現(xiàn)實空間中的物體往往包含復雜的形狀信息,利用一種被稱為三維掃描的高新技術能夠在計算機中初步重現(xiàn)這些信息。但是由于掃描設備技術支持上的不完善,限制了這些信息的完備性,導致得到的數據存在許多缺陷。根據實際需求,本文對藍噪采樣進行深入研究,為后續(xù)工作提供便利。本文的研究工作首先嚴謹地完善相關理論,再逐步展開到實際應用。以多尺度分層分區(qū)的離散最優(yōu)傳輸理論為基礎,通過對概率測度和概率密度模型的探討,完成多尺度分層分區(qū)模型下的稀疏藍噪采樣算法。然后利用稀疏藍噪采樣框架對單類和多類采樣問題進行研究,并且擴展應用到自適應采樣和點畫采樣。本文主要工作是對Wasserstein藍噪采樣算法的稀疏性表達,稀疏藍噪采樣算法使得內存需求顯著性降低。本文創(chuàng)新點在于以下兩個方面:1.基于多尺度分層分區(qū)最優(yōu)傳輸理論的稀疏藍噪采樣算法Wasserstein藍噪采樣方法通過一組密度分布約束Wasserstein重心提供了一種松弛采樣方法,但是它在內存成本上付出了沉重的代價,因為在最優(yōu)傳輸問題的求解中用到的全局密集距離矩陣會消耗大量內存。為降低內存損耗以適應大規(guī)模數據,本文提出多尺度分層分區(qū)的稀疏藍噪采樣算法。通過求解一系... 

【文章來源】：重慶郵電大學重慶市

【文章頁數】：72 頁

【學位級別】：碩士

【部分圖文】：

點云獲取技術

究者提出利用如圖 2.1 的四叉樹結構[25]加網格大小為2dR，這個值適應于半徑為dR 的網格。Gamito 和 Maddock[26]先是擴展采維度的結果，利用空間細分數據結構（2中是等價的結構）實現(xiàn)了一種生成泊松樣入新樣本的空間區(qū)域，同時他們所提出 O( n log n) ；此外，對于 Gamito 和 Mad算法時間復雜度高的問題，Jones 和 Karg式生成算法，該方法基于一個區(qū)域網格，

重慶郵電大學碩士學位論文 第 2 章 采樣技術相關工作確定的問題。原理在于迭代地調整采樣點位置的同時擴大采樣半徑，最終達到固定泊松盤的目的；另外一種簡單的 PPO[21]推拉優(yōu)化算法通過加強給定點集的空間約束實現(xiàn)藍噪采樣，約束包含樣本之間的最小距離、任意點和最近樣本之間的最大距離、以及樣本容量與平均容量的最大偏差，所有約束都是基于德勞內三角剖分中出現(xiàn)的拓撲。

【參考文獻】：
期刊論文
[1]基于采樣半徑優(yōu)化的最大化Poisson圓盤采樣[J]. 全衛(wèi)澤,郭建偉,張義寬,孟維亮,張曉鵬,嚴冬明.  中國科學:信息科學. 2017(04)
[2]點云驅動的計算機圖形學綜述[J]. 伍龍華,黃惠.  計算機輔助設計與圖形學學報. 2015(08)
[3]Poisson disk sampling through disk packing[J]. Guanghui Liang,Lin Lu,Zhonggui Chen,Chenglei Yang.  Computational Visual Media. 2015(01)

碩士論文
[1]海量點云預處理算法研究[D]. 戴靜蘭.浙江大學 2006



本文編號：2981271