[毕业论文] 三维模型的形状描述子研究 [复制链接]

资料简介：
毕业论文-三维模型的形状描述子研究，共35页。
摘要
随着互联网技术的发展，人们对于检索技术的需求也日益急切。从以普通文字检索技术如搜索引擎，到一维的声音检索技术如听音识曲，再到二维的图像检索技术如百度识图谷歌识图技术，检索技术扎根于我们生活的方方面面，更影响着我们的生活方式和工作效率。英特尔CEO 科再奇提到：2015 年将是另外一个分水岭，是从2D 时代演进到3D 时代。与此同时，近年来3D 模型数据库发展迅
猛，数量级直逼图像，因而对于3D 模型的检索技术的研究势在必行。3D 模型检索的一大方向是通过将模型简化成相应的形状描述子，从而将对于3D 模型的比较转化为对于形状描述子的比较。
三维模型匹配的大致流程可以用以下步骤描述：
Data: 模型S
Result: 模型S 对应的描述子
1 initialization;
2 根据模型计算模型的Feature;(这一步在有些情况可以不需要)
3 根据模型的Feature 计算模型的Descriptor;
算法0.1: 计算描述子流程
本文主要研究并实现了三类形状描述子，他们的出发点各不相同。
SDD(Shape Distribution Descriptor) 采用了统计的方法，通过将模型简化成概率分布并比较相应的概率分布图达到对于模型的比较；LFD(Light Field Descriptor)采用的是二维图像比较的方法，通过对于模型不同视角的采样得到一组二维图像，通过计算基于shape 轮廓的Fourier 描述子和基于shape 的Zernike矩，从而达到对于三维模型的比较；ShapeGoogle 方法采用了基于HK(Heat Kernel)/
HKS(Heat Kernel Signature) 的Feature 以及文本检索和图像检索的常用的BOF(Bag Of Feature)/SS-BOF(Spatially Sensitive Bag of Feature ) 得到相应的描述子再定义描述子和之间的距离即可达到对于模型的比较。
模型之间的相似性比较方法很多。和我们熟知的多媒体数据检索一样，模型的检索同样可以有基于文本和基于内容两种不同的方法。Google 的3D Ware-House 上的大量模型都拥有大量的Tag，我们基于Tag 的语义信息自然也可以得到模型的相似程度。然而，这样得到的结果往往不符合预期，达不到我们在文本检索中的体验。此时基于内容的模型匹配可以得到更加符合我们认知的结果。本文提到的三种方法均是基于内容的模型匹配。
关键词：三维网格 描述子 光场描述子 热核 热核签名 Bag of Feature Spatillay Sensitive Bag Of Feature 形状描述子 GoogleShape 非刚性变换

目录
摘要3
Abstract 5
第一章绪论7
1.1 引言7
1.2 课题研究的意义8
1.3 相关工作8
1.3.1 统计8
1.3.2 图像描述子8
1.3.3 文本描述子9
1.3.4 三维模型形状描述子9
1.4 本文的工作10
1.5 本文的结构11
第二章Shape Distribution Discriptor 12
2.1 Shape Distribution  12
2.2 实验结果与分析12
第三章Light Field Descriptor 15
3.1 Light Field Descriptor 15
3.2 3D 网格投影成二维图形16
3.3 图像描述子17
3.3.1 Fourier Descriptor17
3.3.2 Zernike Descriptor 18
3.4 Fourier 联合Zernike 19
3.5 实验结果和讨论20
3.5.1 Matlab 联合Mini Database 20
3.5.2 基于Qt 平台的C++ 语言的界面化三维模型检索程序20
第四章ShapeGoogle 23
4.1 HKS 23
4.1.1 热传导方程23
4.1.2 热核24
4.1.3 HKS 25
4.2 Bag of Feature 26
4.2.1 文本匹配27
4.2.2 Bag of Feature 27
4.2.3 结果28
4.2.4 Spatially-Sensitive Bag of Feature 28
4.2.5 BoF & SS-BoF29
4.3 方法比较29
第五章总结与展望31
5.1 研究内容总结31
5.2 展望31
参考文献32

资料文件预览：
共1文件夹，1个文件，文件总大小：2.58MB，压缩后大小：2.47MB

• 毕业论文-三维模型的形状描述子研究
• 毕设论文：三维模型的形状描述子研究.pdf  [2.58MB]