手板图像处理

3D打印所需的数据通常是通过CAD等三维软件制作生成，往往制作周期长、难度大，本文提出通过照片的方式建模。

1.1图像去噪

与日常3D打印物体相比，建筑结构的打印实体通常比较大，且图像质量无法保证，因此需对图像进行去噪处理。

本文采用马尔可夫去噪方法：

1.将图片转换为灰度，便于简化计算；

2.假设本图片是理想图片没有噪点，而且有噪点的图片噪点数量比较少，那么理想图片和噪点图片对应像素间必然相关；

3.我们同样可以假设在一个小范围内，每个像素同其周围的像素间也必然存在联系；

4.可以将他们之间的联系用能量表示：

这里可以改变相邻像素的位置，以期达到更好的效果

式中的m、n分别表示距离像素xi的距离。

1.2图像分割和轮廓提取

图像分割可以看作是将有相似密度的像素群进行分类的过程，同样可以采用马尔可夫方法：

1.将图像划分为n个区域，使得同一区域的像素同其他区域像素相对独立；

2.计算每个像素在这些区域的能量ξi；

3.计算每个像素对应区域：

其中如果考虑相邻像素的影响，可以将E(I,I')加入公式中

公式中λ是对应相邻像素能量的变化阀值。

4.降温并设置对应阀值。

结构建模

对于以上得到的轮廓信息，还不足以直接生成3D模型，因为该信息是在二维平面的，缺少深度信息。

对于深度信息的恢复，常见的方法有从明暗恢复形状，从纹理恢复形状，从阴影恢复形状，利用多光源信息等。

由于对于建筑结构，很多信息是已知的，所以可以直接从已知的知识中重建形状。

2.1 3D重建

对于简单的结构，比如立方体、圆柱体，可以根据立体几何知识加以重建；对于复杂的结构，可以采用马尔可夫随机场确定相应结构。

1.参数化每个超像素点的位置和方向信息；

2.发掘图像特征和深度信息；

3.发掘连接结构、共面结构和共线结构；

4.采用机器学习技术，利用以上知识恢复重建3D结构。

实际操作中，对于不准确的恢复可采用贝塞尔曲线加以修复：

2.2建筑构造

对于建筑构造，可以采用遗传算法，给出合理的建筑结构，尽可能的减少不合理的结构设计。以平屋面建筑构造为例：

1.初始化种群：立墙、女儿墙、变形缝、雨水口、烟囱、屋面检修孔、屋面出入口、檐沟、挑檐等构造；

2.适应度计算：对构造个体在不同位置及大小进行适应度计算；

3.选择运算：选择不同个体进行遗传操作；

4.交叉运算：以某一概率相互交换某两个个体之间的部分染色体；

5.变异运算：对个体的某一个或某一些基因值按某一较小的概率进行改变；

6.重复以上过程，直到得到可接受的结果。

探讨

图像处理部分，图像去噪采用了马尔可夫去噪方法，针对不同图像不同噪点强度，相邻像素的选择也不完全相同；

图像分割和轮廓提取，也同样需要控制阀值和冷却温度来确保准确度；

结构建模部分，机器学习实例的数量以及图像与训练实例的相似度，对3D重建的准确度影响很大；

同时，遗传算法中个体适应度及变异运算也需要针对不同构造加以修正。

由于机器学习技术的兴起，也可以考虑将机器学习算法（比如卷积神经网络）应用于建模部分。

比如训练二维图像和3D结构之间的关系，预测已知图像的3D结构。

但这种方式目前训练样本往往很大，训练速度慢，机器要求高。

但其准确性和智能性却是其他算法无法比拟的。

因此，在实际建模过程中，每个环节都需要人工干预，对错误和不足及时进行修正；

同时，这种建模方式的精度自然要低于纯手动建模的方式，但效率要比纯手动建模高很多。