点云模型骨架提取(ROSA)-liyc汇总.
立方体点云模型 角点提取
立方体点云模型角点提取立方体点云模型是一种常见的三维几何模型，它由一系列点云组成，表示了一个立方体的表面形状和结构。
角点提取是在点云数据中找到立方体的角点位置的过程，它在计算机视觉和图形学领域中具有重要的应用。
首先，让我们来理解什么是点云模型。
在三维计算机图形学中，点云是由大量的点组成的集合，每个点都具有自己的位置坐标。
当这些点形成一个完整的几何体时，我们就可以得到一个点云模型。
在立方体点云模型中，这些点的位置坐标遵循立方体的几何特征，这使得我们能够通过分析点云数据来提取立方体的角点。
角点提取是在点云数据中找到具有尖锐边缘和明显变化的位置的过程。
在立方体点云模型中，角点是指立方体的每个角落的位置。
通过提取这些角点，我们可以获得立方体的边缘信息，进而用于各种应用，如三维重建、物体识别和姿态估计等。
那么，如何进行角点提取呢？通常来说，角点提取算法包括以下几个步骤：1. 数据预处理：将原始的点云数据进行滤波和降噪处理，以去除噪声和无关的点，从而提高角点提取的准确性和效率。
2. 特征计算：通过计算每个点的局部特征信息，如曲率、法线向量等，来确定点云数据中可能存在的角点位置。
3. 角点检测：根据特征的变化情况，使用一定的阈值判断来标记每个点是否为角点，从而实现角点的提取。
4. 后处理：对提取到的角点进行进一步的筛选和优化，以得到更准确和稳定的结果。
在实际应用中，角点提取算法可以基于不同的算法原理和技术方法来实现。
常见的方法包括基于曲率的方法、基于法线变化的方法和基于深度距离的方法等。
这些方法可以根据具体的应用场景和需求进行选择和组合，以获得最佳的角点提取效果。
通过角点提取算法，我们可以在立方体点云模型中准确地找到每个角落的位置，从而实现对立方体结构的建模和分析。
同时，角点提取也为其他形状的点云模型的特征提取和分析提供了指导和借鉴意义。
综上所述，立方体点云模型的角点提取是一项重要的任务，在三维计算机图形学和计算机视觉领域具有广泛的应用。
一种新的点云数据特征骨架提取方法
一种新的点云数据特征骨架提取方法
邹万红;陈志杨;叶修梓;张三元
【期刊名称】《浙江大学学报（工学版）》
【年(卷),期】2008(042)012
【摘要】为解决点云数据的线骨架提取问题,为点云数据的后续几何处理的奠定基础,提出了一种新的点云数据骨架提取方法.通过对点云数据的空间层次剖分后建立其简化模型,可有效地避免噪声点对骨架的干扰;根据离散Morse理论,从简化模型中提取主要的特征点,用测地线连接这些主要特征点可得到模型的初步骨架.采用可见反力场方法将初步骨架内推至模型内部,对内推后的骨架光顺及聚类后形成最终骨架.该方法能够直接处理带噪声数据的大规模点云数据,所形成的骨架连续.
