面向对象的三维零件特征识别和提取方法研究
三维模型检索相关的特征提取和语义研究
线部分和离线部分。在线部分 与用 户交互 ， 用户 可 以浏览 数据
０ 引 言
随 着 ｉ维 扫 描 技 术 以 及 三 维 建 模 软 硬 件 的 不 断 发 展 成 熟 ，
Ｍｎ ｌ 距 ＤＸｙ＝∑ ａ ａｎ 离：（， ｈｔ ａ ）
ｌ≤ ｉ ｎ １≤ ， ｎ ≤ ≤
２ １ 形状 以及相 似性计算 方 法 ．
２ １１ 形 状 ． ．
形状是 三维模 型最重要的特性 ， 与颜色 、 纹理相 比能够更细
致地描述模 型。而且形状是无量纲的 ， 任何旋转 ， 平移都不改变 其特性。从整个三维模 型的特征 中计算 形状模 型 ， 提供 全局信
息如面积 、 体积 、 周长 、 半径等 。既不需 要初始分 割步骤也 不需
连通分量上的点归为一类 ， 最终得 到原顶点 集 的一 个分类集
合， 即商集 。将商集 中的点根据原有 模型点 间的邻接 关系连接 起来 ， 就得 到原有模 型的一个骨架 。骨架 图法 即首先计算 出 Ｊ 模型的骨架节点 ， 然后通过各节点构造 出相应的骨架 图， 通过 中 轴线更简洁地再现三维几何 的形状及 拓扑变化 ， 是一个有 向 这
库， 通过 接 口给服 务器发送一 个三维请求 ， 系统接 收查询模 型 ， 并与所有相似模型的特征值 比较 。离线部分提取模型特征并计 算三维模型的形 状索引以及相似度。其 中特征提取和相似性匹 配是决定检索结果的重要步骤。
使得 三维模 型的创建过程 变得 越来越 容易 ， 产生 了越来越 多的 ｊ 模 型库 ， 维 为用 户 实现 资源 共 享 提 供 了更 多 的便 利 条 件 ， 时 同 涉及到的领域 也 越 来越 广 ， 比如工 业 设计 、 虚拟 现 实 、 Ａ Ｃ Ｄ应 用、 计算机视觉 、 游戏 产业 和医疗 等… ， 具有 广阔 的应用 前景 。 其 中有专 门针对特定领域 的数据库 ： 国国家癌症 研究所建 立 美 的 Ｎ Ｉ Ｉ３ Ｃ Ｓ Ｄ模 型库 ， Ｄ 此模 型库拥 有 ４ ００ ０个模 型 ； 国 ０ ０ 美 ＭＤ Ｌ信息系统有 限 公 司的化 学 品三 维结 构 Ａ Ｄ３ ＭＤ Ｃ 一Ｄ Ｌ模 型 库 Ｊ此 数 据 库 拥 有 ３ ０００个 模 型 ； 常 用 的 是 美 国普 林 斯 顿 ， ０ ０ 最 大学建立的三维模型数据库 （ Ｓ ） ， 数据库拥 有 ６ ０ ＰＢ 此 ０００个 模型 ， 是通用模 型库 。针对这种三维模 型数量迅速增加 的现象 ，
三维模型检索中的特征提取方法
三维模型楦索 巾的特征 提取方法
海南 大学信 息科 学技 术 学院 潘 萍
［ 摘 要］ 三维模 型检 索的关键 问题是如何 有效地提取 三维模型 的特 征。本文在 查阅 了国内外大量有关三 维模 型检 索文献的基础 上， 对三维模型的特征提 取方法进 行 了研 究， 总结了当前存在的特征提取算法 ， 并对其进行 了分析与比较 。 ［ 关键词］ 三维模型 检 索 特征提取
系进行归一化 预处理 ， 因此 该算法对三维模 型网格细分和 网格简化 的 鲁 棒性较差 。此 外 ， 由于互 联网多数三维模 型通常是退化或 松散 的多 边形 集合 ， 以应用这种方法有很大 的局限性。 所 另一种 函数分析 方法是球 面调和分析 ， 算法也被称 为单位球面 该 上 的二维傅立 叶分析 ， 其算 法思想是 ： 先建立球 面函数 ， 然后 对球面 函 数 进行快速球面调和变换 。Ｖ ａｉ首先将球面调和分 析引入到三维模 ｒ ｃ ｎ 型特征 提取领 域 ， 出了旋转 相关特 征描述 符。Ｋ ｚｄｎ改进 了该方 提 ａｈ ａ 法 ， 其与 旋转无 关 ， 使 具体 过程如 下 ： 先将 三维模 型体 素化为 ６ 首 ４Ｘ ４ ６ ６ × 个体单元 ， 整模 型位置使其重心位于 网格 中心 ， ４ 调 以确保体素模 型后有一 个半径 为 ３ ２的外包 围球刚好覆 盖该模型 。以网格 的中心为 球心， 使用半 径分别为 １ ２ … ，２ 同心球将 网格分解成 ３ 个球面 函 ，， ３的 ２ 数， 然后对 每个球 面函数进行 球面调 和变换 ， 将其分 解成 １ 个 频率 由 ６ 低 到高的球面调和 函数 的和。 由于相对于旋转 ， 球面调 和函数 其 Ｌ 范 ２ 数并没有 改变 ， 因此对 每个球 面函数定 义 １ 个球 面调和 函数 的 Ｌ 范 ６ ２ 数， 以此组成三维模 型的 ３ ×１ 特征向量矩阵 。矩阵元素 （， 值表示 ２ ６ ｉｊ ） 球 面调和 函数的 Ｌ 范数 ， 中 ｉ ２ 其 表示半 径为 ｉ 的球面 函数 ，表示 第 ｊ ｊ 个 球 面调 和 函数 。两个 模型 相似 度计算 较简 单 ， 直接利 用欧 几里 德距 离。此算法的一个显著的优点是不用进行三维模型预处理就能具有很 好 的匹配性能。但是 ， 该算法的使用有一个前提 ： 三维模型 中不能有洞 且 不能有悬垂 的部分 ， 这也是球面调 和分析算法使用范围的一个限制。 此外 ， 小波变换也被用来描述三维模型的特征 ， 小波分析在 图像等 领 域具有广泛的应用 ， 它是傅立叶变换的一个扩展 ， 也是一种多尺度 的 函数分 析 ， 它适 用于分 层表示及 比较 ， 具有 良好的 时间和空 间分辨 并 率 。在三 维模型检索 领域 中 ，ａｕ ｔ Ｐ ｑｅ等使 用 了小波 变换进行 三维模型 的几何 特征提取 。但 由于这一 特征提取 算法没 有进行规 则 的采样信 号， 而是从频域角度分析三维模型 ， 因此三维模型特征提取之前 的预处 理 过程会 比较复杂 ， 并且对三维模型的噪声 、 旋转变换和 网格简化细分 的鲁棒性较差 ， 此外 ， 由于三维模型 的表示 方法 不统一 ， 也增加 了将 这 小 波变换应用 到三维模 型检索 的难度 。
三维模型检索中若干特征提取方法的研究与应用
Abstract
