论文部分内容阅读
随着计算机视觉,图像学等技术的不段发展与进步,通过扫描设备可以方便的取得模型的散乱点云数据,在曲面逆向重建的过程中,可能由于模型自身的不完整或物体遮挡等因素,难免会产生点云数据缺失的状况,将会导致后续的点云处理效果欠佳,准确的点云缺损数据修补是实现曲面模型逆向重建的前提,在对散乱点云数据进行建模之前,需要对缺损点云数据进行修补。本文在研究国内外研究的基础上,以散乱数据点云为对象,针对点云模型中存在的孔洞,研究了散乱点云孔洞修补过程和基于机器学习中径向基函数RBF(Radial basis function)的孔洞修补算法,可以直接拟合散乱点云的隐式曲面方程,有效的对测量过程中产生的缺损数据进行孔洞修补。由于大量散乱点云数据会引起算法计算量的增加,为了加快算法效率,考虑目前的并行技术,如多核加速(OpenMP)、GPU加速(CUDA)、以及CPU/GPU混合并行技术对算法进行并行优化以缩短其运行时间,提高执行效率。通过对实验结果的加速效率分析,验证了算法的可并行性,验证了算法的有效性。论文的主要工作如下：1.对常规孔洞修补算法的基本过程和径向基函数插值过程进行了研究,实现了基于多尺度径向基函数的点云孔洞修补算法。2. 对串行算法在多核CPU上进行改进,分析并设计实现了基于OpenMP的多核并行算法,并在不同环境下进行实验结果分析,算法取得了较好的加速效率。3.设计实现了基于CUDA的并行算法,并在不同环境下进行实验结果分析,算法取得了较好的加速效率。4. 设计实现了基于OpenMP和CUDA的混合并行算法,并在不同实验环境下进行试验结果分析,结果表明算法加速比取得了进一步的提升。