![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图形处理
hjimce
追求实现文献算法的快感,追求学会一个新算法的充实感
展开
-
hjimce算法类博文目录
hjimce算法类博文目录个人博客:http://blog.csdn.net/hjimce个人qq:1393852684知乎:https://www.zhihu.com/people/huang-jin-chi-28/activities一、深度学习深度学习(七十三)pytorch学习笔记深度学习(七十二)tensorflow 集群训练深度学习(七十一)3D CNN时空特征学习深度学习(七十)da...原创 2016-01-24 13:12:52 · 33958 阅读 · 20 评论 -
图形处理(八)点云重建(上)点云滤波、尖锐特征边增采样、移除离群点
之前帮导师搞过一个项目,涉及点云尖锐的特征边重建技术,很多文献看起来效果很好,然而都是坑爹的算法,鲁邦性很差,比如这篇paper《Feature Sensitive Surface Extraction from Volume Data》把我坑的好惨,网上没有提供源代码原创 2015-06-08 17:57:28 · 13995 阅读 · 26 评论 -
图形处理(九)点云重建(下)法矢求取、有向距离场等值面提取
1、点云预处理 。这一步主要是点云滤波、采样、移除离群点等操作,涉及到的经典算法有MLS、双边滤波、WLOP等,这些在我的另外一篇博文中,有比较详细的介绍。 2、重建网格曲面。这一步主要涉及相关经典算法是点云法矢求取PCA、有向距离场、隐函数、MC算法等相关概念。这篇博文将详解这些算法的实习过程。原创 2015-06-08 22:44:11 · 7950 阅读 · 3 评论 -
图形处理(十二)拉普拉斯网格优化、最小二乘网格模型光顺
这里要分享的paper,是通过拉普拉斯的方法实现三角网格模型的优化。如果你已经非常熟悉三角网格曲面的拉普拉斯相关理论,实现这篇paper也就非常容易了。网格曲面的拉普拉斯坐标不但可以用于变形、光顺,还可以用于优化,总之好处多多,你只要学会了这一招,那么就可以学会这些算法了。原创 2015-06-15 17:22:16 · 18364 阅读 · 2 评论 -
图形处理(十一)Stroke Parameterization
Stroke Parameterization顾名思义就是沿着曲线进行参数化的意思,在我的另外一篇博文中《离散指数映射Decal》是以一个点为源点,进行参数化,参数化结果为一圆形参数域。然而在网格曲面上,可能有的时候我们并不紧紧是想要圆形Decal,而是希望沿着曲线进行参数化,比如上面文字贴图中,我们的图片是一张长方形图片,这个时候如果用固定边界的参数化方法,或者用离散指数Decal,它们的参数域一般都类似于圆形,用于上面的贴图肯定不行。原创 2015-06-14 11:02:30 · 2349 阅读 · 0 评论 -
图形处理(三)简单拉普拉斯网格变形-Siggraph 2004
三角网格变形一直是CAGD相关领域的重点,刚上研究生的时候,感觉有点神奇。而且一上来导师就给我发了一篇基于格林坐标的自由变形的相关paper,让我看,外文文献,看了n多天,第一次看外文文献,啥也没看懂,好像也没什么收获。因为当时根本连文献要怎么看都不懂,如何把一篇文献转换成代码,更别谈直接看外文文献了,一篇文章下来,根本不知道哪里是重点……之所以把这篇博文标题为:简单拉普拉斯网格变形,是因为我只用了求解一个稀疏的线性方程组,就进行变形。原创 2015-06-08 17:10:21 · 28694 阅读 · 9 评论 -
图形处理(五)基于旋转不变量的网格变形-Siggraph 2007
本篇博文主要讲解2007年Siggraph上的一篇经典paper:《Linear Rotation-invariant Coordinates for Meshes》,这篇paper如果不考虑计算速度问题,可以说是目前我感觉微分域的保特征网格变形效果最perfect的一个算法了。在我的另外一篇博文《简单拉普拉斯变形》中讲到,如果直接使用拉普拉斯变形算法,那么在大尺度变形的情况下,会出现如下的结果:可以看到,本来章鱼模型上的圆形特征,经过变形后,变为了椭圆形了,这种现象,我们又称之为不保特征变形,很显然,原创 2015-06-08 17:20:43 · 6366 阅读 · 3 评论 -