With the development of 3D model acquisition, modeling methods, and hardware technology, 3D models are more and more widely used in many areas. Not only increasing number of 3D models are produced, did the quantity and scale of 3D model databases. Since constructing a new 3D model is a time-expending task as well as a energy-consuming job, it becomes more and more important to reuse the existing 3D models. In order to fully make use of the existing model resources, and find the models that one needs accurately and efficiently, the research on building the 3D model search engine is an urgent issue. A complete 3D model retrieval system typically includes feature extraction, similarity matching, index structure, and query interface. Among them, feature extraction is the most important for the 3D model retrieval. Hence 3D model feature extraction is the key technology in 3D model retrieval, and it is also the focus of this paper. The main job of this paper is to research and implement the technology of 3D model feature extraction, the innovation is that it proposes and implements three new methods of feature extraction: 1. The first method proposed in this paper is a 3D model geometric shape matching based on 2D projective point sets. It is different from the method of Min which compared the 3D shapes based on 2D contour map, also different from the means of Loffer which used the technology of of 2D image retrieval. This method compares the 3D shapes by measuring the statistical characteristic of 2D projective point sets, and it has low complexity. It is the first innovation of this paper. 2. Make use of multi-feature weighted distance to match the 3D models. Combine two characteristics, which is: the boundary feature of 2D projective point sets the former method had extracted, and the vertex density of triangle mesh of 3D models. The technology of the multi-feature weighted distance combining 2D boundary feature with 3D vertex density is the second innovation of this paper. 3. Introduce the curvature of discrete points into the 3D models matching. Extract the boundary conture of 2D projective point sets, compute the feature which is the product of the two: the curvature of discrete points on the boundary conture, and the distance between these points and
三维模型特征提取算法
三维模型特征提取算法一、特征提取需求由来虚拟装配在CAD建模领域使用广泛，Solidworks、Pro/E、UG等都有自己的零件装配程序模块，但是它们相互之间并不能进行直接的数据格式转换。
比如：Solidworks创建一个简单的零件直接用Pro/E打开会丢失很多模型拓扑信息。
STL文件格式是通用的固体三维模型表示文件，常用CAD软件都能打开。
STL文件是一种简单数据格式，其中只记录了模型的顶点和法向量（数据格式下一节具体介绍），大多数CAD软件支持STL文件格式的零件输出。
然而，无论何种CAD软件打开STL文件之后，都难以读取模型的特征信息，甚至连模型的一个表面都选不中。
在这种情况下，如果我们想把一大堆的STL格式模型，加载到某款CAD软件中进行装配，可能性几乎为零。
在这种情况下，出现了对提取模型拓扑信息的需求。
