向量相似度可复原三维点云压缩算法

发布时间：2024-06-02 22:37

　　针对三维点云数据压缩中细节特征不易保留,模型平缓部位存在过度压缩以及压缩后的点云模型不易复原等问题,提出一种基于向量相似度的三维点云压缩算法和复原算法CVS。向量相似性度量采用提出的L3A进行度量。CVS把每个三维坐标点看作是连接其坐标和原点的三维向量,按照三维坐标点的读入顺序选取参考向量,生成覆盖整个点云区域的采样区域,进行分区压缩。在采样区域中使用最小二乘曲面拟合算法对包含其中的点云进行曲面拟合,设置曲率阈值剔除坐标点,并存储曲面方程参数用于复原。通过控制L3A向量相似度中的长度和角度的变化阈值,使得密集点云区域的压缩率高于非密集区域的压缩率,通过控制曲率阈值,使得低曲率区域的压缩率高于高曲率区域的压缩率,最大程度保留模型细节特征。CVS使用压缩阶段产生的复原信息生成点云来恢复模型的细节特征,使得模型特征更加明显。

【文章页数】：12 页

【部分图文】：

图1L3A相似度定义

如图1所示，V1、V2是两个从原点出发的向量，标号(1)、(5)分别代表向量V1、V2的长度，记作L(V1)、L(V2)。标号(2)、(3)、(4)分别代表向量V1与坐标轴X、Y、Z的夹角的余弦，记作A(V1,X)、A(V1,Y)、A(V1,Z)。标号(6)、(7)、(8)分别代....

图2多团点云坐标与原点连接形成的向量图

图2是将点云中每个点与原点连接形成向量后的示意图。区域(1)和(2)点云较密，向量之间的长度和夹角都相近。区域(3)点云较疏，向量之间的长度相差较大，夹角相近。区域(4)点云较疏，向量之间长度相近，夹角相差较大。在三维模型的一个稠密点云区域中，会存在大量的位置相近的点，这些点分成....

图3在小车模型中生成若干个参考向量

CVS选取多个参考向量，并设定阈值，使得这些参考向量生成的采样空间集合能够覆盖整个点云。在每个采样空间中根据曲率大小使用概率算法保留或者剔除其中包含的点。图3是使用小车模型生成若干个参考向量的示意图。参考向量选取可以通过算法自动生成，其数量因模型而异，详细算法在第3.6节介绍。采....

图4参考向量采样空间形状与阈值的关系

图4(a）的阈值参数为ΔL=13，ΔA=1（大距离、大角度），整个空间的点都和向量相似，点云压缩变成了全局压缩。图4(b）的阈值参数为ΔL=0.1，ΔA=1（小距离、大角度），采样区域形成“洋葱”，即分层压缩的形式。图4(c）的阈值参数为ΔL=0.11，ΔAY=0.08，ΔAX=....

本文编号：3987813