一种曲面特征保持的航空叶片点云精简方法

针对现有点云精简方法在航空薄壁叶片叶缘高曲率特征区域及点云稀疏区域存在取样不足的问题,提出了一种基于重聚类策略的精简方法。通过移动最小二乘法定义点--曲面距离函数,区分高低曲率特征,建立了原始点云和精简点云之间的距离关系,在高曲率区域重聚类,实现叶缘高曲率特征保持;并在重聚类时判断点云疏密程度,对稀疏区域进行重聚类。航空叶片、铸造模具等典型复杂曲面测量点云的精简过程中,该方法相比于均匀采样法、层次聚类法,在高曲率区域可保持较高的几何精度。     

保持特征的散乱点云数据去噪

为保证在去除点云数据噪声的同时不损失模型的细节特征,提出了一种基于特征信息的加权模糊C均值聚类去噪算法。首先,构建点云K-D树拓扑结构,根据点的r半径球邻域点统计特性去除大尺度离群噪声点。然后,利用主元分析法估算点云的曲率和法向量,根据曲率特征标识点云数据的特征区域,并采用特征加权模糊C均值聚类算法对特征区域去噪,采用加权模糊C均值聚类算法对非特征区域去噪。最后,使用双边滤波器对点云模型进行平滑。对提出的算法进行了验证实验,结果显示:去噪后点云模型的最大偏差保持在模型尺寸的0.15%以内;标准偏差保持在模型尺寸的0.03%以内。本文算法能够在有效去除不同尺度和强度的噪声的同时不损失点云模型的细节特征,去噪精度高,且对不同的噪声模型具有较强的鲁棒性。     

一种基于模糊C均值和均值滤波的点云去噪算法

因点云数据中存在噪声,通常对不同特征的点云数据采用相同的处理方法,虽然能删除噪声但也会因删除尖锐特征造成过光顺。提出了一种基于模糊C均值(FCM)聚类算法且均值滤波的点云去噪算法。该算法使用模糊C均值聚类算法删除大尺度噪声后,再将均值滤波应用到点云光顺中,对数据点中的小尺度噪声进行光顺。实验结果表明,该算法去噪效果明显,在去噪光顺过程中较好地保持了边界特征,也避免了过光顺问题的产生。     

基于改进Hough变换的激光雷达点云特征提取方法研究

针对激光雷达点云数据,提出了一种改进的Hough变换算法,用于激光雷达点云数据中几何特征的提取。首先对激光雷达采集到的三维点云数据进行精简与修正;其次对精简、修正后的点云数据进行聚类处理,去除地面、顶面点云数据;其次,将聚类后的点云数据投影至地面所在的水平面,并将点云投影分布区域按照给定的大小进行分块,统计每个区块内落下的点云个数,生成点云分布矩阵;最后将点云分布矩阵转换成二值图像,并采用大范围粗粒度和焦点区域细粒度相结合的改进Hough变换方法,从二值图像中提取出线段,进而恢复出三维空间中的墙面等几何特征,用于室内移动机器人的导航。     

面向船体外板曲面重建的散乱点云精简算法

针对船体外板形变曲面实时检测与快速高效三维重建的要求。提出了以空间层次剖分和特征曲率相融合的精简算法,通过k-d树剖分准则将三维点云数据剖分成不同层次空间,层层递归形成树状数据模型,在每个节点空间内,同时分别利用K-邻域计算、曲率估算,获得点云特征曲率信息,设定可调的曲率阈值,依据阈值将同一数据源的点云数据区分为不同曲率大小的区域,运用不同的精简算法,实现保持曲面基本特征的曲面重建。实验结果分析,该算法保证曲面重建的基础上,大大减少了曲面的点云数量,提高了曲面重建效率。     

改进K均值聚类算法在电厂工况划分中的实现

本文介绍了改进K均值聚类算法的基本原理及应用。通过优化了初始聚类中心和可自适应调整到最佳值,改进的K均值聚类法和原始K均值法相比具有更高的分类准确率及更强的无监督自学习能力。并将此方法应用于基于实时数据的电厂工况划分,实验结果理想。     

均值漂移去噪算法的研究

逆向工程中对实体扫描时,由于会受到各种因素的影响,不可避免地在真实数据点中混有噪声点,为后续的曲面重构和曲面拟合等带来困难.提出应用均值漂移算法,在局部邻域内估计采样点的核密度函数并通过均值漂移算法计算它的局部最大值点,核密度函数的局部最大值点确定了点云数据的聚类中心并能准确逼近采样点曲面,将每一个采样点漂移到密度函数的局部最大值点,使点云曲面收敛为一个稳定的三维数字模型.通过实验结果表明能有效剔除噪声点.     

