影像一致性优化的视图选取策略

在三维重建中,网格优化通常用于解决密集点云构建的三角网格含有较多噪声且缺少细节的问题。现有的变分优化方法利用完整的影像数据对初始网格进行影像一致性优化,但在一定程度上忽视了影像信息的冗余以及视图的质量对网格优化的影响。对此,本文提出主视图选取与从视图选取策略,以提升网格优化的效率与质量。首先综合影像梯度幅值与轮廓检测,构建马尔科夫随机场,为每个三角面选取主视图;其次根据相应的观测条件为每个主视图选取从视图;然后计算主、从视图间归一化加权的影像一致性;最后利用梯度下降法最小化表面能量函数,实现网格优化。试验在定性和定量上证实了本文方法的有效性,表明本文方法能恢复更多精细细节,且优化的时间更短、精度更高。

基于深度卷积神经网络的三维模型检索

为了更有效地利用三维模型数据集进行特征的自主学习,提出一种使用自然图像作为输入源,以三维模型的较优视图集为基础,通过深度卷积神经网络的训练提取深度特征用于检索的三维模型检索方法。首先,从多个视点对三维模型进行视图提取,并根据灰度熵的排序选取较优视图;然后,通过深度卷积神经网络对视图集进行训练,从而提取较优视图的深度特征并进行降维,同时,对输入的自然图像提取边缘轮廓图,经过相似度匹配获得一组三维模型;最后,基于检索结果中同类模型总数占检索列表长度的比例对列表进行重排序,从而获得最终的检索结果。实验结果表明,该算法能够有效利用深度卷积神经网络对三维模型的视图进行深度特征提取,同时降低了输入源的获取难度,有效提高了检索效果。