海量散乱点云out-of-core快速均匀精简算法

海量散乱点云的精简对其显示及交互性操作具有重要的意义。为快速有效地精简海量散乱点云,改进CR树结点分裂算法,将上溢结点子结点包围盒集转化为包围盒的中心点集,利用CR树与数据库SQLite构建主存-辅存分级存储机制,从而实现海量散乱点云的out-of-core管理,计算CR树目标结点层中每个结点所包含点集的均值点,将距离均值点最近的点作为该点集的精简结果,根据目标结点层的不同实现海量散乱点云不同程度的精简。实验证明,基于分级存储机制的快速均匀精简算法能够快速有效地精简海量散乱点云。     

样点邻域同构曲面约束的散乱点云法向估计

针对现有点云法向估计算法难以兼顾估计结果的精度与稳健性问题,以局部采样区域同构曲面作为样点邻域点集所反映曲面形状约束,提出一种散乱点云法向估计方法。该方法将目标样点的邻域点集作为局部样本进行曲面重建,获取插值于采样点集并与采样表面拓扑同构的局部网格曲面;对曲面局部区域高斯映射结果进行聚类分析,获取目标样点的各向同性邻域面;基于面片的正则度以及面片至目标样点的测地距离,确定目标样点各向同性邻域面片法向的加权均值,并将所得结果作为目标样点的法向估计结果。试验结果表明,该方法在点云数据信噪比为40 dB的情况下可保证98%以上样点法向估计偏差在以内,可稳健处理含有噪声以及采样不均匀等缺陷的散乱点云法向估计问题,对于含尖锐特征的点云亦能准确估计样点法向,且具有较高的计算效率。     

海量点云曲面增量拓扑重建EI北大核心CSCD

针对现有的曲面重建算法难以兼顾大规模采样数据的重建效率与重建曲面拓扑正确性的问题,提出一种基于局部Delaunay网格剖分的曲面增量重建算法.该算法采用波前扩展的策略,通过波前环的扩张、分裂、重叠面片的消除等步骤,将局部重建过程传播至每个样点的邻近区域,获得插值于采样点集的二维定向流形网格曲面,实现整个采样点集的增量拓扑重建;在曲面局部重建过程中,分别基于局部区域的Cocone算法与二维投影点集的Delaunay网格剖分方法重建曲面的尖锐区域与平坦区域,其中局部区域重建曲面网格的边界的正确性由区域之外的少量辅助样点保护.实验结果表明,文中算法具有较高的重建效率,适用于封闭和非封闭海量点云数据的重建;且在采样密度符合要求的情况下,重建的网格曲面与原表面拓扑同构.