基于栅格排序的散乱数据近邻快速搜索算法.docVIP

基于栅格排序的散乱数据近邻快速搜索算法 　　摘要： 文章提出了一种基于栅格排序的散乱数据近邻快速搜索算法。首先将散乱数据集进行空间栅格划分，然后求得当前被测点到周围栅格的距离并进行排序。按照栅格到被测点的距离，从小到大依次进行搜索，直到符合条件为止。实验结果表明，本算法可以大大缩小搜索范围，提高搜索速度。 　　Abstract: An algorithm for searching K-Nearest Neighbors of scattered points based sorted grids is presented. At first, the scattered points are divided into a set of uniform grids, and then sorted the distances between the current point and the grids around it. Searching the grids accord to the distances from small to large until meeting the requirements. Experiments show that the algorithm makes the searching range to be much smaller and the searching speed to be much faster. 　　关键词： 近邻；空间划分；散乱点 　　Key words: K-nearest neighbors；space division；scattered points 　　 中图分类号：TH12文献标识码：A 文章编号：1006-4311（2011）16-0010-03 　　 　　基金项目：本文受国家863高技术计划项目（2007AA04Z184）资助。 　　作者简介：李彬（1983-），男，河北安平人，硕士研究生，研究方向为数字化设计制造。 　　0 引言 　　随着科技的发展，逆向工程技术已经成为制造业信息传递的重要而简洁途径之一，它为快速设计和制造提供了很好的技术支持。所谓逆向工程，是指用一定的测量手段对实物或模型进行测量，根据测量数据通过三维几何建模方法重构实物CAD模型的过程。其中，数据处理是逆向工程的一个重要的技术环节，它决定了后续CAD模型重建过程能否方便、准确地进行。数据处理主要包括数据精简、数据分块、数据平滑、特征提取等。这些环节目前主要的方法都需要对数据点的几何信息（主要是法矢量和曲率）进行局部估计，这就需要确定每个数据点的k近邻，然后在k近邻中进行数据拟合，估算各种几何信息。 　　假设某一点集共n个点，通常求点P的k近邻点的方法是分别求出此点与其它n-1个点的欧氏距离，然后对它们从小到大排序，其中距离最小的k个点为点P的近邻点。这种方法很便利也很直观，但现实中的数据点集往往非常庞大，假若每一次都遍历n-1个点，那必然非常费时。为了提高搜索速度，国内外许多学者对这一问题进行了研究。综合而言这些方法可分为两类：（1）利用点集Voronoi图来进行k近邻搜索[1-2]；（2）利用空间分块策略进行k近邻搜索[3-4]。但是点集Voronoi图的计算量仍然非常大，而文献[3]不能保证所划分的包围盒尺寸达到或接近最佳搜索速度。文献[4]综合考虑了数据集的范围、点的总数及最近点数目k来划分栅格大小，并且在搜索终止准则上进行改进。此算法虽然优化了空间分块准则，改进了搜索范围，但还需要搜索较多栅格。 　　本文提出了一种基于栅格排序的快速搜索算法，将三维散乱点集进行空间栅格划分，求得被测点P到周围栅格的距离，按照栅格到P的距离从小到大进行搜索，能有效减少搜索栅格的数量，提高算法效率。 　　1 基于栅格排序的快速搜索算法 　　 　　1.2 算法思想 本算法首先利用空间分块法把数据空间划分为许多大小相同的立方体，然后把每个点都归在相应的立方体中。计算被测点P到所在立方体六个面及周围立方体的距离，并进行排序。检查与以P为球心，栅格到P距离为半径的空间球产生干涉的立方体，并计算立方体内包含点是否为k近邻点，如果找到k个近邻点，那么搜索结束；否则，半径以求得的到立方体的距离为半径增大，直到满足条件为止。 　　具体算法如下： 　　 　　文献[4]经过大量实验得出了β接近最佳搜索速度的边长调节系数，本文取β=1.1。 　　 　　随着n的增大，n级栅格数会急速增多，通常的空间分块法是n级栅格搜索不满足条件，即搜索n+1级全部栅格，造成了数据急剧扩大。本算法首先只需求得被测点P到n级周围栅格的最小距离，并按距离排序依次搜索栅格，一旦满足要求找到k个近邻点