基于曲率的主分量分析及应用.docVIP

基于曲率的主分量分析及应用 　　摘要：提出一种基于曲率的主分量分析算法。该算法先计算各点的曲率，包括主曲率、高斯曲率和平均曲率，并将点云数据映射到曲率空间，对曲率空间进行主分量提取，然后对点云数据进行压缩。实验结果表明，该算法具有较好的压缩性能。将PCA算法引入三维点云数据压缩，弥补了传统PCA方法的缺陷。 　　关键词：曲率； 主分量分析； 数据压缩； 三维数据 　　中图分类号：TN911??34文献标识码：A文章编号：1004??373X(2011)22??0001??03 　　Curvature??based Principal Component Analysis and Application 　　TANG Min??li, WANG Wei, WU Heng??yu 　　(Hainan Software Vocational And Technical College, Qionghai 571400, China) 　　 　　Abstract： A primary component analysis algorithm on account of curvature is propsed to compress the data of 3D point cloud. The primary curvature, Gaussian curvature and average curvature of each point is calculated. The point cloud data is mapped to the curvature space to extract the primary component of the curvature space. The point cloud data is compressed. Test results show that this algorithm has a perfect compression performance. The innovation of the paper is that PCA algorithm is introduced into compression of 3D point cloud data. The algorithm conquered the disadvantages of the traditional PCA method. 　　Keywords： curvature; PCA( primary component analysis); data compression; 3D data 　　 　　 　　收稿日期：2011??07??11 　　基金项目：国家自然科学基金资助项目；海南省自然科学基金资助项目（610230）0引言 　　主分量分析PCA(Primary Component Analyze)是统计学中一种根据数据的统计分布特性提取数据主要成分的数据处理方法。由于它能减少数据的维数,并能使提取成分与原始数据的误差在均方意义上达到最小,所以常被用于数据的压缩和模式识别的特征提取。在反求工程中，三维激光扫描点云数据处理的一般流程为点云数据获取、噪声去除、点云数据过滤和平滑、数据压缩、点云特征提取与分割、曲线拟合、表面重建。其中，数据压缩是后续表面重建的关键步骤。 　　一般而言，三维散乱点云数据具有较大噪声，数据概率分布不一定符合高斯分布，这限制了PCA在点云数据压缩中的使用。鉴于此，本文基于Kernel??PCA的思想，尝试将三维点云数据映射到曲率空间，然后再用PCA进行处理。 　　关于点云数据的曲率估算方法,国内外已有一些研究。Milroy等采用局部坐标系内的二次参数曲面逼近点云［1］,利用曲率的微分性在OSC(Orthogonal cross Section) 模型上估算点云数据的曲率值。Huang和刘胜兰是在三角网格模型上进行曲率估算的［2??3］。以上几种是采用其他模型代替原三维点云模型来估算曲率的方法。胡鑫采用图像处理中梯度求解法,对点云中每一点处的曲率进行估计［4］，它对噪声没有抑制作用,同时对点云数据的组织方式有要求。Yang的方法直接以点云模型为研究对象,但却局限于对规则点云进行曲率计算［5］。对于散乱点集模型进行曲率估算目前还缺少有效的方法。本文尝试着直接在散乱点集模型上计算曲率，然后再做PCA压缩。 　　1基于曲率的主分量分析 　　1.1曲率的计算 　　具体步骤如下： 　　（1） 对点云进行空间划分和K?擦诮?计算［6］，把每个点xi 的K?擦诮?包括该点记为N(xi)，每个N(xi)的隐含曲面用一个切平面逼近［7］。