本文是前三个文档（
图形识别、线框图识别、三维识别）的「极简入门版」： 讲原理、看图表、只给难点核心代码、附开源基线链接，目标是 30 分钟内建立整体认知。 完整代码与图见各分册；本文聚焦「一看就懂」。
1. 一张图看懂整体流水线
图形识别的本质：把"看形状"变成"数学参数匹配 + 断点缝合 + 拓扑推理"。 从 2D 到 3D，一条流水线贯穿五个环节：
| 环节 | 输入 | 干的事 | 核心算法 |
|---|---|---|---|
| 拆线 | 二值图像 | 提取顶点坐标 | Douglas-Peucker |
| 分类 | 顶点序列 | 判定几何类型 | 边数、夹角、曲率 |
| 识别 | 含噪/断裂点集 | 检出目标并还原参数 | 霍夫投票、RANSAC |
| 拓扑 | 基本图元 | 理解结构（房间/符号） | 最小环、子图同构 |
| 3D 重建 | 一张或多张图 | 恢复深度与实体 | 三角测量、消失点、B-rep |
一句话记住：拆线 → 分类 → 识别解决"看到什么"，拓扑 → 3D 解决"是什么结构、在空间里怎样"。
2. 霍夫变换：断裂线怎么「缝合」
要解决的问题：一条直线断成 10 段，连通域方法会认成 10 个碎片。
核心思想（投票）：每个像素点向"可能经过它的所有直线"投票，投到参数空间 （角度 θ × 距离 ρ）。同一条直线的碎片，会投到同一个参数格子——那里出现一个 投票峰值。检测峰值 = 找回这条直线，无视断裂。
难点核心代码（原理 5 行，实际用 OpenCV 一行）：
# OpenCV 概率霍夫变换: 输入边缘图, 输出线段
lines = cv2.HoughLinesP(edges, rho=1, theta=np.pi/180, threshold=100,
minLineLength=50, maxLineGap=10) # maxLineGap=缝合断口| 参数 | 含义 | 调大/调小 |
|---|---|---|
threshold | 投票阈值 | 大→只留强直线；小→碎片也保留 |
minLineLength | 最小线段长度 | 过滤短噪声线 |
maxLineGap | 允许的最大断口 | 缝合断裂的关键 |
圆检测用
cv2.HoughCircles（霍夫梯度法），思路相同：梯度方向 → 圆心空间投票。
3. RANSAC：怎么无视离群点
要解决的问题：图纸上有大量无关交叉线/噪点，最小二乘会被它们带偏。
核心思想（采样 + 一致性检验）：反复随机抽最少点数（直线 2 点、圆 3 点）拟合 候选模型，统计"有多少点落在容差带内"（内点数），保留内点最多的模型。离群点 再怎么多，也形不成一致的模型。
难点核心代码（sklearn 一行搞定）：
ransac = linear_model.RANSACRegressor(random_state=42)
ransac.fit(X, y) # X 含 25% 离群点也能稳
mask = ransac.inlier_mask_ # 自动分出内点/外点圆拟合同理：
skimage.measure.ransac(points, CircleModel, 3, residual_threshold=10)。
工业惯例：霍夫粗检测定位候选区域 → RANSAC 在区域内精拟合，得到亚像素级参数。
4. 拓扑识别：怎么从边认出「面」和「房间」
要解决的问题：复杂图形（法兰盘、建筑平面图）是组合图形，单靠几何不够。
核心思想（图论）： 1. 提取线段 = 图的「边」，求交点 = 图的「顶点」； 2. 在线段途径的所有顶点处打断成多条边，构建属性邻接图； 3. 最小环基 / 四边形环 = 围成的"房间"或"面"； 4. 子图同构 = 在图中查找与标准符号模板一致的局部结构。
难点核心代码（两个关键片段）：
import networkx as nx
# (a) 识别"面/房间": 枚举四边形环
quad_cycles = {frozenset(c) for c in nx.simple_cycles(DG) if len(c) == 4}
# (b) 子图同构匹配标准符号(带边长比例校验)
matcher = nx.algorithms.isomorphism.GraphMatcher(G_img, template, edge_match=edge_match)
matches = list(matcher.subgraph_isomorphisms_iter())验证常识：一个长方体（12 边 8 顶点）恰好有 6 个四边形环 = 6 个面。
5. 三维识别：怎么从 2D 变 3D
