通过线性探测下一个可用位置存放发生冲突的数据。结果表明,哈希表的负载率可以达到95.12%,成功查找并插入数据平均仅需1.3次,可满足实验要求。(3)研究了基于体素哈希表的快速表面重建方法。首先将获取到的深度图像流进行预处理获取到相机的位姿,然后根据输入深度图像分配新的体素块,并将体素块的描述符插入到哈希表中,接下来在融合步骤中,更新落入当前视场内分配的体素块,根据获取到的新的深度图像融合到当前可见的体素块数据中,并进行更新。最后,通过光线投射来提取包含相关颜色的等值面。论文主要研究了基于深度图像流数据的快速表面重建方法中哈希函数和哈希表的设计,实验结果表明,本文基于MD4提出的方法可快速实现室内场景的表面重建,渲染帧率可以达到25~35帧/秒,与微软KinectFusion实验结果相比,在重建细节方面更精细,与Voxel Hashing算法相比重建效率提升8%左右。与传统的体哈希表模型相比,本文采用的哈希表占用的内存空间仅为40M左右,从而减小了内存溢出的风险,具有良好的扩展性,能够满足自动化建模领域的应用需求。(本文来源于《西北农林科技大学》期刊2019-05-01)

马飞[5](2019)在《基于深度学习的表面重建算法及并行化研究》一文中研究指出应用传统重建算法进行表面重建时,重建叁维表面的精度和完整度会受到所获得的点云数据质量的严重影响。进行叁维表面重建时,首先需要获取包含物体空间信息的点云数据。但是在获取物体表面的点云数据时,由于待重建的物体可能会受到遮挡或物体本身存在缺陷等因素的影响,导致获取的点云数据存在缺失现象,使重建的叁维表面出现孔洞,重建完成后还需要进行孔洞修补。近年来,深度学习在图像识别、目标检测等方面进行了广泛的应用并取得了良好的效果,本文引入深度学习中目标检测方法用于提升表面重建的精度和完整度。利用深度学习进行叁维表面重建作为机器视觉领域研究的热点之一,近些年发展迅速。与传统的基于点云的重建方式不同,本文采用多视图数据集进行表面重建。表面重建过程中通过CNN卷积神经网络对不同视图进行特征点云提取,通过多维矩阵进行点云数据的保存;利用网络进行不同视图特征点的匹配,网络中采用Chamfer算法与EMD算法提升点云数据的匹配效率和精度;通过网络中的3DConv进行叁维点云的空间映射,重建出叁维点云模型。为了加速表面重建过程中的计算问题,结合并行计算技术CUDA对表面重建算法进行优化,降低了表面重建的耗时,提升表面重建的效率。论文的主要工作如下:1.针对表面重建模型,本文应用卷积网络提取特征点云,针对不同视图对应的特征点云,利用网络学习不同点云间的距离,对不同点云进行相似性度量。通过标准的阈值距离对学习的距离进行约束,将小于阈值距离的点云迭加至初始点云集中,形成完整的叁维点云模型。2.针对点云匹配精度问题,本文引入Chamfer距离与EMD算法,度量不同点云分布间的距离,使重建表面的细腻度、纹理与真实表面更接近,可使重建表面的完整度最高可达99%以上。与传统点云重建相比,利用少量视图(16张视图)进行表面重建时,基于该方法的重建结果中未出现孔洞现象。3.针对重建算法中存在的耗时部分,本文利用GPU技术进行加速训练,采用CUDA编程模型对表面重建算法进行优化。分析比较了利用CUDA技术加速前后算法的平均重建时间及加速比。实验表明,本文给出的基于CNN卷积神经网络的多视图表面重建算法能重建出完整度较高的叁维表面。利用卷积神经网络的预测功能,重建表面未出现孔洞。采用CUDA的并行计算技术,加速了表面重建速度,有效节省了时间成本。(本文来源于《宁夏大学》期刊2019-04-01)

马东岭,王晓坤,李广云[6](2019)在《利用图割算法进行城市密集点云表面模型重建》一文中研究指出利用倾斜影像获得的密集点云来构建表面模型是基于倾斜影像进行叁维重建的核心之一。本文针对现行密集点云表面模型重建存在的建模效率低、表面选取不真实等问题,提出了一种基于图割算法的城市密集点云表面模型重建方法。利用该方法重建城市密集点云表面模型,首先通过预处理软件对无人机倾斜影像进行空中叁角测量,并利用空中叁角测量的解算结果生成密集点云;然后对密集点云添加相应的边,同时对叁维点云根据距离进行选取合并;最后根据叁维点云形成的四面体和叁角面建立图割问题,并通过求解图割问题来求取最优的密集点云表面模型。为证明这种方法的可行性和有效性,使用城市地区的无人机倾斜影像数据进行城市密集点云表面模型重建,试验结果表明,该方法具有可行性好、建模效果好、处理速度快等优势。(本文来源于《测绘通报》期刊2019年02期)