基于法向量区域聚类分割的点云特征线提取

针对逆向工程领域中散乱点云模型过渡线及细节特征线提取不完整问题,提出一种法向量区域聚类的特征线提取方法。采用自适应邻域的主成分分析法估算模型的法向量,利用萤火虫算法优化的模糊C均值聚类算法对法向量的进行聚类实现模型的有效分割。构造点集剔除与合并准则从各分割块边界点集中析取候选特征点,再以局部邻域主轴方向为基准提取特征点。实验结果表明：简单模型的特征线基本可准确完整提取,相对复杂模型的特征线数量提取率可达90%,长度提取率达到了85%。算法具有良好的自适应性和准确性,能有效提取点云模型尖锐特征和细节特征,并尽可能多地保留模型过渡特征。     

摄影测量点云数据精简研究

针对摄影测量过程及所得点云数据的特征,利用模板法计算曲面曲率以确定曲面的精简比,对曲率图像进行非均匀网格滤波,实现了对摄影测量点云数据的精简。计算过程简洁方便,实验结果保持了原有数据的形态。该方法适用于摄影测量点云数据的后期处理。     

复杂曲面零件在机测量数据高效提取方法

针对复杂曲面零件"在机测量-数据处理-数控加工"一体化制造中海量密集点云数据的实时处理、存储与传输难题,以实现预设精度下数据高效精简为目标,提出了一种基于空间样条渐进细分法则的复杂曲面零件在机测量数据提取方法。该方法利用双三次空间样条对初始提取点集进行插值并求解偏差,在最大偏差处插入原始采样点以实现渐进细分,直至数据提取精度满足预设值。实验结果表明该方法较现有的弦高差方法具有更好的数据精简性能及误差分布光顺性。     

点云数据的几何属性分析及区域分割

为了提高参数化反求建模的效率,提出一种基于微分几何量统计分析的区域自动分割算法。该方法将点云划入规则分布的三维栅格;将栅格中测量点的几何属性值映射到法曲率坐标系和高斯球上,利用假设检验法识别映射点的分布模式;基于映射点的聚类性质、栅格的拓扑关系和分布拟合的结果分割与二次曲面、拉伸面和直纹面等特征曲面对应的数据区域。实例表明：该算法可以稳定、高效地提取点云中的特征信息,能够广泛应用于虚拟现实、计算机视觉等领域。     

航空发动机外形点云的保特征去噪方法

三维激光扫描设备可以提供航空发动机外形实测点云,但其中包含的噪声会直接影响后期外形几何模型的重建精度。为保证在去除噪声的同时不模糊或破坏掉发动机复杂的外形几何特征,提出了一种基于深度学习的点云保特征去噪方法。将航空发动机外形噪声点云分割成特征数据和非特征数据之后,分别设计了特征去噪网络和非特征去噪网络,用于预测特征噪声点和非特征噪声点的位置修正向量,噪声点沿预测向量移动后被投影回模型真实的底层表面上,实现去噪。构建了用于特征去噪学习和非特征去噪学习的数据集。验证结果表明,在将该方法应用于各种噪声尺度的发动机外形点云时,相比现有的学习基方法,去噪效果得到提高,且有更好的几何特征保护能力,可以为后续重建提供高质量点云。     

一种基于RBF隐式曲面的离散数据快速重建方法

本文针对空间散乱数据, 提出一种基于RBF（Radial Basis Function）隐式模型的快速曲面重建方法,并实现了隐式曲面的可视化。三维离散数据由于分布稠密、不均匀,空间拓扑结构未知的特点,本文首先强调大规模散乱数据预处理的重要性。通过基于空间法向量约束和主元分析两种方法进行数据简化和特征提取。其次采用K-d tree数据结构进行空间数据分割,将全局模型转化为局部的RBF模型,从而通过求解线性方程组得到模型的权值系数。最后在局部交叠空间光滑拼接,得到一个代数表达形式的光滑曲面。实验结果表明,该方法适用于任意复杂物体的三维曲面重建,而且具有较高的重建精度。     