要解决的问题：平面线框是 3D 物体的投影，丢掉了 Z 轴深度，还产生大量 "视觉伪交点"（2D 交叉、3D 并不相交）。
核心思想（点→线→面→体）：
| 层次 | 从 2D 到 3D 的方法 |
|---|---|
| 点 | 多视图三角测量（对极几何/视差）或单目深度估计（Depth Anything） |
| 线 | 消失点反向投影；拓扑一致性校验破除伪交点 |
| 面 | 图论找闭合环 + 最小二乘平面拟合校验共面性 |
| 体 | 法向朝外的封闭面组合为 B-rep；或深度学习直接生成体素/隐式 SDF |
难点核心代码（DLT 三角化，这是 3D 中最值得记的 6 行）：
def triangulate(P1, P2, u1, u2): # P=投影矩阵, u=两视图同名点
A = np.array([u1[0]*P1[2]-P1[0], u1[1]*P1[2]-P1[1],
u2[0]*P2[2]-P2[0], u2[1]*P2[2]-P2[1]])
_, _, Vt = np.linalg.svd(A) # 解 AX=0
X = Vt[-1]
return X[:3] / X[3] # 齐次归一化得 3D 点6. Baseline 开源链接速查表
均为广泛使用、可放心引用的官方仓库；「用途」栏标注与本文哪一层对应。
| 用途（本文对应层） | 仓库 | 说明 |
|---|---|---|
| 通用图像处理/霍夫变换（识别） | opencv/opencv | HoughLinesP、HoughCircles、Canny 都在这里 |
| 稳健拟合/RANSAC（识别） | scikit-image/scikit-image | ransac、CircleModel、LineModelND |
| 最小环/子图同构（拓扑） | networkx/networkx | minimum_cycle_basis、GraphMatcher、simple_cycles |
| 线框解析深度学习基线（拓扑/线框） | zhou13/LCNN | 点线双任务解析，Wireframe 数据集基线 |
| 线框解析进阶基线（拓扑/线框） | GrumpyZhou/HAWP | Holistically-Attracted Wireframe Parsing |
| 单目深度估计（3D·点） | DepthAnything/Depth-Anything-V2 | 单张图直接预测深度图 |
| 点云/3D 几何处理（3D） | isl-org/Open3D | 点云→平面/网格、配准、重建 |
| 2D 图→3D 生成基线（3D·体） | VAST-AI-Research/TripoSR | 单张图→3D 网格，图像转 3D 主流基线 |
| 多视图→3D 生成（3D·体） | 3DTopia/LGM | Large Multi-View Gaussian Model |
| 文本/图→3D（3D·体，AIGC） | ashawkey/stable-dreamfusion | 扩散模型驱动的 3D 生成 |
| B-rep/实体建模内核（3D·体） | Open-Cascade-SAS/OCCT | 工业级边界表示法内核（OpenCascade） |
选型建议：逆向工程/精度优先走传统路线（OpenCV + skimage + networkx + Open3D + OCCT）； AIGC 内容生成走深度学习路线（HAWP/L-CNN 做线框、Depth Anything 做深度、TripoSR/LGM 生成体）。
7. 给新手的学习路线
- 第 1 天：跑通本文 2、3 节两行代码（OpenCV 霍夫 + sklearn RANSAC），用自带示例图看效果。
- 第 2 天：理解 4 节图论——用
networkx对立方体求 6 个面（code/demo8_box_faces.py）。 - 第 3 天：看 5 节 DLT 三角化，跑
code/demo7_triangulation.py验证重建误差。 - 进阶：切到对应开源仓库，读 README 的「Quick Start」复现 Wireframe 数据集的 L-CNN/HAWP 基线。
全套可运行示例与图在：
code/demo0_demo9*.py+figures/，分册详见图形识别-经典示例与代码.md、线框图识别-经典示例与代码.md、三维识别-经典示例与代码.md。
⚠️ 说明：本文以原理与图表为主，代码仅保留难点核心片段；全部可运行脚本 见
code/目录（demo0_principles.py生成本文示意图）。