共查询到16条相似文献,搜索用时 453 毫秒
1.
基于多判别参数混合方法的散乱点云特征提取 总被引:1,自引:0,他引:1
针对以往散乱点云特征提取算法存在尖锐特征点提取不完整以及无法保留模型边界点的问题,提出了一种多个判别参数混合方法的特征提取算法。首先,对点云构建k-d tree,利用k-d tree建立点云k邻域;然后,针对每个k邻域计算数据点曲率、点法向与邻域点法向夹角的平均值、点到邻域重心的距离、点到邻域点的平均距离;最后,据此四个参数定义特征阈值和特征判别参数,特征判别参数大于阈值的点即为特征点。实验结果表明,与已有算法相比,该算法不仅可以有效提取尖锐特征点,而且能够识别边界点。 相似文献
2.
针对心内膜散乱点云预处理中的边界点检测,利用截线云理论将散乱点云进行等间隔区域分层,将点云投影至点云切片,得到切片的散乱点集,同时建立链表结构分区存储点云数据;由平面上点的二维坐标定位,提出区域"十"字算法进行切片数据边界点提取,获取切片数据的最外层点,将检测到的边界点存回原始三维数据源,完成预处理过程。实验结果证明,该算法对边界点具有较强的识别能力,能够在快速、有效地简化点云数据的同时保持原始特征的信息,可以提高后续三维建模的精度和速度。 相似文献
3.
4.
5.
6.
为了提高后续截面轮廓重建的精度,提出了基于截面切片后数据处理的系列算法.首先用点云束细化算法对切片数据进行细化处理,采用类似于移动最小二乘法的跟踪方法,整个过程不对测量数据进行局部坐标变换,迭代步长由点云密度控制;将截面切片数据细化后,用双链表排序算法对细化后的数据进行排序处理;对截面测量数据的特征点提取,结合"角偏差法"和"弦高差法"的优点,研究了对提取特征点结果影响的几个主要因子,提出一种对冗余数据处理及特征点提取的方法,得到的点云数据可以进行很好的分组处理,并拟合成合适的轮廓特征单元. 相似文献
7.
8.
《计算机应用与软件》2014,(1)
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。 相似文献
9.
《计算机工程与应用》2016,(6):186-190
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。 相似文献
10.
提出一种海量点云边缘快速提取算法。该算法先对点云数据进行格网组织,然后排除非边缘的离散点,最后采用Alpha Shapes判断条件提取边缘。该算法牺牲少量格网数据组织时间,节约大量的Alpha Shapes条件判断时间,从而显著提高算法效率。在VC环境下实现了该算法,实验结果表明该算法不仅具有提取外边界、空洞等功能,而且效率高。 相似文献
11.
目的 机载激光雷达(light detection and ranging,LiDAR)能够快速获取建筑物表面的3维点云,为提取建筑物轮廓提供重要的数据支撑,但由于激光脚点的随机性和点云自身的离散性,常规固定半径Alpha Shapes(A-Shapes)算法难以兼顾轮廓提取的精细度和完整度,且在点数量较大情况下计算效率较低。因此,提出一种基于网格的可变半径Alpha Shapes方法用于提取机载LiDAR点云建筑物轮廓。方法 对3维点云进行投影降维,对投影后2维离散点的范围构建规则格网,接着根据网格内点云填充情况筛选出边界网格,计算边界网格的平滑度并加权不同的滚动圆半径,再以边界网格为中心生成3×3邻域网格检测窗口,利用滚动圆原理提取窗口内点集的边界点,迭代检测直到所有边界网格遍历完成,最后获取点云的完整轮廓。结果 在精度评价实验中,与固定半径A-Shapes方法和可变半径Alpha Shapes(variable radius Alpha Shapes,VA-Shapes)方法相比,若建筑物以直线特征为主且边缘点云参差不齐,则本文方法的提取效果不理想;若建筑物含有较多拐角特征,则本文方法的提取效果较好。在效率评价实验中,与A-Shapes方法、VA-Shapse方法以及包裹圆方法相比,若点云数据量较小,则4种方法的耗时差距不大;若数据量较大,则本文方法和包裹圆方法的耗时远小于固定半径A-Shapes方法。实验结果表明,本文提出的轮廓提取方法适用于多种形状的建筑物点云。从轮廓完整性、几何精度以及计算效率等几方面综合考虑,本文方法提取建筑物点云轮廓效果较好。结论 本文提出的基于网格的可变半径Alpha Shapes建筑物点云轮廓提取方法结合了网格划分和滚动圆检测的优点,能够有效提取机载LiDAR建筑物点云顶部轮廓,具有较高的提取效率和良好的鲁棒性,提取的轮廓精度较高。 相似文献
12.
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。 相似文献
13.
14.
对于型面复杂且含有大量孔洞的点云模型,目前逆向软件和修补算法皆存在单孔逐一修补时效
率较低、人机交互过多;多孔同时修复精度不高、特征丢失等问题。因此,有必要实现以孔洞的分类识别为前
提,以特征保持为目标的高效、高精度的点云孔洞分类自动修补方式。基于上述想法,提出一种在孔洞识别的
基础上将圆柱特征孔洞与一般类型孔洞分类的方法。首先,借助最大角度识别准则提取孔洞边界点集合,通过
欧式聚类算法分割并统计孔洞总数,然后利用 RANSAC 算法和设定的距离阈值提取模型中的圆柱特征孔洞。
实验结果表明,该方法不仅可提取模型中直径大小不同的多个圆柱特征孔洞,而且能估算出较为准确的圆柱面
几何参数,实现了面向自动修补技术的一类特征孔洞的识别。 相似文献
15.
为了有效保持散乱点云的显著几何特征,提高点云简化的精度和效率,提出一种点重要性判断点云简化方法.首先,计算点云中点的重要性,并根据重要性提取特征点;然后,采用八叉树算法对非特征点进行简化,从而保留点云的主要细节特征,实现点云简化处理;最后,通过对公共点云和文物点云数据模型的简化实验来验证该点云简化方法.结果表明,该点重要性判断点云简化方法可以在有效保持点云细节几何特征的同时,实现点云的有效简化,是一种快速、高精度的点云简化方法. 相似文献
16.
Point cloud registration is an essential step in the process of 3D reconstruction. In this paper, a fast registration algorithm of rock mass point cloud is proposed based on the improved iterative closest point (ICP) algorithm. In our proposed algorithm, the point cloud data of single station scanner is transformed into digital images by spherical polar coordinates, then image features are extracted and edge points are removed, the features used in this algorithm is scale-invariant feature transform (SIFT). By analyzing the corresponding relationship between digital images and 3D points, the 3D feature points are extracted, from which we can search for the two-way correspondence as candidates. After the false matches are eliminated by the exhaustive search method based on random sampling, the transformation is computed via the Levenberg-Marquardt-Iterative Closest Point (LM-ICP) algorithm. Experiments on real data of rock mass show that the proposed algorithm has the similar accuracy and better registration efficiency compared with the ICP algorithm and other algorithms. 相似文献