下面将详细介绍这种方法，并给出在OSG场景中提取一个齿轮面的例子，供大家参考。
二、基本概念三角形是三维引擎的基本绘制图元。
任意一个三角形包括三个顶点和一个法向量（三个顶点和一个法向量确定了一个最小单位的表面），无论是什么样子的三维模型都可以分解成三角形的组合。
一个三维模型上的三角形并非独立存在，它们是有相互关系的，这些关系主要体现在两方面：（1）邻接关系（共边、共顶点）。
（2）归一化法向量之间的夹角关系（法向量相等、法向量共面等等）。
通过上述关系可以把三角形归类，从而组成不同的曲面。
下面以平面和柱面为例对三角形组成的曲面进行介绍。
定义一：模型中任意两个三角形存在公共边，则称两个三角形紧邻。
定义二：模型中任意两个三角形存在公共顶点，则称两个三角形邻接。
定义三：如果存在一组三角形它们具有邻接关系（紧邻、邻接）并且归一化法向量全等则这一组三角形在同一个平面上。
定义四：如果存在一组三角形它们具有邻接关系（紧邻、邻接）并且归一化法向量处于某个平面上则这组三角形处在同一个柱面上。
定义五：归一化法向量，满足公式：关于其他形状的定义大家可以自己总结（如球面、圆柱面、圆锥面等等），这里只给出平面和一般柱面（多面体、圆锥面、圆柱面都是柱面）的定义。
envi基于规则的面向对象信息提取原理
envi基于规则的面向对象信息提取原理面向对象信息提取是指从文本中自动抽取和理解结构化的信息，以便支持各种应用程序，如搜索引擎、问答系统和信息检索等。
基于规则的面向对象信息提取原理是一种常见的信息提取方法，它通过事先定义的规则来识别和提取文本中的信息。
本文将首先介绍面向对象信息提取的基本概念，然后详细分析基于规则的面向对象信息提取原理，最后探讨该方法的优缺点和应用场景。
一、面向对象信息提取的基本概念面向对象信息提取是一种自然语言处理技术，它通过分析文本中的句子结构和语义关系，从中提取出特定的实体和关系，如人名、地点、组织、事件等。
以下是面向对象信息提取的基本概念：1.信息提取的目标：信息提取的目标是从非结构化文本中获取结构化的信息。
这些信息可以用于构建知识图谱、语义搜索等应用。
2.实体和关系：在信息提取中，实体是指文本中具体的事物，如人名、地点、组织等；关系是指实体之间的联系，如工作关系、上下级关系等。
3.文本分析技术：信息提取通常需要借助自然语言处理和机器学习技术，如词法分析、句法分析、语义分析等，来识别文本中的实体和关系。
4.应用场景：面向对象信息提取可以应用在诸如搜索引擎、智能问答系统、信息检索等各种应用中，为用户提供更加准确和个性化的信息。
二、基于规则的面向对象信息提取原理基于规则的面向对象信息提取是一种基于事先定义的规则来识别和提取文本中的信息的方法。
以下是该方法的基本原理：1.规则定义：首先需要定义一系列规则来识别文本中的实体和关系。
这些规则可以是基于词法、句法、语义等多种信息的匹配和匹配规则。
2.文本解析：接下来需要对文本进行解析，通过自然语言处理技术和机器学习算法来识别文本中的实体和关系，以及它们之间的语义关系。
3.规则匹配：在文本解析的基础上，利用事先定义的规则来匹配文本中的实体和关系，从而提取出需要的信息。
4.信息提取：最后，通过规则匹配得到的结果，提取出文本中的结构化信息，如人名、地点、事件等。
三维点云物体构件提取方法
提取方法的分类
基于几何特征的提取方法
根据点云的几何特征，如曲率、法线等，识别和提取物体 构件。该方法简单直观，适用于规则形状的物体。
基于聚类的提取方法
将点云数据按照空间位置和几何特征进行聚类，将相近的 点划分为同一类，从而形成物体构件。该方法适用于无规 则形状的物体。
三维点云物体构件提取方法
汇报人： 2024-01-08
目录
• 三维点云物体构件提取方法概 述
• 基于表面流的方法 • 基于聚类的方法 • 基于网格的方法 • 基于深度学习的方法
01
三维点云物体构件提取方法概 述
定义与特点
定义
三维点云物体构件提取方法是指从三 维点云数据中识别和提取物体构件的 技术和方法。
均匀Grid方法
总结词
均匀Grid方法是一种将点云数据均匀地分布 在网格中的方法，通过将点云数据与网格进 行匹配，实现点云数据的分类和识别。
详细描述
均匀Grid方法将点云数据按照一定的规则均 匀地分布在网格中，每个网格内的点被视为 一个单元。这种方法可以有效地对点云数据 进行分类和识别，但计算复杂度较高，且对
PointCNN方法
总结词
PointCNN是一种改进的深度学习网络，针对点云数 据设计。它引入了卷积的概念，使得网络能够学习到 点云数据的空间结构信息。
详细描述
PointCNN采用了类似于传统卷积神经网络（CNN） 的卷积操作，但针对点云数据的特点进行了改进。它 通过使用球面卷积核来处理点云中的空间关系，能够 有效地提取点云中的局部和全局特征。PointCNN在 处理大规模点云数据时具有较高的计算效率和准确性 ，广泛应用于三维物体识别、场景理解等领域。
《基于视觉的零件特征识别与分类方法研究与实现》
《基于视觉的零件特征识别与分类方法研究与实现》一、引言在现代化生产与制造业中，零件的识别与分类是不可或缺的环节。
随着科技的发展，基于视觉的零件特征识别与分类方法因其高效、准确和自动化的特点，正逐渐成为行业内的主流技术。
本文将探讨基于视觉的零件特征识别与分类方法的研究与实现，分析其重要性、现状及发展趋势。
二、研究背景及意义零件的视觉识别与分类是实现智能制造和工业自动化的关键技术之一。
该方法能显著提高生产效率、降低成本，同时对保障产品质量、实现制造过程的可追溯性具有重要作用。
然而，传统的人工识别与分类方式受制于人眼与认知能力的局限性，难以满足现代制造业的高效、高精度需求。
因此，研究并实现基于视觉的零件特征识别与分类方法具有重要意义。
三、研究现状及发展趋势目前，基于视觉的零件特征识别与分类方法主要包括基于模板匹配、基于深度学习等方法。
其中，模板匹配方法通过将待识别零件与标准模板进行比对，实现零件的识别与分类。
然而，该方法对于复杂零件和零件的微小变化，其识别效果并不理想。