图形处理(一)离散指数映射参数化-Siggraph 2006
本篇博文主要讲解2006年Siggraph上的一篇经典纹理贴图paper:《Interactive Decal Compositing with Discrete Exponential Maps》,这是我研究生所学的第一个算法,也可以说是我人生所学的第一个算法。因为当时连c++编程都不会,所以更别谈实现这篇paper的算法,因为其中还涉及到opengl的一些相关基础知识,如纹理贴图等。就这样,磕磕碰碰,外加整天玩游戏DNF,所以这篇paper的算法,花了一学期的时间,都还没搞懂,直到第一学期结束时,被导师原创 2015-06-08 16:55:38 · 4174 阅读 · 0 评论 -
图形处理(十)测地极坐标参数化
三维的算法比较难,网上资料也比较少,国内除了到知网、万方等数据库可以有文献看,代码方面可以说没有,国外要找到提高源码的paper也很不容易,所以要把三维CAGD的一些算法学懂实属不易,在此祭奠曾经走过的三维苦逼算法学习之路。本篇博文主要讲解文献:《Geodesic polar coordinates on polygonal》,这里中文我又把它翻译为:测地极坐标参数化,离散幂映射算法中每个顶点参数值取决于该顶点的法矢,因此网格曲率变化较大时经常使得参数化结果发生较大扭曲。相比于离散指数映射算法,Eivind原创 2015-06-14 11:00:43 · 3295 阅读 · 0 评论 -
图形处理(六)拖拽式网格融合-Siggraph 2010
拖拽式模型融合-Sigggraph 2010原创 2015-06-08 17:22:31 · 4174 阅读 · 1 评论 -
图形处理(七)基于热传播的测地距离计算-Siggraph 2013
这里要跟大家分享的是2013年Siggraph上面的一篇paper,名为《Geodesics in Heat:A New Approach to Computing Distance Based on Heat Flow》,这篇paper没有提供源代码,但是因为算法的思想相当新颖,如果你之前有研究过其它的测地三角网格曲面上的测地距离算法,那么看到这篇paper后,你会非常的激动,觉得这个算法相当神奇,网格曲面上测地距离的计算方法又有了新的突破。因为看到这篇paper非常激动,以至于我兴奋得马上去把代码写了一原创 2015-06-08 17:25:06 · 5650 阅读 · 9 评论 -
图形处理(二)固定边界参数化
固定边界参数化方法是参数化方法中的一类经典算法,至今还有很广泛的用途。这类算法可以说是我读研阶段写的第一个算法。当年年少无知,连外文文献怎么阅读都不懂,导师发给了我好几篇paper,没有一篇看得懂,就连三角网格模型的拓扑邻接关系都不懂。参数化国内相关的硕士、博士论文非常多,所以我就从国内文献开始看起,看了20篇paper才完全知道代码要怎么写,要怎么把文献转换成代码,看了将近一个月的文献,又花了一周的时间把代码实现出来。原创 2015-06-08 16:57:41 · 7137 阅读 · 2 评论 -
图形处理(四)基于梯度场的网格编辑-Siggraph 2004
基于梯度场的网格编辑,对应的Paper为《Mesh Editing with Poisson-Based Gradient Field Manipulation》,是Siggraph 2004上的一篇paper,这篇paper与基于拉普拉斯的网格变形方法,统称为基于微分域的网格变形算法,这篇paper其实本质上最后的求解公式和基于拉普拉斯的网格变形方法一样原创 2015-06-08 17:12:29 · 6058 阅读 · 4 评论 -
深度学习(一)深度学习学习资料
持续更新原文地址:http://blog.csdn.net/hjimce/article/details/45421595作者:hjimce一、学习清单1、综合类(1)收集了各种最新最经典的文献,神经网络的资源列表:https://github.com/robertsdionne/neural-network-papers 里面包含了深度学习领域经典、以及最新最牛逼的算法,如果把这个列表学过一遍...原创 2015-05-01 20:22:28 · 32313 阅读 · 0 评论