三维散点云非均匀简化算法.docxVIP

三维散点云非均匀简化算法 0 点云简化算法 近年来，随着面漆技术的进步，采样点的精度达到了亚毫米水平。在3d水平的三维扫描中，有许多点。使用这些点进行折射重建和后续处理将需要大量的时间和空间。因此,在保证能为模型重建提供必需信息的前提下,简化测量数据点云是十分必要的。国内外许多学者对三维散乱数据点集的简化进行了研究,Wang等人先用几何图像表示采样点,然后根据简化密度和曲面变分将点云进行简化;马磊等人和王洪涛等人根据点数和表面变化系数实现测量数据点集的快速递归分块,然后在每个分块子集内保留一个与该子集重心点最近的测量点实现数据简化。贺美芳等人先计算出所有点的法向量,然后把曲率值小于给定阈值的数据点提取出来,按照数据个数进行简化,把曲率值大于给定阈值的数据点提取出来,进行排序,再按照给定百分比提取;Pauly等人运用递增式和分割式聚类方法实现了数据点集的快速递归划分,在每个类中保留一个点实现了简化。然而,以上点云简化算法都没有检测边界点,当点云数据包含边界时,边界点可能会丢失,从而影响后续的曲面重建。 文献认为如果数据点p的k邻近点的分布偏向一侧,则点p为边界特征点。本文根据其对边界点的定义,对其邻近点分布均匀性的判定方法进行改进。在边界提取的基础上,保留所有边界点,再利用曲面变分将其他非边界点区分为特征点和非特征点。对特征点,在其邻域内按比例保留,非特征点在邻域内保留一个点。 1 维k-to 散乱点云没有明显的几何分布特征,即没有规律性,都呈散乱无序状态,因此必须建立数据点之间的空间拓扑关系才有利于查找每个点的k近邻。目前搜索k近邻常见的方法有三种:八叉树、空间单元格和kd-tree法。本文首先采用kd-tree建立数据点之间的拓扑关系,从而找出各数据点的k近邻,通过邻近点的位置反映出待重建曲面在该测点处的形状信息。 kd-tree是Friedman等人于1977年提出的一种高维二叉树,在其上可实现对给定目标点的快速最近邻查找。kd-tree的每一层将空间分成两个。树的顶层节点按一维进行划分,下一层节点按另一维进行划分,以此类推,各个维循环往复。划分要使得在每个节点,大约一半存储左子树中,而另一半存储在右子树中。当一个节点中的点数少于给定的最大点数时,划分结束。二维kd-tree如图1所示,左图为剖分规则,其中水平线表示按X轴剖分,竖线表示按Y轴剖分。 本文选取了一个合适的分割规则,即每次分割时选择最长轴作为分割轴。散乱点云在X,Y,Z轴方向的最小和最大值分别为:Xmin,Xmax,Ymin,Ymax,Zmin,Zmax,则分割轴长分别为:ΔX=Xmax-Xmin, ΔY=Ymax-Ymin,ΔZ=Zmax-Zmin。例如ΔZ最大,即选择Z轴进行分割。计算出位于Z坐标中间值的点,小于中间值的点位于节点的左子树,大于中间值的点则位于节点的右子树。 2 点pi、协方差矩阵 以曲率为准则的简化算法,能够保留模型的特征,其绘制效率显著提高,但是对于散乱点集模型进行曲率估算都比较复杂而耗时。Pauly等人使用曲面变分来估计点云的局部曲面变化,该方法简单且能有效地反应曲面信息,他指出曲面变分值越大,表示该处的曲面越弯曲,反之亦然。对于局部区域中某个点pi,pi周围邻近点记为pm∈Nb(pi),Nb(pi)表示离pi最近的k个点,pi周围邻近点均值为pi?=1k∑1kpipi-=1k∑1kpi,点pi的协方差矩阵定义为: Ci=????(p1?pˉi)?(pm?pˉi)????T????(p1?pˉi)?(pm?pˉi)????Ci=[(p1-pˉi)?(pm-pˉi)]Τ[(p1-pˉi)?(pm-pˉi)] Ci是对称半正定矩阵,存在3个实数特征值,设其分别为λ1,λ2,λ3(假设λ1≤λ2≤λ2),它们对应的特征向量分别为v1,v2,v3,v2和v3张成了pi处的最小二乘拟合平面,v1即为该平面的法矢方向,λ1的大小表明了待重建曲面在pi处沿法向方向的变化量。定义pi处的曲面变分为:σi=λ1λ1+λ2+λ3σi=λ1λ1+λ2+λ3。为了确定曲面变分的阈值,本文采取随机采样法估计点云的曲面变分平均值。在点云中随机取出N点,计算这些点的曲面变分,然后计算平均值,即得到曲面变分的估计值,σ=∑i=0N?1σkσ=∑i=0Ν-1σk,曲面变分的阈值为:η=d*σ,d为期望保留点占总的点数的比值。 3 边界点的计算 文献利用数据点的拓扑关系以及数据点法矢等信息构造最小二乘平面,然后根据邻域内数据点在平面上的投影点之间分布均匀性提取边界,如图2 中(a)所示。文献投影点均匀性的判断标准是角度标准差。该方法首先要找到离该点最近的点作为基准点,其次要对邻近点的夹角进行排序从而计算出夹角标准差,当数据量很大时,上述两个步骤都会耗费大量时间。文献投