在医学图像的三维重建的过程中,结合图像分割算法,一个序列的CT图像会产生多个不同器官的三角形网格,部分器官如骨骼等会含有大量的顶点和三角形面片。运行分割算法和存储大量的器官模型都需要一个性能强大的服务器,但是在检索网格模型的过程,传输整个模型是没有必要的,既消耗大量的网络带宽也增加了用户等待的时间。本文探讨一种动态传输3D网格模型的方法,服务器端传输含有特征点的点云数据,客户端使用这些数据进行表面重建,最后介绍相应的评价算法和应用场景。本文主要工作分为以下几个部分:第一个部分讨论三角形网格的特征点检测算法,这些特征点算法主要是基于三角形面片的空间拓扑特性或是频谱域的特性,使用相应的算子(计算公式)计算每个顶点的显著性值。依据顶点的显著性值计算出相应的局部特征点与全局特征点。本文探讨并修改相关的特征点检测算法,以使这些算法可以检测出足够的特征点用于表面重建。本文研究的特征点检测算法分为两大类,第一类为基于空间邻域的特征点算法,如Harris-3D,第二类为基于频谱域的特征点检测算法,如Stochastic Mesh Laplacian。实验部分将这些特征点检测算法应用于医学3D模型与标准3D模型中进行检测与对比。第二个部分讨论点云的表面重建算法,主要研究Power Crust、SSDRecon以及Screened Poisson这三个经典的表面重建算法。实验部分比较了这三个算法的重建效果以及性能差异,发现Screened Poisson算法综合性能优于另外两个算法,并将该算法应用于本文提出的含有特征点的点云模型的表面重建中。本文提出的点云模型由泊松碟采样算法采集的随机点和特征点算法检测的特征点组成,前者用于保持模型的整体拓扑形状,后者用于保留重要区域的细节信息。此外还探讨了两种计算顶点法线的算法的差异。第三个部分主要是介绍相应的评价算法,SSIM指数用于定量评价重建模型与原始模型在二维视觉上的相似度,离散尺度轴用于定量评价重建模型与原始模型在三维形状结构上的相似度。实验发现,使用本文提出的点云模型重建出来的网格模型在二维视觉与三维结构上都与原始模型保持了较高的相似度,以及重建的过程中点云中顶点的数量占原始模型顶点数量的30%是一个较优的选择。最后介绍基于特征点的表面重建算法与网格检索算法以及网格分割算法的组合应用场景,这些算法的组合主要用于动态传输3D模型以减少传输的数据量。