随着深度学习技术的发展，利用卷积神经网络等深度学习算法进行零件的视觉识别与分类逐渐成为主流。
深度学习能够自动提取零件的多种特征，有效提高识别的准确性和效率。
未来，基于视觉的零件特征识别与分类方法将朝着更高效、更精确的方向发展。
一方面，将进一步优化深度学习算法，提高其对于复杂零件和微小变化的识别能力；另一方面，将结合多传感器信息融合技术，提高零件识别的稳定性和可靠性。
四、研究内容与方法本研究主要采用深度学习算法进行零件的特征识别与分类。
首先，通过采集大量零件的图像数据，构建训练集和测试集；然后，利用卷积神经网络等深度学习算法进行模型训练；最后，通过测试集对模型的性能进行评估。
在模型训练过程中，我们还将采用数据增强技术、优化器选择等手段提高模型的性能。
五、实验设计与结果分析实验中，我们选取了多种不同类型的零件进行识别与分类。
通过对比模板匹配方法和深度学习方法，我们发现深度学习算法在识别准确率和效率上均表现出较大优势。
《基于视觉的零件特征识别与分类方法研究与实现》
《基于视觉的零件特征识别与分类方法研究与实现》一、引言随着人工智能与机器视觉技术的快速发展，基于视觉的零件特征识别与分类方法在工业自动化、机器人技术、质量检测等领域得到了广泛应用。
本文旨在研究并实现一种基于视觉的零件特征识别与分类方法，以提高零件检测的准确性和效率。
二、零件特征识别与分类的重要性在制造业中，零件的准确识别与分类对于提高生产效率、保证产品质量以及降低生产成本具有重要意义。
传统的零件识别方法主要依赖于人工操作，不仅效率低下，而且容易出错。
因此，研究并实现基于视觉的零件特征识别与分类方法，对于实现自动化、智能化的生产过程具有重要意义。
三、视觉零件特征识别与分类方法的研究1. 视觉系统构建视觉系统的构建是零件特征识别与分类的基础。
该系统主要包括相机、镜头、光源等硬件设备以及图像处理软件。
通过采集零件的图像信息，为后续的特征提取和分类提供数据支持。
2. 特征提取特征提取是零件特征识别与分类的关键步骤。
通过图像处理技术，提取出零件的形状、尺寸、颜色、纹理等特征信息。
这些特征信息对于后续的分类和识别具有重要作用。
3. 分类方法研究本文研究了多种分类方法，包括基于模板匹配的分类方法、基于机器学习的分类方法和深度学习的方法。
通过对比分析，发现深度学习方法在零件特征识别与分类中具有较高的准确性和鲁棒性。
四、基于深度学习的零件特征识别与分类方法的实现1. 数据集准备为训练深度学习模型，需要准备大量的零件图像数据。
数据集应包含不同类型、不同规格的零件图像，以及对应的标签信息。
2. 模型选择与训练选择合适的深度学习模型进行训练。
本文选择了卷积神经网络（CNN）作为主要的模型。
通过大量的训练数据，使模型学习到零件的特征信息，并实现零件的分类和识别。
3. 模型评估与优化对训练好的模型进行评估，包括准确率、召回率、F1值等指标的评估。
根据评估结果，对模型进行优化，提高模型的识别准确率和鲁棒性。
五、实验结果与分析通过实验验证了本文提出的基于深度学习的零件特征识别与分类方法的有效性。
《基于视觉的零件特征识别与分类方法研究与实现》
《基于视觉的零件特征识别与分类方法研究与实现》一、引言随着现代制造业的快速发展，零件的识别与分类成为自动化生产线中不可或缺的环节。
基于视觉的零件特征识别与分类方法，因其高效、准确、非接触等优点，逐渐成为研究的热点。
本文旨在研究并实现一种基于视觉的零件特征识别与分类方法，以提高零件处理的自动化程度和效率。
二、零件特征识别与分类的重要性零件特征识别与分类是自动化生产线中的关键技术之一。
它能够帮助企业实现生产线的自动化、智能化和柔性化，提高生产效率和产品质量。
同时，通过对零件的精确识别和分类，可以实现对生产过程的实时监控和质量控制，降低生产成本和人工成本。
三、相关技术与方法概述在零件特征识别与分类方面，目前已有许多技术和方法。
如基于深度学习的图像识别技术、基于机器视觉的零件识别技术、基于统计学习的特征提取方法等。
这些技术和方法各有优缺点，适用于不同的应用场景。
本文将结合实际需求，采用基于深度学习的图像识别技术进行零件特征识别与分类。
四、基于视觉的零件特征识别与分类方法研究1. 数据采集与预处理首先，需要采集一定数量的零件图像数据，并对数据进行预处理。
预处理包括图像去噪、灰度化、二值化等操作，以提高图像的质量和识别率。
2. 特征提取与选择在预处理后的图像中，需要提取出能够表征零件特征的多种特征。
这些特征包括形状特征、纹理特征、颜色特征等。
通过对比不同特征的识别效果，选择出最优的特征组合。
3. 模型训练与优化采用深度学习算法，如卷积神经网络（CNN）等，对提取出的特征进行训练和优化。
通过不断调整模型参数和结构，提高模型的识别准确率和鲁棒性。
五、实现步骤与方法1. 搭建实验平台搭建一个基于视觉的零件特征识别与分类实验平台，包括相机、光源、计算机等设备。
通过相机采集零件图像，并将图像传输到计算机中进行处理。
2. 编写程序代码采用Python等编程语言，编写程序代码实现零件特征的提取、选择、模型训练和优化等功能。
基于激光检测的三维特征区分和提取技术研究
基于激光的三维检测特征区分和提取技术研究摘要现代科技的飞速发展，对三维测量技术提出了越来越高的要求。
线结构光三维检测技术是测量物体表面轮廓最普遍的方法之一，由于该方法具有大量程、非接触、速度快、测量精度适中、光条图像信息易于提取等优点，在工业检测中得到了广发应用。
对线结构光测量技术的研究，对军事、工业等领域的发展都具有重大的意义。
本文论述了线结构光测量系统的原理和系统组成，描述了系统的测量过程，介绍了图像处理的步骤，分为滤波与二值化处理，光条中心提取，并对每个部分的处理方法进行了分析。
本论文介绍了一套结构光测量系统装置，对实际物体进行实验测量，并且拍摄一系列图像，从中挑选一些典型的图像使用VC++软件编写程序进行处理。
通过采用不同的方法对图像进行去噪与二值化的处理，通过对比，选取效果较好高斯滤波的方法处理图像。
对光条中心提取处理过程，选择比较简单的几何中心法，处理后提取出了光条中心的二值化图像。
