一种非封闭自由曲面的点云边界提取算法

点云边界不仅作为表达曲面的重要的几何特征,而且作为求解曲面的定义域,对重建曲面模型的品质和精度起着重要的作用.以激光线性均匀扫描的点云数据为例论述了一种改进的空间非封闭自由曲面点云的边界提取方法,在原算法基础上增设阈值,变固定K值为变量K值.实验证明该算法不仅可以较快地提取边界,而且表达曲面边界特征比较精确.     

一种改进的散乱点云边界特征点提取算法

提出一种新的散乱点云边界特征点提取算法。根据点云数据小邻域内点用最小二乘法拟合建立微切平面,并将这些数据点向其微切平面投影,利用点集中每个点的场力大小之和可以体现点集平均作用的理论来分析投影面上点集的几何分布特性,据此检测边界特征点。利用双向最近点搜索算法对提取出来的特征点进行排序并自动生成边界曲线。实验结果证明该算法能够快速、准确、有效地提取点云的边界。     

一种基于散乱点云的边界提取算法

点云边界是曲面的重要特征之一,边界线的快速准确提取对于提高曲面重构的效率和质量具有重要意义。首先,采用基于kd-tree搜索的方法建立点云空间拓补关系,进行K邻域快速搜索,以采样点及其K邻域作为局部型面参考依据拟合微切平面,将其向微切平面投影;其次,在微切平面上建立局部坐标系,并对投影点进行参数化,根据邻域点集在采样点处的场力大小之和可以表示点集的平均作用来识别点云的边界特征点;最后,从提高边界线连续性的角度,利用NURBS曲线插值方法连接边界线。实验结果表明,该算法可以快速、有效地提取出点云的边界特征点,并得到C2连续的边界线,满足曲面重构的要求。     

航空部件测量数据的三维散乱点云边界特征快速提取算法

提出一种三维散乱点云边界特征提取算法,该算法采用R*-tree建立散乱点云的空间索引结构,基于该结构快速获取任意点的k近邻点集X,计算该点集的型心,依据型心及任意点构建向量v,建立经过点P且垂直于v的基准平面L,若点集X中各点均位于平面L的同侧,则点P为边界点,否则为非边界点.实例表明该算法运行速度快,且在快速准确提取...     

散乱点云数据的高阶平滑隐式曲面重建

针对三维扫描或三维重建获取的散乱点云数据曲面重建问题, 提出基于拉普拉斯规则化的高阶平滑算法。首先, 计算点云数据的包围盒并离散化得到体素空间; 其次, 在体素空间根据隐式曲面的梯度和点云位置、法向信息建立目标函数, 并通过对目标函数的拉普拉斯规则化达到控制重建曲面光顺效果的目的; 再次, 根据最优化原理将重建问题转换为一个稀疏线性方程组求解问题; 最后, 通过步进立方体算法得到重建曲面的三角网格表示。定性和定量的实验结果表明, 该方法重建曲面绘制效果和精确度优于常用的Poisson方法。     

基于点云切片的边界提取

针对点云切片的截面数据可能存在不连续的特征曲线对拟合造成误差的情况,提出对每个截面数据将不连续的特征曲线点集分割成连续的特征曲线点集的方法。鉴于不连续特征曲线点集之间、点与点之间的欧式距离远大于点云密度,而同一个连续特征曲线点集中点与点的欧式距离趋近于点云密度,所以可以利用点云密度作为阈值,将不同的连续特征曲线点集分割开。对每个连续的特征曲线点集进行曲线拟合,得到点云切片的边界。分析结果表明,该分割算法能有效地分割出点云切片中不连续的特征曲线点集,减小曲线拟合时的误差,提高了点云切片边界提取的精度。     

散乱点云特征边缘交互提取

为了在具有多个特征边界的散乱点云上提取指定目标特征边界,提出了一种基于目标特征边界交互提取的算法。拾取目标特征及其周围的点云。利用KD树建立散乱点云的空间拓扑关系,计算出每个数据点的k邻域。通过数据点k邻域构成的最小二乘平面的投影点角度差,根据角度差的最大值来判断该点是否为边界点。拾取目标特征边界上的某个点作为种子点,按照某一个固定方向搜索边界点,直到搜索整条封闭边界为止。实验表明,该方法能够准确获取散乱点云上任意指定目标特征的边界。     

