Made available in DSpace on 2016-06-02T19:05:30Z (GMT). No. of bitstreams: 1
1905.pdf: 4899215 bytes, checksum: 8bd08afce2d9a13e46eae59bfce938ca (MD5)
Previous issue date: 2007-06-06 / This work consists of the implementation of a 3D surface reconstruction algorithm from point clouds, using Self-Organizing Neural Networks. Among the Neural Networks the SOM (Self-Organizing Map) is distinguished, since it is a self-organized model based on competitive learning. The proposed system is based on the GCC (Growing Cell Structures), a self-organizing neural network that is a SOM incremental variation with some alteration in the way that the positions of the direct neighbors of the winner node are updated, and also in the way that new nodes are inserted and inactive nodes are removed. The system has been improved by the inclusion of the edge-swap operation, improving the quality of the generated mesh and the convergence of the algorithm. The algorithm than has been called GCS-M (GCS-Modified). To evaluate the results obtained by the implementation of the proposed system had been used metrics to evaluate the quality of the mesh, based on the values of the minimum distances between the point cloud and the elements that compose the polygon mesh. With this comparison mechanism, it had been performed comparisons of the GCS-M algorithm results and the traditional methods results of surface reconstruction. The obtained results show that the proposed algorithm is very efficient, obtaining realistically reconstructed surfaces with low error measures. / O trabalho consiste na implementação de um algoritmo de reconstrução de superfícies 3D a partir de nuvens de pontos, usando Redes Neurais Auto-Organizáveis. Dentre as Redes Neurais Artificiais destaca-se o SOM (Self-Organizing Map) que é um modelo autoorganizável baseado na aprendizagem competitiva. O sistema proposto foi baseado no modelo de rede neural auto-organizável GCS (Growing Cell Structures), que é uma variação incremental do SOM, com alterações na forma de atualização das posições dos vizinhos diretos do nodo vencedor e também na forma como são inseridos novos nodos e removidos nodos inativos. O sistema foi aperfeiçoado pela inclusão da operação de troca de arestas, que melhorou a qualidade da malha gerada e a convergência do algoritmo. O algoritmo foi então denominado GCS-M (GCS-Modificado). Para avaliar os resultados obtidos por meio da implementação do sistema proposto foram utilizadas métricas para mensurar a qualidade da malha baseada no valor das medidas das distâncias mínimas entre a nuvem de pontos e os elementos que compõem a malha poligonal. Com esse mecanismo foram realizadas comparações dos resultados obtidos pelo GCS-M com os resultados obtidos pelos métodos tradicionais de reconstrução de superfícies. O algoritmo proposto se mostrou bastante eficiente, obtendo superfícies reconstruídas realisticamente, com medidas de erro baixas.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufscar.br:ufscar/377 |
| Date | 06 June 2007 |
| Creators | Mari, João Fernando |
| Contributors | Saito, José Hiroki |
| Publisher | Universidade Federal de São Carlos, Programa de Pós-graduação em Ciência da Computação, UFSCar, BR |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Repositório Institucional da UFSCAR, instname:Universidade Federal de São Carlos, instacron:UFSCAR |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.002 seconds