昨天突然有小夥伴要我給乙個杯子的完整點雲，之前是partical 點雲，大概是這樣的（如上圖），最終要如下圖
於是我想到了trimesh，meshlab啥啥啥的。首先開啟了meshlab,取樣，然而事情並沒有那麼愉快。好比上面的杯子，模型如下圖，那麼它是有一定的厚度的，除了外表面，還有內表面。取樣的時候，內表面的圖也會採到。最終如下圖所示。
內表面是存在的，所以個人猜想通常的從面上採點，或者選取頂點，都會保留了內表面的點。要怎樣才才能得到外表面的點呢？
上面的部分點雲，是從深度圖轉來了。那麼只要圍著物體外面拍一圈，就可以得到屬於物體外表面點雲。
懶人於是直接想著，直接拍物體的正面，反面，直接一拼，就可以把物體拼出來了，結果如下。兩個面在拼合出點雲十分稀疏甚至是哪個地方沒有點雲。這裡個人理解是雖然被子是圓的，但其實是一段一段的短短的直線連線起來了，恰巧在正反兩面的拼接處，是乙個平行於相機拍攝方向的面，故中間那裡沒有拍到，只得到面的兩條邊緣
最終是用了三個面去恢復完整的點雲。
這種方法要求對渲染有一定的了解，取樣出來點雲也不能保證是符合某種分布取樣得到的。
表面強迫1 用於表面施力的WRF模型配置
概述了如何使用wrf為fvcom生成強制。wrf還需要一些庫 這些可以從wrf 上獲得。編譯wrf必須在編譯並安裝了庫之後進行 如果使用了wiki中的指令碼，那就是 home models wrf libraries 主要的wrf源 wrfv3目錄 在中 home models wrf。我使用了乙個...
Word2vec模型及負取樣精講
word2vec模型本質 是乙個用來生成詞向量的 簡單的神經網路模型。通過計算相似度來降低原來輸入詞的維度，舉個例子 圖.甲 網路結構如下 圖.乙 如乙圖所示，我們一開始輸入的是one hot編碼後的向量，1位於第7位，其對應的輸入層到隱藏層的權重矩陣w一定是第7行，如下圖示意 圖.丙 丙圖示意的是...
PCL 模型擬合方法 隨機取樣一致性
sacsegmentation封裝了多種ransac方法，包括 randomsampleconsensus，leastmediansquares，mestimatorsampleconsensus progressivesampleconsensus，randomizedrandomsampleco...