三维散乱点云快速曲面重建算法

提出了一种基于Delaunay三角剖分的三维散乱点云快速曲面重建算法。算法首先计算点云的Delaunay三角剖分, 从Delaunay四面体提取初始三角网格, 根据Voronoi体元的特征构造优先队列并生成种子三角网格, 然后通过区域生长的方式进行流形提取。实验结果表明, 该算法可以高效、稳定地重构具有复杂拓扑结构、非封闭曲面甚至是非均匀采样的点云数据。与传统的基于Delaunay的方法比较, 该算法仅需要进行一次Delaunay三角剖分, 无须极点的计算, 因此算法的重构速度快。     

基于移动最小二乘曲面的点云拼接算法

针对现有点云拼接方法受被测零件复杂外形和测量噪声影响的问题,提出基于移动最小二乘( Moving Least-Squares,MLS)曲面的点云拼接算法.该算法利用一种极值投影方法来有效计算点到MLS曲面的对应点,并结合迭代最近点(Iterative Closest Point,ICP)算法将各个视角的点云统一到该ML...     

一种基于扫描点的平面散乱点云边界的提取算法

根据平面散乱点云的特点,依据边界点和非边界点的位置关系,用网格把点云划分开来,在确定边界网格和非边界网格以后,将所有的边界网格按照它们的位置关系连接成环,对于从每一个边界网格提取边界提出了一种最小凸边算法,并且从理论和实验上证明了这种最小凸边算法的可行性。     

散乱点云数据特征信息提取算法

针对散乱点云特征提取过程中效率低和噪声敏感性差的问题,提出一种双阈值点云特征信息提取算法。采用主成分分析法和局部二次曲面拟合法对点云模型进行微分几何信息估算,得到k邻域内采样点平均法矢夹角和平均曲率的特征权值,并利用双阈值检测方法对散乱点云的特征信息进行提取。实验结果表明,该算法能够快速准确地对散乱以及含有噪声的点云模型进行特征信息提取,具有较高的鲁棒性。     

散乱点云精简的一种改进算法*

非接触式扫描获取的散乱点云数据存在大量冗余,为方便模型重构,点云数据精简是不可或缺的点云预处理步骤,提出一种散乱点云数据精简的改进算法,首先将包围点云数据的最小包围盒划分成若干个子空间,根据每个含有点的子空间,获取K邻域点集的拟合平面,计算K邻域中各点到拟合平面距离的累加和。对各个K邻域的距离累加和升序排列,根据预定精简百分比,将包围盒划分为待保留和待删除两个区域,实现了对同一数据在不同区域采用不同算法,完成不同比例的精简。实例验证表明,该算法在保留几何特征的同时,更能有效地避免“空白区域”,且提高了计算效率。     

一种散乱分层点云的有序化精简方法

针对激光扫描仪所得点云散乱分层的特点,提出一种有序化的精简方法。首先基 于已知标记点建立三维R-tree 和八叉树集成的空间索引,快速准确地获取局部点云数据,保证 良好的数据检索效率。然后根据局部点云数据的参考平面法向量信息,选取工件坐标系中的一 个坐标轴作为参数化的方向,对局部点云数据进行参数化并拟合二次曲面。最后对R-tree 叶节 点内的二次曲面进行有序化采样,使散乱分层的点云变为单层,得到整个型面的有序参考点集。 应用实例表明,该方法适用于大规模的、具有复杂几何特征且存在一定程度散乱分层的点云, 可以有效地提高数据点的整体精确度,且不会丢失点云的细节特征,具有较强的实用性。     

一种基于法矢修正的散乱点云数据平滑处理算法

在分析现有滤波方法局限性的基础上,提出了一种基于测量点法矢修正的散乱点云数据平滑处理方法,通过对特征区域和非特征区域采用不同的法矢修正方法,使光顺后的点云不但达到了非常光滑的效果,而且保持了点云的形状和特征。大量实例验证了该算法的可行性。     