然后，通过对图像处理将提取的单像素条纹进行扫描处理，通过最小二乘法拟合直线，从而得到所需的物体表面的参数数据。
最后对所得的数据进行进一步处理，得到相对准确的数据。
实验结果表明，对物体表面特征的识别和处理效果比较好，达到系统的设计要求。
关键词：线结构光，图像处理，像素，最小二乘法The research of the feature distinguish and extraction technology based on laser 3D detectionAbstractWith the rapid development of modern science and technology,higher and higher petitions of 3D technology have been asked. Linear structured light 3d detection is one of the most popular ways for measuring objects surface profile. Because the method of linear structured light has been found wide applied for its advantages of wide range, wide field of view, high accuracy, simple principle and simple structure.The research on the method of linear structured light is of great importance in the area of military, industry, and so on.This thesis described the principle and the make up of linear structured light measurement system. Then generally introduced the four sequences of image processing and calibration,including filtering and binarization, light stripe centre extraction, shape recognition and calibration.On the basis of these theories,this thesis introduced a measurement system of linear structured light, used it to carry out the experiment, and took a series of images of measured objects. Choose some typical images and use VC++ to write software program for processing. By using different methods to do image denoising and binary processing, through comparing, choose the better effects ganssian filter method to deal with the image. The center extraction process of the light stripe choose the relatively simple geometric center method, then we get the binary image of the light stripe center. Then we scan the single pixel image by the image processing, through the least squares method fitting lines, thus we obtain the surface parameters’data for require. Finally get relatively accurate data by the data of income for further treatment.Experimental results show that surface characteristics of objects of recognition and processing effect is good, achieving system design requirements.Key Words：Linear structured light; Image processing; Pixel; Least square method目录摘要 (I)ABSTRACT (II)第一章绪论 ...................................................................................................................................................... - 1 -1.1 课题背景和意义 ....................................................................................................................................... - 1 -1.1.1 光学三维测量技术背景与意义.................................................................................................. - 1 -1.1.2 