基于点云数据的形状重建是当前计算机图形学领域研究的热点。针对采样于线状图形的离散点云数据的形状重建是其中的重要研究内容之一。采样于线状图形的离散点云数据也是常见的。如在模式识别、图像处理等研究领域中，常常需要处理如文字、工程图、路线图、指纹等许多长而窄的带状图像；在通过扫描、量化等数字化过程中，由于各种原因，获取的这些带状图像的质量很差。 在许多陶瓷花纸、印染品等所用的工业图案中，也有许多类似的长而窄的带状图像，除了因数字化产生较差的质量外，有些图像本身就是由一些离散的点组成的(如通过喷“雪点”形成的)。在这些获得的图像中，像素间的连续性很差，需要进行“补断”等操作进行预处理，才能获取其有效的特征信息，以便进行识别或重建。本文中，将这类图像看成点云数据来进行处理。由于骨架包含了图像特征的最有效数字化信息，能够对图像进行有效的描述，因此在对带状图像进行识别或重建等处理时经常需要计算它们的骨架。本文就是通过获取点云数据的骨架以便于对带状图像进行识别或重建。 如何有效地从离散点云数据获取原带状图形的边界或骨架等特征信息，是离散点云数据的形状重建中的关键和难点所在，也是本文的主要研究内容。本文中，为了获取点云表示的带状图像的骨架，首先通过对点云数据采用适合离散点集的Delaunay三角化方法和相应规则来获得带状图像的边界，然后在此基础上再通过适合带状多边形域的约束Delaunay三角化方法计算带状图像的近似骨架。 该方法的过程大致为：针对点云表示的带状图像，先对其进行Delaunay三角化，并基于一定的判定规则和PCA方法，判定并删除带状图像外部三角形；然后，提取图像边界多边形。最后，对所得的边界多边形，再进行约束Delaunay三角化，并根据所得三角形的不同类型对其进行骨架化计算，最终得到点云表示的带状图像的近似骨架。 本文对如何有效地从离散点云数据获取带状图像的骨架进行了初步探讨，得到的只是近似骨架，在对骨架精度要求较高的情况下，可以将近似骨架的一些特征点作为控制顶点，然后采用SDM(Squared Distance Minimization)方法获取较精确的骨架。另外，本文处理的对象主要是一些简单常用的带状图像，还需要进