三维散乱点云的网格重建：基于内部特征的算法

"这篇论文是2008年5月发表在浙江大学学报(工学版)上的，作者包括钱归平、童若锋、彭文和董金祥，研究主题涉及散乱点云的网格重建。论文提出了一种新的算法，通过结合二次误差势能函数和极值曲面构建贝叶斯概率模型，实现对三维散乱数据点的可靠重建。" 本文主要探讨了基于散乱点云内部特征的网格重建技术，这在逆向工程中有广泛应用。逆向工程是通过对现有实体的扫描获取其几何信息，然后重构出三维模型的过程，而散乱点云是这一过程中的基础数据形式。点云数据通常由3D扫描设备生成，包含大量的无序点，这些点在空间中的分布反映了物体表面的形状。 在论文中，作者提出了一个创新的方法，该方法首先利用贝叶斯模型来估计点云的内在特性。贝叶斯模型是一种统计方法，通过结合先验知识和观测数据来更新对参数的理解。在本研究中，二次误差势能函数和极值曲面被用来刻画点云数据的分布特征，以更准确地理解物体的形状。在降噪过程中，通过迭代收缩技术，可以去除点云中的噪声，同时保持物体的形状特征不变，这是非常关键的一点，因为降噪往往可能导致形状信息的丢失。 接下来，论文介绍了如何对降噪后的点云进行处理。根据表面复杂程度，自适应地筛选出新的点集，这有助于更好地捕捉物体表面的细节。随后，采用了一种非Delaunay三角化方法。Delaunay三角化是一种构造三角网格的经典方法，它确保了每个三角形的内部没有其他点，但在处理具有尖锐特征的点云时可能不理想。因此，论文提出的新方法在保持Delaunay优化准则的同时，考虑了尖锐特征的度量，以创建更加精确和稳定的三角形网格。这种方法通过空间圆球的生长来快速搜索邻近点，提高了效率。 实验结果显示，所提出的算法能够在点云网格化过程中有效地保留细节特征，同时具备快速、稳定和可靠的特点。这种算法对于处理复杂的3D数据点云，特别是在需要高精度网格重建的应用中，具有显著的优势。关键词包括逆向工程、贝叶斯模型、网格化和降噪，表明该研究涵盖了点云处理的关键领域。 这篇论文贡献了一种新的点云处理算法，该算法通过集成各种数学工具，如贝叶斯统计、二次误差势能函数和非Delaunay三角化，提高了散乱点云的网格重建质量，对于3D建模和计算机图形学等领域具有重要价值。