线结构光测量系统的研究现状.................................................................................................. - 2 -1.1.3 本论文的主要内容 ......................................................................................................................... - 3 -第二章线结构光测量原理.......................................................................................................................... - 5 -2.1 线结构光探测模型的建立 .................................................................................................................... - 5 -2.1.1 三种坐标系........................................................................................................................................ - 5 -2.1.2 线结构光探测系统 ......................................................................................................................... - 6 -2.1.3 结构光模式........................................................................................................................................ - 6 -第三章图像处理 ............................................................................................................................................ - 9 -3.1 图像滤燥与二值化处理......................................................................................................................... - 9 -3.1.1 典型图片的选择 .............................................................................................................................. - 9 -3.1.2 影响光条图像质量的因素 ........................................................................................................... - 9 -3.1.3 图像处理的一般流程................................................................................................................... - 11 -3.1.4 图像滤波 .......................................................................................................................................... - 11 -3.1.5 滤噪与二值化处理 ....................................................................................................................... - 12 -3.2 光条中心提取.......................................................................................................................................... - 13 -3.2.1 光条中心提取方法综述.............................................................................................................. - 13 -第四章程序设计和结果分析 .................................................................................................................. - 16 -4.1 OPENCV介绍 ............................................................................................................................................. - 16 -4.1.1 OPENCV特点 .................................................................................................................................... - 16 -4.1.2 OPENCV在C++环境下的配置 .................................................................................................... - 17 -4.2 程序设计 ................................................................................................................................................... - 19 -4.2.1 程序设计要求................................................................................................................................. - 19 -4.3 结果............................................................................................................................................................. - 20 -4.3.1 图像处理流程及结果................................................................................................................... - 20 -4.3.2 结果计算 .......................................................................................................................................... - 22 -第五章总结与展望 .................................................................................................................................... - 23 -致谢 ............................................................................................................................................................. - 24 -参考文献......................................................................................................................................................... - 25 -附录1线结构光探测系统图像处理程序代码..................................................................................... - 26 -第一章绪论测量是一门古老而富有智慧的科学，从人类文明的诞生至今，已经有几千年的历史了。
三维模型特征提取算法
三维模型特征提取算法一、特征提取需求由来虚拟装配在CAD建模领域使用广泛，Solidworks > Pro/E > UG等都有自己的零件装配程序模块，但是它们相互之间并不能进行直接的数据格式转换。
比如：Solidworks创建一个简单的零件直接用Pro/E打开会丢失很多模型拓扑信息。
STL文件格式是通用的固体三维模型表示文件，常用CAD软件都能打开。
STL文件是一种简单数据格式，其中只记录了模型的顶点和法向量（数据格式下一节具体介绍），大多数CAD软件支持STL文件格式的零件输出。
然而，无论何种CAD软件打幵STL文件之后，都难以读取模型的特征信息，甚至连模型的一个表面都选不中。
在这种情况下，如果我们想把一大堆的STL格式模型，加载到某款CAD软件中进行装配，可能性几乎为零。
在这种情况下，出现了对提取模型拓扑信息的需求。
下面将详细介绍这种方法，并给出在OSG场景中提取一个齿轮面的例子，供大家二、基本概念三角形是三维引擎的基本绘制图元。
任意一个三角形包括三个顶点和一个法向量（三个顶点和一个法向量确定了一个最小单位的表面），无论是什么样子的三维模型都可以分解成三角形的组合。
一个三维模型上的三角形并非独立存在，它们是有相互矢系的，这些矢系主要体现在两方面：（1 ）邻接尖系（共边、共顶点）。
（2）归一化法向量之间的夹角尖系（法向量相等、法向量共面等等）。
通过上述矢系可以把三角形归类，从而组成不同的曲面。
下面以平面和柱面为例对三角形组成的曲面进行介绍。
定义一：模型中任意两个三角形存在公共边，则称两个三角形紧邻。
定义二：模型中任意两个三角形存在公共顶点，则称两个三角形邻接。
定义三：如果存在一组三角形它们具有邻接尖系（紧邻、邻接）并且归一化法向量全等则这一组三角形在同一个平面上。
定义四：如果存在一组三角形它们具有邻接矢系（紧邻、邻接）并且归一化法向量处于某个平面上则这组三角形处在同一个柱面上。
定义五：归一化法向量，满足公式：尖于其他形状的定义大家可以自己总结（如球面、圆柱面、圆锥面等等），这里只给出平面和一般柱面（多面体、圆锥面、圆柱面都是柱面）的定义。