本博客內(nèi)容來源于網(wǎng)絡以及其他書籍，結合自己學習的心得進行重編輯，因為看了很多文章不便一一標注引用，如圖片文字等侵權，請告知刪除。
傳統(tǒng)2D計算機視覺學習筆記目錄------->傳送門
傳統(tǒng)3D計算機視覺學習筆記目錄------->傳送門
前言
我的文章確實有點沒頭沒腦，完全取決于我自己的工作重點，O(∩_∩)O哈哈~。在前面寫完網(wǎng)格簡化后，目的是應用到大場景模型下，幾萬平米的室外，但是卻發(fā)現(xiàn)之前用單純的Poisson重建，效果有點差了，所以又把這部分再整理一下。
網(wǎng)格生成
在三維重建中，通過深度傳感器比如RGBD相機、雷達的方式，或者通過多張2D圖片MVG的方式，都可以采集到大量稠密的點云數(shù)據(jù)。對于一個幾百平面的屋子，生成的點云可能就有幾百萬以至幾千萬個點，對于數(shù)據(jù)傳輸以及顯示有比較大的困難，而且顯示效果也比較差。那么面對這種情況，我們將點云的存儲顯示方法，改為網(wǎng)格的方法，則有很大的優(yōu)勢:
- 使用三角面更少點來顯示更大的面積，減少了存儲空間。
- 生成的網(wǎng)格模型，雜亂的錯誤點減少。
- 點的數(shù)目的減少，大大的減輕了渲染的壓力。
- 視覺效果更好，可以對三角面上貼上更加精細的紋理。
- 便于測量等人工操作。
當然在一方面有優(yōu)勢的事情下，其也有一點的劣勢，而這個劣勢也正式網(wǎng)格生成中的難點。
網(wǎng)格生成中的難點
網(wǎng)格生成過程中有很多的難點，這些難點也是衡量網(wǎng)格生成算法的標準：
- 生成網(wǎng)格與原始點云的位置的差異性
- 能夠支持模型網(wǎng)格面積的大小
- 網(wǎng)格生成速度
- 對尖銳特征的保留效果，以及細節(jié)的保留效果
- 網(wǎng)格三角面大小以及形狀
- 對點云噪聲的亢余度、點云分布不同密度的適應效果以及應對點云缺失的效果
常見的網(wǎng)格生成算法
在我們對網(wǎng)格生成有了一定的了解之后，我們來簡單的介紹一下，常見的網(wǎng)格生成算法。
總的先說，目前網(wǎng)格生成算法可以分為兩大類：連續(xù)曲面生成算法 和 非連續(xù)曲面生成算法（離散方法）
連續(xù)方法利用點云去擬合某類分布函數(shù)，得到表面的函數(shù)表示，然后生成網(wǎng)格。
比如：TSDF、Wavelet（多用于醫(yī)學圖像）、Poisson、FSSR、SSD、GDMR、多級流式表面重建
、marching cubes（嚴格說這并不是一個面生成算法，而是一個等值面提取算法）等
離散方法利用某些空間劃分方法，直接從點云數(shù)據(jù)生成網(wǎng)格。
比如：PowerCrust、Greedy Projection、滾球法、alpha-shapes
在此，只是簡單的列舉出來這些方法，詳細描述篇幅很大，所以會在后續(xù)的文章中，逐一詳細的描述一些常見的效果好的網(wǎng)格生成算法。
總結
點云三角化，或者說從點云生成網(wǎng)格的過程有諸多因素的影響，往往要求我們在最后的結果中取到折中。對于特定的場景數(shù)據(jù)的處理選擇特定的方法，會有著還不錯的效果，要是處理多種場景目前還說還是有很大的困難的，想要通過一組參數(shù)獲得比較好的結果目前來說還是做不到的。魚與熊掌不可兼得。
希望在寫下面文章的過程中，結合工作，能夠找到更好的方法，加油?。?！
重要的事情說三遍：
如果您看到我的文章對您有所幫助，那就點個贊唄 ( * ^ __ ^ * )
如果您看到我的文章對您有所幫助，那就點個贊唄( * ^ __ ^ * )
如果您看到我的文章對您有所幫助，那就點個贊唄( * ^ __ ^ * )
傳統(tǒng)2D計算機視覺學習筆記目錄------->傳送門
傳統(tǒng)3D計算機視覺學習筆記目錄------->傳送門
任何人或團體、機構全部轉載或者部分轉載、摘錄，請保留本博客鏈接或標注來源。博客地址：開飛機的喬巴
作者簡介：開飛機的喬巴（WeChat：zhangzheng-thu），現(xiàn)主要從事機器人抓取視覺系統(tǒng)以及三維重建等3D視覺相關方面，另外對slam以及深度學習技術也頗感興趣，歡迎加我微信或留言交流相關工作。
