网格生成算法学习笔记
本博客内容来源于网络以及其他书籍，结合自己学习的心得进行重编辑，因为看了很多文章不便一一标注引用，如图片文字等侵权，请告知删除。
前言
我的文章确实有点没头没脑，完全取决于我自己的工作重点，O(∩_∩)O哈哈~。在前面写完网格简化后，目的是应用到大场景模型下，几万平米的室外，但是却发现之前用单纯的Poisson重建，效果有点差了，所以又把这部分再整理一下。
网格生成
在三维重建中，通过深度传感器比如RGBD相机、雷达的方式，或者通过多张2D图片MVG的方式，都可以采集到大量稠密的点云数据。对于一个几百平面的屋子，生成的点云可能就有几百万以至几千万个点，对于数据传输以及显示有比较大的困难，而且显示效果也比较差。那么面对这种情况，我们将点云的存储显示方法，改为网格的方法，则有很大的优势:
- 使用三角面更少点来显示更大的面积，减少了存储空间。
- 生成的网格模型，杂乱的错误点减少。
- 点的数目的减少，大大的减轻了渲染的压力。
- 视觉效果更好，可以对三角面上贴上更加精细的纹理。
- 便于测量等人工操作。
当然在一方面有优势的事情下，其也有一点的劣势，而这个劣势也正式网格生成中的难点。
网格生成中的难点
网格生成过程中有很多的难点，这些难点也是衡量网格生成算法的标准：
- 生成网格与原始点云的位置的差异性
- 能够支持模型网格面积的大小
- 网格生成速度
- 对尖锐特征的保留效果，以及细节的保留效果
- 网格三角面大小以及形状
- 对点云噪声的亢余度、点云分布不同密度的适应效果以及应对点云缺失的效果
常见的网格生成算法
在我们对网格生成有了一定的了解之后，我们来简单的介绍一下，常见的网格生成算法。
总的先说，目前网格生成算法可以分为两大类：连续曲面生成算法 和 非连续曲面生成算法（离散方法）
连续方法利用点云去拟合某类分布函数，得到表面的函数表示，然后生成网格。
比如：TSDF、Wavelet（多用于医学图像）、Poisson、FSSR、SSD、GDMR、多级流式表面重建
、marching cubes（严格说这并不是一个面生成算法，而是一个等值面提取算法）等
离散方法利用某些空间划分方法，直接从点云数据生成网格。
比如：PowerCrust、Greedy Projection、滚球法、alpha-shapes
在此，只是简单的列举出来这些方法，详细描述篇幅很大，所以会在后续的文章中，逐一详细的描述一些常见的效果好的网格生成算法。
总结
点云三角化，或者说从点云生成网格的过程有诸多因素的影响，往往要求我们在最后的结果中取到折中。对于特定的场景数据的处理选择特定的方法，会有着还不错的效果，要是处理多种场景目前还说还是有很大的困难的，想要通过一组参数获得比较好的结果目前来说还是做不到的。鱼与熊掌不可兼得。
希望在写下面文章的过程中，结合工作，能够找到更好的方法，加油！！！
重要的事情说三遍：
如果您看到我的文章对您有所帮助，那就点个赞呗 ( * ^ __ ^ * )
如果您看到我的文章对您有所帮助，那就点个赞呗( * ^ __ ^ * )
如果您看到我的文章对您有所帮助，那就点个赞呗( * ^ __ ^ * )
任何人或团体、机构全部转载或者部分转载、摘录，请保留本博客链接或标注来源。博客地址：开飞机的乔巴
作者简介：开飞机的乔巴（WeChat：zhangzheng-thu），现主要从事机器人抓取视觉系统以及三维重建等3D视觉相关方面，另外对slam以及深度学习技术也颇感兴趣，欢迎加我微信或留言交流相关工作。
