特征保持的点云精简算法研究

发布时间：2020-07-29 12:38

【摘要】：在计算机图形学、计算机视觉、图像处理和逆向工程学等研究领域中,三维重建技术一直是研究的重点内容。随着科学技术的不断发展,类似于德国Z+F三维激光扫描仪等三维激光扫描设备不断推陈出新,三维物体的几何信息得以通过扫描设备保存至存储设备中。同时,随着激光扫描设备精度的不断提高,扫描设备单次扫描所获得的点云模型的数据量成倍增长。随之而来会出现的问题是:密集的点云数据中必然存在大量的冗余数据,这些冗余数据极大地增加了点云数据的存储开销和计算开销,而且影响到了曲面拟合和模型生成等重要后续工作的效率。还要考虑到不同精度的点云建模需要不同精度的原始点云数据,因此,在重建模型可以保留原始三维物体的形状基础上,对点云数据的精简工作成为必然。点云数据的精简是眼下三维建模研究中的热门内容,它可以为后续工作提供便利,提高三维重建的效率。本文关于点云精简的主要研究内容大致分为点云数据曲率的计算、点云数据聚类方法和点云数据的精简算法设计三个主要方面:首先,在点云数据曲率的计算过程中,由于原始的K-Dimensional树(K-D树)近邻查找方法耗费时间长,每一次的查找回溯算法较复杂,本文运用一种改进的K-D树方法来构建点云数据之间的拓扑关系,依此快速寻找出待测点的k个近邻点,并根据这k个数据点和待测点,使用最小二乘法求得局部曲面的参数方程,从而计算点云数据的曲率,实验证明,改进的K-D树方法可以快速寻找出k近邻并计算出待测数据点的曲率值。其次,经典的K-Means聚类算法在对点云数据进行分类的过程中,初始聚类中心和聚类数目的选择,会对聚类结果造成影响。针对此问题,本文在聚类之前首先对原始点云数据建立K-D树,根据K-D树子树两侧数据分布比较均匀的特点,取K-D树中节点数最接近用户指定k值的那一层节点为聚类中心,依此来确定聚类数目和聚类中心。实验表明该方法不仅可以解决聚类中心的选取工作,而且在运行时间方面较经典的K-Means聚类算法拥有更快的收敛速度。点云数据的精简是本文的主要研究内容,本文结合聚类精简法与曲率精简法的优点,首先运用改进的K-Means聚类算法对点云数据进行聚类划分,然后利用K-D树依次计算点云数据的曲率值,通过曲率信息熵识别强特征点并予以保留,各个聚类内部根据最大曲率差区分特征区域与非特征区域,在曲面变化复杂的特征区域中,根据最大、最小曲率点将聚类重新划分为两个不同聚类,重复进行最大曲率差判断,直到满足条件为止;非特征区域保留聚类中心数据点。实验证明,这种混合精简方法能很好的保留点云原始数据的细节特征,并且在非特征区域无大片空洞出现。
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41
【图文】：

接触式测量仪,三坐标测量仪,激光测量仪,接触式

太原理工大学硕士研究生学位论文些其它型状的探头可以适应特殊的要求，如半球状、碟式等探头。机械式探头主要由人力操作而且成本低廉，至今仍被人们所使用。触发式探头通常为电子开关结构，由测头单元和测量单元组成，每当探头与待测物体接触时，会导致探头的位置发生改变，测量单元内探头的接触面就会有所改变，从而产生电信号，探头的具体移动位置不同产生的信号也有所不同，然后通过处理器计算坐标位置后存储下来。如图 1-2（a）中所示，为一台手动三坐标测量仪，它主要有测量头和工作台两部分组成，相比较非接触式测量仪，其测量结果不容易收到外界环境的影响。

点云数据,八叉树

八叉树分割牛点云数据

编码规则,八叉树,节点,近邻

图 2-2 八叉树节点编码规则Fig. 2-2 Octree Encoding Method of Peer Node因为要通过待测点的所属节点编码来寻找近邻，所以编码值必须是唯一确定编码规则如图 2-2 所示，对同一级子空间上的节点进行编码，每个子节点的子空间所处的空间方位有关联。假设八叉树的递归分割深度为 n，因为每个节点都将被分为 8 份，因此编码规则采用 8 进制数来对每一个子节点编码，式（2-6）所示。n 1 n 2 m 1 0Q q q q q q （式（2-6）中，m∈{0-7}用以表示同一层中的八个节点，qm为此立方体在同中的编号，如图 2-3 中除根节点外黑色节点的编码值分别为{1，5，12，1556}。

【相似文献】