一种改进的点云数据精简方法.pdfVIP

522 计算机应用 第32卷 简时，定义点P和它周围k个邻近点的最大的曲率平方值的 P点的Hausdorff距离可定义为： 差 =max(。，s：，…， )作为该点的标准值，并设立相应 HP=max(抒l，H2，H3，…，H) 的阈值。遍历所有的数据点，若点的标准值小于阈值则对它进 其中： ， ， ，…， 为点P与其 个邻近点的Hausdorff距 行删除。 离值。因此，建立了点的邻域拓扑关系之后 ，任取一点P，如果 Kim的算法在精简点云时能相对准确地保持曲面特征并 点P处曲面的几何特征较明显，则坼 较大；反之，P为非特征 减少数据点 ，但缺点也是显而易见的。由于仅依靠主曲率平 点， 较小。 方和的差别作为曲面特征参数 ，当曲面中的两个数据点拥有 通过对点云中点Hausdorff距离值的确定，可以比较准确 完全不同的曲率 ，在有些情况下与邻近点相比，特征参数s相 地反映出任意点的曲率变化情况。以此为依据简化时，对在 同。这会导致特征点被盲 目删除，从而丢失几何特征。为了 曲率变化大的区域保留足够多的点 以突出模型的曲面特征； 解决上述问题，本文提出以数据点主曲率的Hausdorff距离作 而在曲率变化小的区域保留少量的点以减少冗余，从而确保 为判断其是否为特征点的依据。仿真实验表明，相比Kim的 了在曲面不失真的情况下，尽可能多地删除不必要的点。实 算法，本文算法精简效果好。 验结果亦表明，采用 Hausdorff距离在有效减少数据点的同 时，很好地保持了模型中的细节特征信息。 2 本文的算法 2．3 算法步骤 对于栅格化并建立了拓扑关系的数据点的集合 {P，i= 2．1 Hausdorff距离 Hausdorff距离主要用于描述两个点集之间的相似程度 ， 1，2，…，n}，取任意一点p，其 邻域点集为 {q，i=1，2，…， k}。计算每个采样点的Hausdorff距离及简化数据点的算法步 它是两个点集之间距离的一种定义形式。给定两个有限点集 骤如下： A，曰，则两个点集之间的Hausdorff距离定义为 ： 步骤 1 用二次抛物曲面拟合的方法估算所有点的主曲 D(A，)：max(d(A，B)，d(B，A)) (1) 率。 其中d(A，B)和d(B，A)分别表示集合A到集合B和集合B到 步骤2 计算点p与其邻域点的Hausdorff距离，并取最 集合A的单向Hausdorff距离，分别定义如下： 大值作为该点的Hausdorff值。 fd(A，B)=maxrainlla—bll { 。 (2) 步骤3 以步骤 2遍历所有点，计算所有数据点 的 Ld(B，A)：maxminllb一。ll Hausdorff值 。 bEB aEA ’ 其中 l1·ll表示某种距离范数。 步骤4 根据数据点Hausdorff值的大小，将点云分为多 2．2 点的几何特征描述