rgbd感測器獲取的資料通常是大量的三維點，後期的處理過程都是在對這些點的座標進行處理。網格重建要求我們從點雲恢復出網格。
輸入：點雲檔案（.ply, .pcd等）
輸出：單一網格
1、點雲雜訊。 每個點雲都會帶有雜訊，雜訊有可能和物體表面光學性質、物體深度、感測器效能等都有關係。
2、點雲匹配誤差。三維重建中需要將不同幀得到的點雲估計其在世界座標系下的位姿，會引入一定的位置誤差。
3、點雲分布。分布的不均勻性體現在兩個方面。乙個是每個點雲在不同的方向上分布是不均勻的另乙個是不同的點雲匹配後，不同位置的點雲密度是不一樣的。
4、缺失資料。 掃瞄中如果碰到不易成像的部位（比如不可見、反光等等），那麼這部分的資料是缺失的，點雲是不完整的。
網格生成演算法可以分為離散方法和連續方法兩大類。離散方法利用某些空間劃分方法，直接從點雲資料生成網格。連續方法利用點雲去擬合某類分布函式，得到表面的函式表示，然後生成網格。
以delaunay三角化為例
1.點雲下取樣
上圖為經過下取樣的點雲。通常點雲三角化演算法計算量非常大，如果輸入大量點雲的話，執行時間可能會需要數十分鐘甚至數個小時，因此，點雲處理的第一步便是下取樣。
2.去除離群點
由於點雲三角化演算法對於離群點比較敏感，因此，需要去除點雲中的一些異常點。
3.點雲平滑（計算法線）
通常由於感測器的自身測量雜訊，得到的點雲資料會有些波動，因此需要對點雲進行平滑（類似於影象處理中的平滑操作）。
4.點雲三角化
PCL 從點雲到網格（二）點雲預處理
前一篇得到的點雲還不能拿來直接用，因為乙個是太多了，另乙個是還存在一大堆的雜訊。所以這一篇我會記錄一下我使用到的一些濾波操作。主要的的參考資料都在這裡了 但是我利用得到的點雲做icp得到的融合的矩陣效果不理想，有可能是我相機移動的幅度較大，也可能是我計算icp的點太少 我是先利用降取樣，再做icp的...
網格向量必須包含特徵點。 聊聊網格處理 網格去噪1
通過三維掃瞄獲取的網格資料往往不夠光滑，細節不夠突出，其原因有很多，比如由於物體本身材質易反光，導致基於光學三角測量原理的掃瞄器裝置獲取的深度不夠準 掃瞄器裝置硬體限制，導致容易受環境干擾，形成雜點。對物體表面細節的恢復要求，則是考驗掃瞄器應對深度不連續區域的處理能力。前端處理不好的瑕疵會直接體現在...
「雲與網格」計算雜談
雲計算概念是新的，但內容並非是新的，只是為了某種利益 比如商業效應 學術效應，但最終都是經濟效應 人們把他總結了出來。雲計算的關鍵在於對雲計算的某種定位，比如充分利用現有網路能力提供高階計算 帶智慧型化的服務 定製的專家系統與自學習系統 提供共享儲存 網格 再比如裡面涉及到的分布式計算的排程 資訊的...