基于图像的三维重建通过多幅从不同角度获取的视觉图像来重构场景或物体的三维坐标信息,是一项涉及计算机图形学、立体视觉、图像处理等多学科的研究课题,在虚拟现实、场景理解、文物恢复和保护、目标识别与跟踪等领域有重要的应用价值。本文致力于研究基于图像序列的三维点云重建方法,通过总结分析现有方法的重建原理和实现思路,提出一种基于特征点筛选扩散和三维patch扩散策略相结合的方法实现三维点云的稠密重建,解决已有方法存在重建精度低、完整性差的问题。论文主要完成了以下工作:1.TZNCC稠密扩散。提出一种基于TZNCC的稠密扩散方法,对特征匹配进行稠密化。首先,将不同角度拍摄的已标定图像序列作为输入集合,分别使用Harris和DoG特征检测算子提取角点和斑点;以参考图像为基准进行图像序列筛选,选出主光轴与参考图像之间夹角小于?的图像作为候选图像进行特征匹配;以匹配的图像特征点作为初始种子,通过视差梯度和置信度约束来优化筛选匹配点对,综合考虑光照、纹理阴影以及凹凸感等特征信息,以亮度零均值归一化互相关系数和纹理信息归一化互相关系数的加权值(即TZNCC)以及极线约束作为扩散过程中图像对应点的匹配标准,向特征邻域扩散;随后根据已标定的相机参数和匹配点对恢复出三维模型点。2.patch稠密扩散。提出一种基于patch的稠密重建方法,对离散的三维点进行稠密化。以TZNCC扩散过程恢复的三维模型点为输入,通过TZNCC筛候选点生成初始patch;根据相邻patch的法向量和位置关系对生成的初始patch进行扩散,从相对稀疏的种子点扩散得到稠密的空间patch;随后,对于扩散的patch,使用几何一致性和图像灰度一致性约束进行过滤,去除噪声,生成准确稠密的三维点云模型;最后,对恢复的点云数据进行网格重建,生成完整的表面模型。论文提出的三维点云重建算法,从匹配的稀疏图像特征出发,经两次稠密扩散,最终恢复出准确稠密的三维点数据。针对多组数据集进行了实验测试,结果表明,本文提出的稠密扩散方法可将初始种子特征数目扩散2.3倍以上,并通过约束有效过滤噪声点,重建出准确、细节丰富的三维模型。与PMVS和Visual SfM两种方法相比,重建效率高,鲁棒性强,恢复的点云数据分布更为均匀合理,具有更强的优越性。