【总页数】5页(P2103-2107)
【作者】邹万红;陈志杨;叶修梓;张三元
【作者单位】浙江大学,CAD&CG国家重点实验室,浙江,杭州,310027;浙江工业大学,软件学院,浙江,杭州,310014;浙江大学,CAD&CG国家重点实验室,浙江,杭州,310027;浙江大学,CAD&CG国家重点实验室,浙江,杭州,310027
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种新的散乱点云尖锐特征提取方法 [J], 吾守尔·斯拉木;曹巨明
2.一种树枝点云的骨架提取方法 [J], 赵艳妮;郭华磊
3.一种新的固体潮观测数据特征量提取方法 [J], 吕品姬;赵斌;陈志遥;李正媛
4.点云数据特征点提取方法的比较 [J], 杨斌杰;鲁铁定
5.基于曲率法线流的树点云骨架提取方法 [J], 郝腾宇; 耿楠; 胡少军; 张志毅
因版权原因，仅展示原文概要，查看原文内容请购买。
一种稀疏点云环境下的单株树骨架提取算法
一种稀疏点云环境下的单株树骨架提取算法李巍岳;刘春;吴杭彬;孙伟伟【期刊名称】《遥感信息》【年(卷),期】2014(000)006【摘要】树木骨架是树木可视化及建模的基础，目前的研究中多数利用三维网络模型或体素化模型，缺少直接在点云中提取骨架的研究；特别是在稀疏点云条件下，数据精度不高，树叶与枝干之间存在遮挡，骨架提取变得异常困难。
为此，本文提出了一种提取算法，主要包括如下步骤：①通过模糊 c-均值聚类，对离散点云进行分割；②通过 B 样条曲线拟合聚类团质心，形成枝干自由型结构；③利用法矢方向变化率阈值，确定树木节点的位置。
将该方法分别应用到地面及机载 LiDAR数据的树木骨架提取中，得到了较好的效果。
%Tree skeleton is a basis about virtual trees and modeling.In the current study,most researchers use three dimensional network and subvoxel models,which is lack of the study on point cloud skeleton extraction directly.Especially with sparse point cloud,data accuracy is not high;there is a dense covering between leaves and branches,and it is very difficult for skeleton extraction.Therefore,this paper presented a kind of extraction algorithm,which mainly included the following steps:(1)the division of discrete point cloud based on fuzzy c-means clustering;(2)the centroids of clustering groups were fitted intofree-form structures of branches by B-spline curves;(3)the position of branch nodes were detected by the threshold for direction varying ratio ofnormal vectors.Methods were applied to tree skeleton of ground and airborne LiDAR data,which demonstrated better performance.【总页数】6页(P84-89)【作者】李巍岳;刘春;吴杭彬;孙伟伟【作者单位】同济大学测绘与地理信息学院，上海 200092; 矿山空间信息技术国家测绘地理信息局重点实验室，焦作 454000;同济大学测绘与地理信息学院，上海 200092; 现代工程测量国家测绘地理信息局重点实验室，上海 200092;同济大学测绘与地理信息学院，上海 200092;同济大学测绘与地理信息学院，上海200092【正文语种】中文【中图分类】P236【相关文献】1.一种垂直分布环境下的特征选择及规则提取算法 [J], 吴微微;施祖平2.复杂环境下的运动人体骨架提取算法 [J], 雷涛;罗薇薇;樊养余;沈瑜3.一种基于车载激光扫描点云数据的单株行道树信息提取方法 [J], 吴宾;余柏蒗;岳文辉;谈文琦;胡春凌;吴健平4.一种主瓣干扰环境下的雷达目标参数\"同维\"稀疏估计方法 [J], 周必雷;王永良;段克清;戴凌燕;李荣锋;陈风波5.一种强噪声环境下的水声信号提取算法研究 [J], 常浩;杨立波;石宇轩;侯晋超因版权原因，仅展示原文概要，查看原文内容请购买。
c++ 代码 从骨架线提取端点和拐点
在这篇文章中，我们将深入讨论如何从C++代码中提取骨架线的端点和拐点。
骨架线是指在图像或者图形中具有一定宽度的线条的中心线，提取骨架线的端点和拐点对于图像处理和模式识别中的很多应用都非常重要。
在C++中，我们可以利用一些图像处理的库来实现这一目标，例如OpenCV等。
我们需要了解骨架线的特点和提取端点和拐点的意义。
骨架线的端点是指骨架线上的端点，而拐点则是指骨架线上的拐角处。
