基于機器學習的點云孔洞修補算法的并行化研究.pdf

1、隨著計算機視覺，圖像學等技術的不段發(fā)展與進步，通過掃描設備可以方便的取得模型的散亂點云數(shù)據(jù)，在曲面逆向重建的過程中，可能由于模型自身的不完整或物體遮擋等因素，難免會產(chǎn)生點云數(shù)據(jù)缺失的狀況，將會導致后續(xù)的點云處理效果欠佳，準確的點云缺損數(shù)據(jù)修補是實現(xiàn)曲面模型逆向重建的前提，在對散亂點云數(shù)據(jù)進行建模之前，需要對缺損點云數(shù)據(jù)進行修補。
　　本文在研究國內(nèi)外研究的基礎上，以散亂數(shù)據(jù)點云為對象，針對點云模型中存在的孔洞，研究了散亂點云孔洞修

2、補過程和基于機器學習中徑向基函數(shù)RBF(Radial basis function)的孔洞修補算法，可以直接擬合散亂點云的隱式曲面方程，有效的對測量過程中產(chǎn)生的缺損數(shù)據(jù)進行孔洞修補。由于大量散亂點云數(shù)據(jù)會引起算法計算量的增加，為了加快算法效率，考慮目前的并行技術，如多核加速(OpenMP)、GPU加速(CUDA)、以及CPU/GPU混合并行技術對算法進行并行優(yōu)化以縮短其運行時間，提高執(zhí)行效率。通過對實驗結果的加速效率分析，驗證了算法的可

3、并行性，驗證了算法的有效性。論文的主要工作如下:
　　1.對常規(guī)孔洞修補算法的基本過程和徑向基函數(shù)插值過程進行了研究，實現(xiàn)了基于多尺度徑向基函數(shù)的點云孔洞修補算法。
　　2.對串行算法在多核CPU上進行改進，分析并設計實現(xiàn)了基于OpenMP的多核并行算法，并在不同環(huán)境下進行實驗結果分析，算法取得了較好的加速效率。
　　3.設計實現(xiàn)了基于CUDA的并行算法，并在不同環(huán)境下進行實驗結果分析，算法取得了較好的加速效率。