三维数据智能处理

《三维数据智能处理》是一本全面介绍三维数据及其智能处理技术的专著。书中详细阐述了三维数据的基础知识、获取与处理技术，以及智能算法在三维数据处理中的创新应用。从三维数据的采集、存储、可视化到智能分析，本书均进行了深入的探讨，并结合实例展示了三维数据智能处理在医疗、工业、娱乐等多个领域的广泛应用。本书不仅为专业人士提供了三维数据处理的理论基础和实用技术，也为广大读者提供了深入了解三维数据智能处理领域的窗口。

刘晓妮，女，吉林工程技术师范学院，教研室主任。吉林大学，计算机科学与技术专业，博士。2023年4月，参与中国工程院院地合作项目《吉林省科技创新赋能文化创意产业高质量发展战略研究》。发表论文有：（1）An Improved Local Descriptor based Object Recognition in Cluttered 3D Point Clouds[J].International Journal of Computers Communications Control（SCI期刊）,2018,13(2):221-234.(000430284100007).（第一作者）；（2）基于FCM和离散正则化的多目标图像分割[J]. 计算机辅助设计与图形学学报,2015(1): 142-146.（3）基于动态策略的网络视频监控系统[J]. 吉林大学学报(工), 2015, 45(5): 1601-1607.(20154101347221). 等。

第1 章 三维数据 001 1.1 三维数据产生的背景及意义 001 1.2 超像素 004 1.2.1 产生背景和历史发展 005 1.2.2 超像素原理阐述 005 1.2.3 超像素生成方法 006 1.3 超体素 010 1.3.1 产生背景和历史发展 011 1.3.2 超体素原理阐述 012 1.3.3 算法实现 012 1.4 点云数据 012 1.4.1 点云数据的几何属性 013 1.4.2 点云数据的特性 016 1.4.3 点云数据的获取方法 018 1.4.4 基于图像序列的点云生成 020 1.4.5 三维点云数据的应用 022 1.5 RGB-D 数据 026 1.5.1 产生背景和历史发展 026 1.5.2 原理阐述 027 1.5.3 生成方法介绍 027 1.6 本章小结 028 第2 章 三维数据识别 031 2.1 识别方法 031 2.2 聚类简介 034 2.3 本章小结 035 第3 章 三维数据特征提取 037 3.1 基于统计信息内容的特征提取 037 3.1.1 全局特征 037 3.1.2 局部特征 039 3.2 基于视图投影的特征提取 041 3.3 基于函数变换的特征提取 043 3.4 基于多特征融合的特征提取 045 3.5 三维数据特征提取过程 046 3.6 本章小结 047 第4 章 基于核的三维模糊C 均值聚类的体数据识别方法 049 4.1 引言 049 4.2 相关工作 050 4.3 方法描述 052 4.3.1 图像预处理 053 4.3.2 体素特征描述 054 4.3.3 构建空间种子点 056 4.3.4 SLIC 生成超体素 056 4.3.5 计算超体素的统计特征 057 4.3.6 基于核的三维模糊C 均值聚类 057 4.4 案例分析 060 4.4.1 运行环境及数据库 060 4.4.2 超体素生成结果评估 060 4.4.3 方法识别结果精确性评估 062 4.5 本章小结 067 第5 章 基于超体素几何特征的三维点云场景识别方法 069 5.1 引言 069 5.2 相关工作 070 5.3 方法描述 071 5.3.1 基于八叉树的体素化 073 5.3.2 基于FPFH 特征的点云超体素识别 074 5.3.3 改进的局部坐标系 077 5.3.4 超体素几何特征的计算 079 5.3.5 基于局部连接图的聚类识别 081 5.4 案例分析 083 5.4.1 数据库和评估指标 083 5.4.2 结果分析 085 5.5 本章小结 089 第6 章 基于视觉显著图的RGB-D 数据识别方法 091 6.1 引言 091 6.2 相关工作 091 6.3 方法描述 093 6.3.1 由RGB-D 数据生成显著图 094 6.3.2 由RGB-D 数据生成点云数据 100 6.3.3 生成初始超体素识别 101 6.3.4 基于几何距离和颜色距离的超体素特征描述 103 6.3.5 超体素迭代合并 104 6.4 案例分析 104 6.4.1 视觉显著性检测方法分析 104 6.4.2 识别性能量化对比 105 6.5 本章小结 107 第7 章 基于FCM 和离散正则化的多目标图像识别 109 7.1 引言 109 7.2 相关工作 110 7.2.1 模糊C 均值聚类原理 110 7.2.2 离散正则化原理 110 7.3 多目标三维图像识别方法 112 7.3.1 图像增强预处理 112 7.3.2 基于直方图的FCM 聚类 113 7.3.3 基于离散正则化的半监督修正方法 114 7.4 案例分析 116 7.5 本章小结 117 第8 章 基于特征点检测的三维网格聚类识别算法 119 8.1 引言 119 8.2 相关工作 120 8.2.1 三维网格识别类型 120 8.2.2 基于K-D 树的空间结构描述 121 8.3 方法描述 122 8.3.1 特征点检测 122 8.3.2 对特征点聚类 125 8.3.3 基于聚类的网格识别 126 8.4 案例分析 126 8.4.1 特征点检测实验 126 8.4.2 识别算法评估指标 128 8.5 本章小结 131 第9 章 基于显著性分析和VCCS 的三维点云超体素分割方法 133 9.1 引言 133 9.2 相关工作 133 9.3 方法描述 134 9.3.1 由RGB-D 数据生成显著图 135 9.3.2 由RGB-D 数据生成点云数据 139 9.3.3 建立邻域图 140 9.3.4 选取种子点初始化超体素 141 9.3.5 特征描述和距离度量 142 9.3.6 基于显著图和VCCS 的超体素分割 143 9.4 案例分析 143 9.5 本章小结 144 第10 章 基于局部特征描述的复杂三维点云场景目标检索方法 145 10.1 引言 145 10.2 相关工作 146 10.2.1 局部特征描述的目标检索 146 10.2.2 三维点云目标识别的方法步骤 147 10.3 方法描述 148 10.3.1 方法概述 148 10.3.2 改进的局部坐标系框架 149 10.3.3 产生新的SHOT 局部特征描述 151 10.4 案例分析 152 10.4.1 对生成局部坐标系的鲁棒性评估 152 10.4.2 Retieval 数据集的性能评估 153 10.4.3 特征描述性评估 154 10.4.4 三维目标检索算法评估 155 10.5 本章小结 156 第11 章 总结与展望 157 11.1 总结 157 11.2 研究成果及未来展望 158 11.2.1 研究成果 158 11.2.2 未来展望 159 参考文献 163