特征提取的点云自适应精简

作为一种反映物体形貌的三维信息,点云数据的原始数据量十分庞大,直接对过多的数据进行操作会影响后续重建等工作。本文提出了一种新的点云特征提取自适应精简算法。首先对原始点云进行空间划分,构建点的k邻域,设置特征参数,进行特征分析,识别不同区域的信息和数据。然后针对平面数据预先进行边界的检测和提取,对剩余部分进行精简。最后,针对非平面区域,先提取特征,再根据曲率的不同进行不同程度的精简。办公室数据扫描实验结果表明,处理大小为百万以内点的点云模型可以在几秒之内完成,精简比能够达到90%以上,与原始数据间的误差较小:平面部分在精简前后平均偏差均在0.02mm以内,波动很小,为0.005 7mm;非平面区域精简前后的平均偏差均在0.08mm左右,差值仅为0.000 3mm,精简精度得以保证。因此,利用提出的算法处理后的数据能更好地展示物体的形貌。     

PDGI-BASED REGULAR SWEPT SURFACE EXTRACTION FROM POINT CLOUD

A principal direction Gaussian image (PDGI)-based algorithm is proposed to extract the regular swept surface from point cloud. Firstly, the PDGI of the regular swept surface is constructed from point cloud, then the bounding box of the Gaussian sphere is uniformly partitioned into a number of small cubes (3D grids) and the PDGI points on the Gaussian sphere are associated with the corresponding 3D grids. Secondly, cluster analysis technique is used to sort out a group of 3D grids containing more PDGI points among the 3D grids. By the connected-region growing algorithm, the congregation point or the great circle is detected from the 3D grids. Thus the translational direction is determined by the congregation point and the direction of the rotational axis is determined by the great circle. In addition, the positional point of the rotational axis is obtained by the intersection of all the projected normal lines of the rotational surface on the plane being perpendicular to the estimated direction of the rotational axis. Finally, a pattern search method is applied to optimize the translational direction and the rotational axis. Some experiments are used to illustrate the feasibility of the above algorithm.     

尖锐特征曲面散乱点云法向估计

针对现有算法对尖锐特征曲面点云法矢估计不准确,点云处理时容易丢失曲面细节特征等问题,提出一种尖锐特征曲面散乱点云法向估计法。该方法用主成分分析法粗估计点云法向;然后,根据各邻域点的空间欧氏距离和法向距离对各邻域法向加权,用加权邻域法向之和来更新当前点的法向;最后,测试估计法向与标准法向的误差,评价估计法矢的准确性,并且将估计的法向应用到点云数据处理中来比较特征保留效果。实验结果表明:本文方法能够准确地估计尖锐特征曲面的法向,最小误差接近0。另外,该方法对噪声有较好的鲁棒性,点云处理时能保留曲面的尖锐特征。相比于其他特征曲面法向估计法,所提出的方法估计的法向误差更小、速度更快、耗时更少。     

凸显尖锐特征的点-线-面递进式曲面重建

针对现有曲面重建算法不能很好地重建出点云模型尖锐特征的缺陷,提出了一种凸显点云尖锐特征的点-线-面递进式曲面重建算法。首先,根据近邻点的欧氏距离、法向偏差和曲面变分,采用主成分分析算法和k-近邻点迭代加权法获取点云准确法向;接着,依据特征点位于多个平面交线上的原则,利用法向聚类和平面拟合从候选特征点中筛选特征点;然后,依据特征点生长方向和主方向的相互关系重建特征线,并按照最小二乘原理采用矩阵法修复角点;最后,以特征线为约束重建尖锐特征点云曲面。实验结果表明：本文算法计算的点云准确法向与理论法向偏差接近于0,特征重建效果优于其他算法,算法耗时短且与点云数量呈线性关系。算法不仅能够准确计算尖锐特征区域的点云法向,还能准确提取出点云模型的特征点并凸显模型的尖锐特征。