基于体素的三维重建的最终结果——Marching Cubes算法学习笔记

这个算法在3d重建中很常用，最早来自于1987年的论文《MARCHING CUBES: A HIGH RESOLUTION 3D SURFACE CONSTRUCTION ALGORITHM》。

不想重复造轮子，所以先贴几篇介绍这个算法的帖子：

游戏《孢子》的思考 —— Marching Cube算法

Marching Cube算法在点云重建上的简单应用

Marching Cubes初探——Marching Cubes构建体素圆

看完之后基本就对这个算法有一定的了解了。

我想补充的还有几点。

---

1. 论文阅读

1.1 核心思想

There are two primary steps in our approach to the surface construction problem. First, we locate the surface corresponding to a user-specified value and create triangles. Then, to ensure a quality image of the surface, we calculate the normals to the surface at each vertex of each triangle.

1.2 概念名词

这篇文章经常会提到一个名词：density。可能是3d重建领域的论文，时间跨度很大（比如这篇都很老了），对一个概念使用的名词会不统一。

思考之后，我认为它的意思类似于BundleFusion算法中的sdf值以及等值面的判断阈值。

2. 编码表的实现

Marching Cube的第一步中需要使用到二进制编码表的相关知识，还挺实用的。因为看到网上有一些文章就是在讨论Marching Cubes中这些EdgeTable，TriangleTable怎么实现比较方便。

我找到的可参考的代码，是BundleFusion中的extractIsoSurfaceAtPosition函数。

3. 相关代码

我最近接触的项目中，使用到这个算法的有BundleFusion（C++）、tsdf-fusion（C++，python），有兴趣可以去github仔细阅读。

在tsdf-fusion-python中，我发现Marching Cubes算法已经被python-skimage库实现了，用起来很方便，功能也很全。

4. 法向量的求解

为什么我说skimage把Marching Cubes算法实现的很“全”呢？因为我发现以上我提到的使用C++实现的Marching Cube算法，似乎都没有完成第二步，即计算三角顶点的法向量。

这个原因不得而知，可能是因为不计算法向量对最终模型的结果影响不大吧，论文的表述说的也是“法向量有助于提高重建的质量”。

网上有关这个问题的介绍也比较少。

但最近我想把Marching Cubes的3d重建结果再修的好一点（自动补全，填洞），目前比较好的传统方法就是泊松重建了，但是这种泊松重建方法，必须要有法向量才能算，因此我不得不去自己想办法计算法向量。

和求解三角顶点的位置和颜色的方法类似，法向量的计算也是使用的插值。。。

（这里我还没想好怎么表述）