提取这些点的目的在于分析骨架线的形状，以便进行更深入的图像分析和识别。
接下来，让我们来分析如何从C++代码中实现端点和拐点的提取。
我们可以通过图像处理库中的相关函数来实现这一目标。
我们需要对图像进行预处理，包括灰度化、二值化和边缘检测等操作。
我们可以利用骨架线提取算法来获取骨架线，并进一步提取端点和拐点。
在C++代码中，我们可以使用OpenCV库来实现骨架线的提取和端点/拐点的获取。
我们可以利用OpenCV中的函数来进行图像的预处理，包括cvtColor()进行灰度化、threshold()进行二值化、Canny()进行边缘检测等。
我们可以利用OpenCV中的findContours()函数来提取骨架线，再利用一些自定义的算法来获取端点和拐点。
在实现端点和拐点的提取过程中，我们需要考虑一些特殊情况，例如端点和拐点的定义、算法的复杂度和效率等。
我们还需要考虑如何对提取出的端点和拐点进行进一步的处理和利用，例如在图像识别、模式匹配、形状分析等领域中的具体应用。
总结来说，从C++代码中提取骨架线的端点和拐点是一个复杂而有价值的任务。
我们可以通过图像处理库中的相关函数来实现这一目标，例如利用OpenCV来进行图像的预处理和骨架线的提取，然后利用一些自定义的算法来获取端点和拐点。
这一过程涉及到图像处理、算法设计和应用等多个领域，对于我们深入理解图像结构和形状分析具有重要意义。
希望本文可以帮助您更深入地理解这一主题，同时也能够对您在C++代码中的实际应用有所帮助。
基于区域分割的点云骨架提取算法
基于区域分割的点云骨架提取算法晁莹;耿国华;张雨禾;张靖【摘要】In order to solve the problem that the L1 median skeleton extraction method involves many iterations and the skeleton easily crosses the region of the tight adjacent region,an algorithm for extracting skeleton after segmentation is proposed.According to the connectivity of the region of point cloud and the local correlation characteristics,the point cloud can be segmented into different regions using the Markov Random Field(MRF) model.Different initial contraction neighborhood scales are adaptively calculated in terms of region size and number of points in the same labeled region.The skeleton branches of each region are extracted by L1 median iteration.The skeleton connection is determined by Principal Component Analysis(PCA) and connection angle.Then the skeleton branch is connected to a complete point cloud skeleton according to the connection mode.Experimental results show that the algorithm can adaptively extract the skeleton of the points cloud and reduce the number of iterations to contract points cloud.It not only can keep the original topological structure of the model,but also has a good effect on the model with uneven region tightness.%针对L1中值骨架提取方法存在迭代次数较多、相邻区域较紧密时骨架易跨越区域等问题,提出一种分区提取骨架的算法.结合点云区域的连通性及局部相关性,采用马尔科夫随机场模型,将给定点云分割成不同区域.在相同标号的区域根据区域大小和点集数自适应地计算不同的初始收缩邻域尺度,用L1中值不断收缩迭代提取各区域的骨架分支,通过主成分分析及连接角判定骨架连接方式,并根据该连接方式将骨架分支连接成完整的点云骨架.实验结果表明,该算法能够自适应地提取点云骨架,减少点云收缩的迭代次数,保持模型原有的拓扑结构,对于含有区域紧密度不均匀的模型有较好的效果.【期刊名称】《计算机工程》【年(卷),期】2017(043)010【总页数】7页(P222-227,233)【关键词】点云模型;马尔科夫随机场;区域分割;属性信息;骨架提取【作者】晁莹;耿国华;张雨禾;张靖【作者单位】西北大学信息科学与技术学院,西安710127;西北大学信息科学与技术学院,西安710127;西北大学信息科学与技术学院,西安710127;西北大学信息科学与技术学院,西安710127【正文语种】中文【中图分类】TP391.4骨架模型(中轴)[1]是三维模型的概括表示形式,也是表示三维模型拓扑结构的主要方法,既能直观反映原始模型的拓扑连接性,同时又能很好表示出物体的形状特征。
