面向可展特征的网格去噪与稠密网格重建

来源 :合肥工业大学 | 被引量 : 0次 | 上传用户:lmmak
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
三角网格是计算机图形学中用于为各种不规则物体建立模型的一种数据结构。通过如扫描仪等辅助设备扫描或图像生成的三角网格模型存在不同程度的噪声问题。噪声去除是研究和处理三角网格模型的重要前序工作,带有噪声的模型会对研究产生数据上的计算误差。目前网格去噪的主要手段是通过对三角网格面片法向量进行修正进而调整网格位置而完成噪声的去除工作。近几十年,三角网格去噪技术进一步发展,对于扫描和图像生成模型的处理工作有着极其重要的意义。可展曲面是主要有柱面、锥面、平面等类型,可展曲面具有有易加工的特点,对于工业领域具有极强的实用性,在工业零部件模型中较为常见。三角网格模型包含不同程度的可展区域,研究具备可展特征的三角网格模型处理,并将去噪的技术结合实际情况予以应用,具备良好的可操作性并能取得一定的成果。本文主要研究网格模型的可展性探究、具备可展性的网格模型的网格去噪和文物扫描数据中稠密网格重建的三个问题。研究内容如下:对大量三角网格模型分析模型的可展性。对SGA等数据集中所包含的网格模型进行相关的分析和处理,讨论了模型可展性及可展区域,通过三角网格模型的三角面片性质来统计分析相关的可展性,针对不同程度的可展性并提出具备不同程度的可展性的网格模型比例参考标准。提出一种面向可展特征的网格模型去噪方法。首先基于变分形状逼近策略分割可展区域,识别出网格模型上可展特征区域,并对分割区域进行基于可展性度量的合并和划分,改进现有L0去噪算法中针对非均匀噪声网格的正则优化表达项,引入三角网格顶点的可展度量项,通过考虑可展特征的曲面法向量L0范数的优化问题求解实现网格模型的去噪。针对稠密网格的处理重建工作。基于前面的研究工作,在实际工作中应对相应的文物扫描数据的稠密网格,针对文物扫描数据的纹饰不全、孔洞和噪声去除、网格模型过于稠密等问题,进行去噪处理、孔洞补全和模型简化等相关工作,构建整体处理框架,开发相应的模型处理软件完成数据分析和处理。
其他文献
区块链通过可追溯的分布式账本和非对称加密技术等手段,在不依赖于任何第三方可信机构的前提下,解决了分布式信任问题。因此,基于区块链提供可信的物联网数据已受到了越来越多的关注。共识作为区块链中的核心,需要大量的计算资源,因此资源有限的终端设备无法进行共识。将终端设备的计算任务卸载给边缘计算服务提供商(ESP)或云计算服务提供商(CSP)被认为是移动区块链共识的一种可行的解决方案。本文研究了基于区块链的
学位
传统的视觉同时定位与建图(Simultaneous Localization and Mapping,SLAM)无法完成与环境之间的交互任务,而且当环境中存在动态物体时,系统的定位精度会大幅下降,融合了语义信息的SLAM系统能够较好地解决上述问题。获取周围环境中的语义信息是语义SLAM的重要任务,然而,采用语义分割或实例分割网络会影响系统的时间性能,采用目标检测方法又会损失一部分精度。因此,本文提
学位
对话问题生成旨在根据给定长文本和对话历史生成对话式问题。在日常生活中,对话式问答更为常见,人们之间进行连续问答来传递信息。对话问题生成可广泛应用于教育、医疗和商业服务等领域,具有较大的应用前景。目前研究对话问题生成的主流方法是基于深度学习技术设计神经网络模型,然而模型生成的对话问题距离应用仍有很大的差距。本文主要基于序列到序列模型和预训练模型来分析如何提升对话问题生成的性能,本文主要的工作如下:(
学位
随着无线通信技术和先进传感器制造技术的发展,车载自组织网络(Vehicular Ad hoc Networks,VANETs)中的V2V通信越来越受到业界和学术界的关注。这种以高速移动的车辆为通信节点的无线通信机制受到信道资源有限和网络拓扑结构不稳定的限制。为有效提高网络性能和通信的稳定,本文首先在对车辆进行分簇的前提下,通过合理控制车辆在高节点密度环境下的通信发射功率,提出一种基于串行干扰消除(
学位
小样本语义分割的目的是在仅有少量带标注的训练数据可用的情景下训练模型,让模型学习到具有通用性的分割能力,从而在新类上也能保持较好的分割效果。现有的小样本语义分割模型往往使用单一原型描述整个类别,然而由于样本量匮乏和类内变化的存在,生成的单一原型往往不具有代表性,存在语义模糊的问题。此外现有方法使用全局平均池化提取类别原型,忽略了对于背景信息的使用,然而前景和背景特征之间往往存在语义关联。针对以上问
学位
在互联网技术高速发展的当代,各行业领域在日常的生产生活中都产生了海量数据,而能够有效挖掘数据信息且进行形式化表达的因果关系发现问题已成为当前学术界的研究热点之一。因果发现被广泛应用于生物医疗、故障检测和自然语言理解等领域。然而,目前的因果发现算法不能有效地处理服从非线性非高斯分布的连续数据集,大多存在精度一般、计算方式复杂及时间成本高等不足。为此,本文主要研究了加性噪声模型下基于相关系数的因果结构
学位
小样本学习旨在训练一个具有良好泛化性能的模型,在样本数量极少时仍具有良好的分类效果。小样本学习方法主要包括数据增强、元学习、多模态融合以及度量学习四类方法。大多数度量学习的模型仅仅关注图像实例级别或者类级别的特征,却忽视了图像的局部细节特征。近年来,许多基于局部描述子的度量网络充分考虑了图片像素级别的局部细节特征,但仍然存在着局部描述子之间缺乏关联性以及分类器易受局部噪声干扰的问题,因此本文对基于
学位
铁路道岔是一种使机车从一股道转入另一股道的线路连接设备,列车行驶中出现的挤岔、脱轨事故多由驾驶员对道岔状态的错误判断引起。因此利用计算机视觉实现道岔场景的准确识别对列车无人行驶和铁路运输智能化发展具有重要意义。传统的铁路道岔分类算法受制于铁路环境复杂等原因,在分类速度和准确度方面不尽人意;而基于深度学习的铁路道岔分类模型一般在高能见度条件下进行大量数据标注和训练,虽克服了人工特征提取的弊端,但是在
学位
随着深度学习和计算机视觉的高速发展,人们越来越需要深入理解图像。人-物交互检测是计算机视觉领域继目标检测、场景分割和目标追踪后的又一基础任务,该项任务的目标是定位并且推理图像中人与其周围物体的交互关系,对理解人类行为至关重要。人-物交互检测的难点主要在于机器无法知道人具体和哪些物体存在交互关系,现有方法常常对大量非交互对也进行了推理。此外,现有方法常常受到训练样本长尾分布的影响而损失检测效果。针对
学位
随着人们生活水平的提高,能源需求消耗急剧增长。准确的能源消耗预测可以帮助相关部门制定合理的能源生产计划,积极响应节能减排、可持续发展的理念。能源消耗数据包含复杂的时间关系和特征关系,传统的预测方法如自回归模型和高斯过程很难捕捉到这些关系。深度学习兴起后,循环神经网络(Recurrent Neural Network,RNN)广泛用于能源消耗预测的研究。但是,当能源消耗数据的序列足够长时,RNN会出
学位