可变形模型（Deformable Models）简介

自从1987年Terzopoulos 等人作出了开创性工作之后，可变形模型在计算机视觉和模式识别领域获得了巨大的成功。一般而言，可变形模型可分为两类：

显式模型和隐式模型。显式模型包括参数表示，比如Metaxas等人提出的动态超二次型（dynamic superquadrics）；以及离散表示，比如Miller等人研究的动态多边形模型。隐式模型是最近由Malladi和Caselles等人提出的，它能够处理拓扑变化的情况。他们的方案基于对propagating fronts的建模。propagating fronts是一些标量函数的水平集。近来，研究人员提出了拓扑自适应的隐式模型，比如McInerney 和Terzopoulos提出的拓扑自适应蛇以及Lachaud等人提出的离散三角形模型。详见Deformable models in medical image analysis: a survey。

    上述可变形模型的提出主要是为了由体积数据来进行形状重建以及医学图像分割。对于由点云来进行形状重建，现有的工作都是静态的方法。他们要么是使用Voronoi 图和Delaunay三角剖分的显式的方法，比如Edelsbrunner等人提出的Alpha-shape以及Amenta等人提出的壳算法（Crust algorithm）；或者隐式模型，比如Hoppe等人提出的方法。吃外，还有基于径向基向量（RBF）的方法。先前有人尝试用超二次型混合可变形模型（super-quadratic blended deformable models）从量程数据（range data）恢复（对象的）形状和拓扑结构。最近，zhao 等人提出了一个由点云来进行形状重建的快速水平集（level-set）方法。

http://www.cs.utah.edu/~whitaker/sceneRecon/defModels/