深度数据在空间坐标中就是长度、距离等体现,而基于深度图像中的深度信息来完成三维重构,正是利用其中包含的深度数据信息对物体的表面及轮廓信息进行重现。它在医学上无接触器官骨骼修复、日常生活及娱乐上的虚拟体验、科研上的3D打印物品重造,都具有不可低估的前瞻性和经济。在智能产品日益发达的现代生活,在计算机视觉与人机交互等贴近生活却又关系到每个人自身利益的领域,涉及到深度信息的人脸识别技术等正是研究上避不开的热点,但是在精确度的提升上也是一个需要不断突破的挑战。本文围绕对深度图像信息进行三维场景表面重建的改进提升,涉及到的范围包括在三维重构中间环节的准备工作相机标定、将采集到的深度图像首先着手预处理、深度数据转化为点云数据后接着进行的点云配准及融合、三维物体表面生成等问题进行研巧,本文主要做了以下内容:本文利用zed相机采集深度图像信息,对于相机标定这个重要环节,根据张正友相机标定法的特点,在非线性相机标定中引入图像插值算法对畸变图像信息进行矫正。对于采集到的深度图像信息中含有的空洞区域,提出一种基于脉冲耦合神经网络的均值滤波深度图像修复算法,先对空洞区域进行识别,然后利用具有自适应性均值滤波对深度图像进行修复。将采集并修复后的深度图像信息转化成点云信息,利用结合法线评估结合直方图特征点提取、及RANSAC算法进行点云粗配准,率先选取出大致的目标点云范围,再用ICP算法进行点云精配准及点云融合,从而得到更准确的采集自多视角的点云。对于点云融合后的结果,本文将k-means聚类算法运用到点云的处理上,识别出离群点云再进行剔除,为三维重构提供更加完善的点云信息。至此已经得到了来自多视角较为完整的点云数据,但是这个结果在使用时不够贴近人们日常中的习惯,因此在对比了常用的物体表面重建算法后,选择了适合本文特点的贪婪投影三角化曲面重建,来完成点云数据的三角化,这就完成基于深度图像的三维重构整个流程,可以得到一个具有真实感立体感的三维物体表面模型。