李兆亮,王林飞,熊盛青,罗锋,闫浩飞[7](2019)在《基于轮廓线叁维矿体表面重建的一种改进算法》一文中研究指出基于轮廓线的叁维矿体表面建模方法是矿体建模的主流方法,但在实际应用中,传统的建模方法显现出了不足之处,笔者对该方法进行了针对性地改进。对于一组单轮廓线可自动添加矿体趋势线,并且还可以进行人工编辑修改,然后利用中间加密轮廓线的方法实现对矿体形态的控制。通过投影计算封闭轮廓线之间的最短距离自动添加分支点,利用平面的带洞限定叁角剖分实现分支的自动构建,大大节省了人力资源,同时保证了分支矿体的准确性。针对初始构建的叁维矿体表面模型几何质量差,引入了质量控制,实现了表面模型的重构,保证了模型质量和后续的计算。这些改进在实际的应用中取得了良好的效果。(本文来源于《物探与化探》期刊2019年01期)

刘长英,王喜超[8](2019)在《高速列车车头表面叁维重建算法》一文中研究指出针对现有叁维重建方法在高速列车车头叁维表面重建中存在二义性的问题,提出了一种改进的泊松曲面重建算法来对高速列车车头进行表面叁维重建.采用混合滤波器对点云数据进行预处理,采用改进的罚函数对泊松曲面重建算法进行最小化,通过改进阈值法消除等值面提取时的二义性,实现了对高速列车车头表面较为精确的重建.结果证明,该方法具有较高的重构精度与效率,对于高速列车车头的叁维重建具有良好的适用性.(本文来源于《沈阳工业大学学报》期刊2019年05期)

程亚军,谭伟[9](2018)在《基于回转窑表面温度场的红外叁维图像重建算法研究》一文中研究指出回转窑是工业生产中熟料煅烧的核心设备,生产过程中需要对其进行实时监测,防止温度过高引发事故。现代工业采用红外测温方法实时监测回转窑的表面温度,在监测过程中需要进行实时故障定位。传统方法对回转窑实时监测时,普遍使用二维图像显示回转窑的表面温度,这种热像图的直观性差,立体感不强。针对上述问题,提出了一种新方法,对回转窑的表面温度场进行叁维重建,并以伪彩显示出回转窑整个表面的温度信息。实验表明,生成的回转窑温度场的叁维立体模型比传统热像图的效果更好,更容易被工作人员辨识,有利于工业生产。(本文来源于《红外》期刊2018年02期)

詹洋,尹颜朋[10](2018)在《基于Minimum s-t Cut叁维表面重建算法》一文中研究指出传统的叁维表面重建算法易受噪音等因素的影响,无法重建出完整且准确的叁维表面模型。为了取得更好的结果,采用一种基于Minimum s-t Cut叁维表面重建算法。通过运用Delaunay叁角化对3D点云空间进行自适应分解,利用可见性信息将表面重建问题转化为能量最小化问题,构建有向图,以Minimum s-t Cut方式求解能量最小化问题,得到最终表面重建模型。实验表明基于Minimum s-t Cut叁维表面重建算法可以重建出较完整且准确的叁维表面模型。(本文来源于《现代计算机(专业版)》期刊2018年02期)

表面重建算法论文开题报告

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

建筑物点云表面重建在高精度城市测绘、虚拟现实等领域有十分广泛的应用前景。由于建筑物的几何形态多变,重建算法普遍存在计算速率慢、拟合精度低和模型结构不完整的问题。为此,本文以单体建筑物为研究对象,提出基于加权约束的单体建筑物点云表面重建算法,在表面初始化过程中充分考虑数据对结构拟合的贡献。在此基础上,构建基于正则集的单体建筑物表面重建算法,实现建筑物拟合过程中的加权拟合误差、近邻结构平滑的同步优化。针对多类建筑物叁维点云的实验结果表明,相比传统的建筑物重建策略,本文的加权约束方法可根据不同类型的点云数据设计自适应权重,并选择模型拟合中最优的权重函数,在高噪声、低精度点云数据下能得到更高精度的单体建筑物表面模型。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

表面重建算法论文参考文献

[1].李晓峰,李东.基于改进全卷积神经网络的医疗数据表面重建算法[J].计算机系统应用.2019

[2].王森援,蔡国榕,王宗跃,吴云东.基于加权约束的单体建筑物点云表面重建算法[J].地球信息科学学报.2019

[3].李世林,李红军.自适应步长的Alpha?shape表面重建算法[J].数据采集与处理.2019

[4].王浩.基于KinectV2深度图像流的快速体素哈希表面重建算法[D].西北农林科技大学.2019

[5].马飞.基于深度学习的表面重建算法及并行化研究[D].宁夏大学.2019

[6].马东岭,王晓坤,李广云.利用图割算法进行城市密集点云表面模型重建[J].测绘通报.2019

[7].李兆亮,王林飞,熊盛青,罗锋,闫浩飞.基于轮廓线叁维矿体表面重建的一种改进算法[J].物探与化探.2019

[8].刘长英,王喜超.高速列车车头表面叁维重建算法[J].沈阳工业大学学报.2019

[9].程亚军,谭伟.基于回转窑表面温度场的红外叁维图像重建算法研究[J].红外.2018

[10].詹洋,尹颜朋.基于Minimums-tCut叁维表面重建算法[J].现代计算机(专业版).2018

标签:;  ;  ;  ;  

表面重建算法论文-李晓峰,李东
下载Doc文档

猜你喜欢