逆向工程中散乱点云的K邻域搜索算法研究.pdfVIP

机械设计与制造 第3期 256 Machinery Design Manufacture 2012年 3月 文章编号：1001—3997(2012)03—0256—03 邳逆向工程中散乱点云的K邻域搜索算法研究木 理 0 t一．- ， 刘越华 廖文和 刘 浩 (南京航空航天大学 机电学院，南京 210016) ResearchofK—nearestneighborssearchalgorithm inreverseengineering LIUYue-hua，LIAOWen—he，LIUHao (CollegeofMechanical-ElectricalEngineering，NanjingUniversityofAeronautics andAstronautics，Nanjing210016，China) 中图分类号：TH16，TH164 文献标识码：A 1引言 意味着点在空间中也比较接近来搜索K邻域。 但是很有可能有一些近邻由于和采样点位于八叉树的不同 在逆向工程中，目前绝大多数测量设备输出数据的形式是 层造成它们的Morton码值和采样点的Mortno值差的比较大 ，从 点云，它是后续处理工作的基础。由于散乱数据点云缺乏明显的 而造成在搜索的时候搜索范围过大，甚至是需要搜索整个点云数 拓扑几何关系，因此需要通过K邻域结构来反映待重建曲面的 据，使得搜索效率降低。 在该点处的形状信息，如曲率、法矢等特性。K邻域搜索是基于散 文献 是基于立方体小栅格的一种快速算法，首先根据小栅 乱数据点集模型重建的关键步骤，K邻域的搜索效率直接影响到 格大小的计算值，把数据空间分成许多大小相同的立方体小栅格； 逆向建模的效率，因而对此进行研究有重要的实际应用价值。 然后使数据集中的每个点归人到相应的小栅格内；最后利用小栅 通常，计算某点的K个最近邻域的方法是求出候选点与其 格内点的信息对每个候选点进行K个最近邻域的搜索。由于点云 余n一1个点的欧氏距离，并按从小到大的顺序排列，前面的K个 数据是样件表面的一系列离散三维点，文献日的方法分割后每个立 点即为候选点的K个最近邻域l11。这种方法很直观，但是，真实数 方体内数据点个数相当不均匀，在文献 的基础上提出了采用二次 据的n往往很大，用它来计算数据点的K个最近邻域必然会很 划分的方法将点云划分到相应的立方体小栅格中；然后利用采样 耗时。许多学者针对此问题进行了一些陕速算法的研究，快速算 点到该点所在立方体小栅格六个面的距离作为搜索范围的依据， 法的实质是缩小每个点的K邻域的搜索范围。这些快速算法一 相比文献 缩小了搜索范围，从而提高了K邻域的搜索速度。 般分为二类：基于树的层级数据结构来搜索K邻域 ；基于立方 体小栅格来搜索K邻域i8-。对于基于树的层