针对密集点云的快速曲面重建算法

为了能够快速地从高密度散乱点云生成三角形网格曲面,提出一种针对散乱点云的曲面重建算法.首先通过逐层外扩建立原始点云的近似网格曲面,然后对近似网格曲面进行二次剖分生成最终的精确曲面;为了能够处理噪声点云,在剖分过程中所有网格曲面顶点都通过层次B样条进行了优化.相比于其他曲面重建方法,该算法剖分速度快,且能够保证点云到所生成的三角网格曲面的距离小于预先设定容限.实验结果表明,文中算法能够有效地实现高密度散乱点云的三角剖分,且其剖分速度较已有算法有大幅提高.     

无人机摄影测量点云道路自适应提取

在无人机摄影测量中, 针对传统的地面点云提取方法对图像点云数据中的道路提取适应性较差的问题, 本文提出了一种无人机摄影测量点云道路自适应提取方法. 首先, 根据点云的空间几何特征将点云划分为3个类别; 然后, 针对非道路的点云类别采取相应的方法进行剔除; 最后, 对经过自适应提取方法得到的点云数据进行滤波平滑和基于颜色的区域生长分割处理. 实验结果表明, 该方法提取的道路点云的I类误差为4.97%, II类误差为1.14%. 该方法能够有效地提取目标道路路面, 提高了无人机摄影测量工程应用中点云数据处理的效率.     

基于区域分割的点云骨架提取算法

针对L_1中值骨架提取方法存在迭代次数较多、相邻区域较紧密时骨架易跨越区域等问题,提出一种分区提取骨架的算法。结合点云区域的连通性及局部相关性,采用马尔科夫随机场模型,将给定点云分割成不同区域。在相同标号的区域根据区域大小和点集数自适应地计算不同的初始收缩邻域尺度,用L_1中值不断收缩迭代提取各区域的骨架分支,通过主成分分析及连接角判定骨架连接方式,并根据该连接方式将骨架分支连接成完整的点云骨架。实验结果表明,该算法能够自适应地提取点云骨架,减少点云收缩的迭代次数,保持模型原有的拓扑结构,对于含有区域紧密度不均匀的模型有较好的效果。     

散乱点云离群点的分类识别算法

散乱点云离群点识别和滤除是重建高质量曲面的前提,也是散乱点云预处理的重要步骤.提出一种散乱点云区域增长策略和一个基于曲面变化度的局部离群指标SVLOF,并将其应用到离群点识别中.通过分析离群点产生的原因,根据离群点到点云主体的距离将离群点分为远离群点和近离群点2类;对远离群点采用基于三维区域增长的方法进行识别,而对于近离群点采用SVLOF系数进行识别.基于仿真数据和实测数据的实验均表明,采用文中算法能够快速、有效地检测出孤立离群点和小型聚类离群点.     

一种基于协方差矩阵的点云特征曲线提取算法

针对现有特征曲线提取算法对模型细微特征不敏感、时间代价高及抗噪性差的缺点,提出一种基于协方差矩阵与投影映射的提取算法。根据协方差矩阵的特征值进行区域增长聚类分割形成多个带状聚类,在各个聚类内部根据主方向提取关键特征点,并将其投影到经移动最小二乘法拟合的以该关键点为中心的局部曲面上,构成特征曲线。实验结果表明,该方法可有效提高运行效率,并且具有强抗噪性,能够得到光滑的特征曲线。     

基于SOM的散乱点云法矢计算

点云法矢计算对点云分布密度较敏感,而且在尖锐边界处计算误差较大。为此,提出一种基于自组织神经网络(SOM)的散乱点云法矢计算方法。为利用散乱点云拓扑和几何信息计算法矢,以球面SOM学习点云拓扑结构,得到被测曲面的三角网格近似图,使用三角网格构成的连通图组织点云数据结构,通过k-近邻点拟合微切平面,从而计算点云法矢,并调整点云法矢指向。实验结果表明,该方法具有较高的计算精度,法矢误差在0.08以内,标准差为0.009。