点云平面特征提取
点云平面特征提取
点云平面特征提取是计算机视觉领域中的一个重要研究方向，它可以帮助我们从点云数据中提取出平面特征，从而实现对三维场景的理解和分析。
在本文中，我们将介绍点云平面特征提取的基本原理和常用方法。
点云是由大量的三维点组成的数据集合，它可以用来表示物体的形状、位置和姿态等信息。
在实际应用中，我们通常需要从点云数据中提取出一些特征，以便进行后续的处理和分析。
其中，平面特征是点云数据中最常见的一种特征，它可以用来表示物体表面的平坦区域，如墙面、地面、天花板等。
点云平面特征提取的基本原理是通过对点云数据进行分割，将点云数据中的平面区域和非平面区域分开。
在实际应用中，我们通常采用以下两种方法来实现点云平面特征提取：
1. 基于几何模型的方法：这种方法是通过对点云数据进行几何建模，来提取出平面特征。
其中，最常用的几何模型是平面模型和球面模型。
在平面模型中，我们通常采用RANSAC算法来拟合平面模型，从而提取出平面特征。
在球面模型中，我们通常采用Hough变换来拟合球面模型，从而提取出球面特征。
2. 基于深度学习的方法：这种方法是通过深度学习技术来实现点云平面特征提取。
其中，最常用的深度学习模型是卷积神经网络
（CNN）。
在这种方法中，我们通常将点云数据转换成图像数据，然后使用CNN模型来提取出平面特征。
点云平面特征提取是计算机视觉领域中的一个重要研究方向，它可以帮助我们从点云数据中提取出平面特征，从而实现对三维场景的理解和分析。
在实际应用中，我们可以根据具体的需求选择不同的方法来实现点云平面特征提取。
浅述骨架提取算法及举便
广 到三 维 则 为最 大球 。骨 架 就 是最 大 球 的中 心 。一般 说
来 ，骨 架 必 须 保 持 三 个 特 性 ： 一 是 连 续 性 ， 即 连 通 结 构 必 须 细 化 成 连 通 线 结 构 ； 二 是 中 心 性 ， 即 骨 架 与 图 像 具 有 结 构 同 一 ；三 是 最 小 宽 度 为 １ 。 此 外 ，骨 架 的 定 义 还 有 很 多 种 ， 如 脊 点 投 影 骨 架 、
（ Ｙ 蟛 （Ｙ定义。 ） ） ， ，
式中 ，ａ 为大 于１ 的系数 。而 势能 计算如 下 ：
∑， ） （
Ｅ ： 一 — 一 一
式 中 ， ｒ 为 该点沿 方 向到可视 边界 点 的距离 。 （）
而 基 本 骨 架 点 的判 断 如 下 ： 以 当 前 点 为 中心 ，考 察 其
现 有的骨架化法 则 ，萃取法 则是被设计 为不连 通的 。给 出
Ｏ ｌ Ｏ Ｏ ｌ ｌ ｌ Ｏ Ｏ Ｏ Ｏ Ｏ ０ ｌ ｌ Ｏ
０ ０ ０ ｌ ０ ０ ｌ ０
不等图Ｍ（ ＝ ｘ ） ，
Ｔ ｌ
∑ （ ． 定义。这里： ｙ ，）
点的集 合就称 为这个 平面 多边 形区 域Ｒ 的骨架 。
由于骨 架 定义 中 具有 点到边 界 距 离最 小 的性 质 ，因
此 可 以利 用 许 多 中心 位 ＿ 架 线 上 的圆 盘 区域 的并 集覆 丁骨
盖 与 该骨 架线 对 应 的区域 。这些 圆盘 的 中心 为距 离边 界
最 远 的 点 。 这 些 圆 盘 称 为 最 大 圆 （ ａ ｉ ａ ｄ ｓ ） ，推 ｍ ｘｍ ｌ ｉｋ
对邻近 点的势能矢量对 ，若两者角 为钝 角 ，则可 以认为当 前点在该对称 方 向的势 能为０ 。若所有４ 对称邻近 点在当 对
三角网格模型骨架提取算法
随着计算机图形学的发展，对三维模型的研究日益深入，骨架作为形状表示的一种有效形式，在三维模型的各个研究领域被运用。
骨架的狭义定义最初由Blum [1]提出，当时他称骨架为“中轴”（Medial Axis ）[2]。
骨架的经典定义有两种[3]：一种是烧草模型，如图1所示，从模型表面开始点火，火焰从物体边界上的两点同时向内部推进，轨迹随时间形成等距的同心圆，同心圆的相遇点所构成的集合即为骨架；另外一种是更直观的定义，即最大圆盘模型。
如图2所示，骨架点是所有最大圆盘的圆心集合，最大圆盘即是完全包含在物体内部且至少与物体边界相切于两点的圆。
骨架上的每一个点都是这些内切圆的圆心，这些圆沿着骨架分布正好填充物体的内部。
由于模型的骨架很好地保留了模型的拓扑形收稿日期：2019-05-14作者简介：王洪申（1969—），男，甘肃兰州人，博士，教授，研究方向：CAD/CAM 。
†通讯联系人，E-mail ：*****************三角网格模型骨架提取算法王洪申，张家振†，张小鹏（兰州理工大学机电工程学院，甘肃兰州730000）摘要：骨架图能够直观表达三维模型几何形状，很好地反映模型的拓扑特征，在工业机器人抓取、特征识别等领域有着广泛的应用。
针对三角网格表达的工业零件给出一种骨架提取算法，该算法采用Reeb 图对三角网格进行骨架的抽取运算。
首先读取三角网格文件，并对复杂的三角网格进行简化处理，然后遍历所有的三角网格，采用Dijkstra 算法抽取基本点集，根据定义的连续函数计算每个顶点的函数值，最后根据函数值得出模型的基本骨架。
实验表明，该算法具有良好的计算效果和效率，提取出的骨架图较好地保存了三维模型拓扑结构和姿态，可作为后续研究三维模型搜索的特征描述符。
关键词：骨架图；三角网格；三维模型；拓扑结构；Reeb 图中图分类号：G633.6文献标识码：ATriangular Mesh Model Skeleton Extraction AlgorithmWANG Hong-shen ，ZHANG Jia-zhen †，ZHANG Xiao-peng（School of Mechanical and Electrical Engineering ，Lanzhou University of Technology ，Lanzhou ，Gansu 730000，China ）Abstract ：The skeleton diagram can visually express the geometry of the 3D model and reflect the topological features of themodel well.It has a wide range of applications in the fields of industrial robot capture and feature recognition.A skeleton extraction al -gorithm is proposed for the industrial parts expressed by the triangle mesh.The algorithm uses the Reeb diagram to extract the skeleton from the triangular mesh.First read the triangle mesh file ，and simplify the complex triangle mesh ，then traverse all the triangle mesh -es ，extract the basic point set by Dijkstra algorithm ，calculate the function value of each vertex according to the defined continuous function ，and finally The function deserves the basic skeleton of the model.Experiments show that the proposed algorithm has goodcomputational efficiency and efficiency.The extracted skeleton map preserves the topology and pose of the 3D model ，and can be usedas a feature descriptor for the subsequent research of 3D model search.Key words ：skeleton diagram ；triangular mesh ；3D model ；topology ；Reeb diagram第39卷第2期2020年6月计算技术与自动化Computing Technology and AutomationVol.39，No.2Jun.2020文章编号：1003—6199（2020）02—0145—05DOI ：10.16339/ki.jsjsyzdh.202002029态及其连接特性，所以经常被用于模型渲染、模型表面重建、碰撞检测、模型检索等应用中，在工业零件的视觉识别领域也有广泛的用途。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Microsoft Kinect (Real time Point Cloud)
4
选题理由
2) 模型骨架广泛应用于形状分解、模型匹配、模型动画，数 字导航及医学图像等领域 .
H. Sundar et al 2003
Yotam Livny et al, SIGGRAPH ASIA 2010
Q. Zheng et al, EG 2010.
Bunny 35947 Igea 134345
表1 本文算法与相关算法简化性能的对比
最大误差 模型
平均误差
均方根误差
本文
Bunny Igea 0.003763 0.000124
文献[12]
0.086169 0.000224
文献[13]
0.112649 0.000721
本文
0.000176 0.000013
利用法向信息对缺失点云进行弥补，从而保证骨架点的有效性.
18
点云模型骨架提取
2) 粗骨架提取
将骨架看做点云模型的广义旋转对称轴[Andrea2009], 提取各分支
的粗骨架.
输入点云
分割结果
粗骨架提取
19
点云模型骨架提取
2) 粗骨架连接
采用拉普拉斯光顺处理, 使各分支粗骨架连接成整体.
分割结果
粗骨架提取
点云精简算法流程
11
点云模型的预处理
2) 点云精简性能分析
左: 同一简化率(90%)不同输入模型的时间效率
右: 同一输入模型(Igea)不同简化率的时间效率
12
点云模型的预处理
2) 点云精简性能分析
模型 输入点数 输出点数 本文 4562 9199 文献[12] 4402 9144 文献[13] 4549 9384 本文 2.6 10.4 简化时间 文献[12] 0.56 4.05 文献[13] 0.78 8.92
3. 基于K均值模糊聚类对点云模型进行有意义的分割[Ma 2007] .
点云模型骨架提取
2) 粗骨架提取
将骨架看做点云模型的广义旋转对称轴[Andrea2009], 提取各分支 的粗骨架.
左, 为骨架点位置定义. 右, 为骨架点方向定义
17
点云模型骨架提取
2) 粗骨架提取
将骨架看做点云模型的广义旋转对称轴[Andrea2009], 提取各分支 的粗骨架.
模型去噪
含有噪声模型
去噪后模型
10
点云模型的预处理
2) 点云模型精简
提出一种基于二次误差度量[Garland1997]的自适应点云简化方法. 1. 基于曲率信息提取特征点[Song H. 2009]，防止几何特征的丢失. 2. 通过构造曲率自适应覆盖球[ Ohtake2005] ，对非特征点进行简化.
2) 点云模型骨架提取
基于文献 Andrea 2008本文提出一种基于模型分割的点云骨架提取方法 , 对含 有冗余、噪声和数据缺失的模型具有较高的鲁棒性 .
25
26
1) 点云模型分割
基于K均值模糊聚类对点云模型进行分割[Ma 2007] , 防止模型多 分枝间的相互干扰 .
点云分割结果.
15
点云模型骨架提取
1) 点云模型分割
1. 本文采用测地距离作为聚类的相似性度量[Joshua B T 2000].
2.确定初始聚类中心[Zhou Y N 2004], 并进行优化[Xie X L 1996] .
Dennie Reniers et al, IEEE SMA 2007 5
选题理由
3) 现有点云模型骨架提取算法不多 , 同时对输入模型的孔 洞和噪声较为敏感 .
含有噪声的模型
不完整点云的骨架提取（Zhang Hao et al. siggraph 2009）
含有孔洞的模型
6
研究现状
Dey et al. ESGP 2006.
粗骨架连接
20
点云模型骨架提取
2) 粗骨架细化
构造滤波器[Peter J 1986], 对提取的粗骨架进行细化.
粗骨架提取
粗骨架连接
滤波细化
二次中心化
下采样
21
实验结果 ( 点云模型骨架提取结果 )
完整点云
缺失点云
22
实验结果 ( 点云模型骨架实验结果 ( 点云模型骨架提取结果 )
Andrea Tagliasacchi et al. Siggraph 2008.
Junjie Cao et al. IEEE SMA 2010 . Yotam Livny et al. SIGGRAPH ASIA 2010
7
答辩内容纲要
研究背景 核心工作 实验结果
内容总结
8
核心工作
文献[12]
0.005009 0.000011
文献[13]
0.005495 0.000030
本文
0.000252 0.000010
文献[12]
0.007660 0.000017
文献[13]
0.009081 0.000054
表2 本文算法与相关算法的简化误差对比
13
点云模型骨架提取
骨架提取流程
14
点云模型骨架提取
1)模型去噪 : 去除点云中的噪声点和离群点 , 防止对后续的骨
架提取造成干扰 .
2)模型精简 : 去除点云中的冗余数据 , 提高骨架提取速度 .
3)骨架提取 : 对于去除噪声和冗余的点云模型 , 利用点云的离 散信息提取出模型的一维线骨架 .
9
点云模型的预处理
1) 点云模型去噪
构造类似于均值漂移方法的光顺迭代算子 [ Ohtake2005] 对点云 模型进行光顺去噪 .
多种姿态的Armadillo模型骨架提取结果
24
内容总结
本文的点云骨架提取方法旨在从算法的鲁棒性角度入手 , 较为复杂的 , 含有噪 声和数据缺失的点云模型提取较为完整的曲线骨架 . 针对该问题，本文所做 的主要工作如下 :
1) 点云模型预处理
基于文献 Garland 2007本文提出一种基于二次误差度量的自适应点云简化方法 , 在较好保持模型几何特征的前提下，有效消除原始点云中的冗余点 .
1
内容纲要
研究背景 核心工作 实验结果
内容总结
2
研究目标
本选题研究点云模型的骨架提取算法 , 希望对含冗余、噪声及 数据缺失的原始点云模型提取较为完整的模型骨架 .
骨架提取
3
选题理由
1) 随着点云数据获取技术的飞速发展 , 点云成为计算机
图形学、计算机视觉等学科的研究热点 .
Stanford Digital Michelangelo Project