基于八叉树分解法的空间散乱点数据场可视化

八叉树分解法是空间散乱点数据场可视化的一种经典算法,它适用于地下岩体模型的可视化,得到的模型可以进行直接三维观察.文中对几种常见的建模方法进行了简单的分析比较,并着重对八叉树分解算法进行了深入研究,而且给出了实现散乱点数据场可视化的关键步骤.经过理论上的分析,八叉树分解法适用于空间散乱点数据场可视化.     

基于八叉树分解法的空间散乱点数据场可视化

八叉树分解法是空间散乱点数据场可视化的一种经典算法,它适用于地下岩体模型的可视化,得到的模型可以进行直接三维观察.文中对几种常见的建模方法进行了简单的分析比较,并着重对八叉树分解算法进行了深入研究,而且给出了实现散乱点数据场可视化的关键步骤.经过理论上的分析,八叉树分解法适用于空间散乱点数据场可视化.     

带洞点云多层同步表面重建方法

针对法向信息缺失和采样点缺失的带有洞的散乱点云数据,提出了一种高效高质量的多层同步表面重建方法.首先利用动态等高线检测出含有洞的八叉树节点,并且基于HPR（hidden point removal）映射计算出八叉树顶点的内外状态,建立带有顶点内外标识的空间有向状态八叉树,然后基于八叉树节点内法向测试方法保证基于k近邻表面重建过程中采样点的法向的正确性,且该空间有向状态八叉树可以支持不同层次的点云同步重建,在保证重建结果正确性的前提下,提高重建效率.     

基于模糊极大似然估计聚类的点云数据分块

对散乱点云数据采用微切平面法进行法矢估计,对法矢方向进行全局协调性调整。采用稳定性较好的二次曲面拟合法估算点云数据的高斯曲率和平均曲率。将点的坐标、法矢和曲率合并为八维特征向量,通过模糊极大似然估计聚类技术,将具有类似几何特征的向量聚为一类,从而实现点云数据的分块。实验证明该方法有效。     

基于八叉树空间分割的k近邻搜索算法

以三维扫描得到的散乱点云为基础,提出了一种基于空间八叉树的快速k近邻搜索算法,通过对点集建立包围盒,利用八叉树记录分割过程,从而使近邻点的搜索只局限于采样点所在的包围盒及其周围的包围盒,并通过剪枝策略使搜索范围进一步缩小。大量真实数据的实验结果表明：该算法可以很好地提高近邻点的搜索速度。     

三维散乱数据三角形网格逼近的一种算法

以激光－机器视觉测量方式得到的曲面数据云为基础，对曲面密集３维散乱数据用线性逼近进行三角形网格拟合。根据激光测量方式和３维点群分布的特点，应用八叉树空间分割原理，对密集散乱点群采用空间分区存储，建立八叉树拓扑关系，加快几何建模速度。     

散乱点云数据配准算法

提出一种以物体表面上不附加任何几何和拓扑信息的散乱点集为处理对象,自动进行点云数据配准的算法．该算法针对待配准的2组点云数据,根据测点及其邻域点估算每个点的曲面法矢,并对法矢方向进行调整,使其指向曲面的同一侧;然后计算各个测点的曲率．根据每个测点的曲率来识别出2组点云数据中可以匹配的点对集合。计算将每一个点对的法矢方向映射为一致的三维空间变换,采用几何哈希方法找出使得最多数量的点对法矢一致的变换,运用该变换将散乱点云作初次配准．以初次配准后的结果作为新的初始位置,将匹配点对集合中的所有点对采用最近点迭代法进行二次配准,从而实现了2组散乱数据的精确配准．应用实例表明,该算法效果良好．     

一种散乱分层点云的有序化精简方法

针对激光扫描仪所得点云散乱分层的特点,提出一种有序化的精简方法。首先基 于已知标记点建立三维R-tree 和八叉树集成的空间索引,快速准确地获取局部点云数据,保证 良好的数据检索效率。然后根据局部点云数据的参考平面法向量信息,选取工件坐标系中的一 个坐标轴作为参数化的方向,对局部点云数据进行参数化并拟合二次曲面。最后对R-tree 叶节 点内的二次曲面进行有序化采样,使散乱分层的点云变为单层,得到整个型面的有序参考点集。 应用实例表明,该方法适用于大规模的、具有复杂几何特征且存在一定程度散乱分层的点云, 可以有效地提高数据点的整体精确度,且不会丢失点云的细节特征,具有较强的实用性。     

散乱点云分割技术研究与实现

点云分割是根据空间、几何和纹理等特征对点云进行划分,使得同一划分内的点云具有相似的特征。首先对获取的散乱点云数据进行去噪、填补空洞和畸变等预处理,然后计算最小包围立方体分割点云空间并构建八叉树加速邻域点的搜索,为每个点构造最小二乘邻域,分析散乱点云数据的高斯曲率和平均曲率,再通过区域生长法得到低噪声的精确分块,自适应、智能化地对点云进行分块。经实验验证,该方法可以获得较好的分割效果。     

海量散乱点的曲面重建算法研究

基于海量散乱点的曲面重建在机械产品测量造型、计算机视觉、根据切片数据的医学图像重建等领域中有重要应用.给出了一种以物体表面上不附加任何几何和拓扑信息(包括测点法矢、曲面边界信息)的散乱点集为处理对象,自动生成物体表面的三角网格模型的算法.该算法首先根据测点的邻近测点估算曲面在该测点处的法矢,并采用优化的顺序对法矢方向进行调整以使各测点处的法矢都指向曲面外侧,最后用步进立方体算法输出三角网格模型.采用新的方法计算切平面,不但进一步提高了效率,而且改善了曲面边界及尖锐棱边区域的重建效果.还提出并解决了法矢方向传播中可能出现的局部“孤岛”问题.同时,提出了一种对海量数据进行空间划分的算法,从而大大提高了海量数据的处理效率.应用实例表明,算法效果良好     

Mesh Generation from Dense 3D Scattered Data Using Neural Network

An improved self-organizing feature map (SOFM) neural network is presented to generate rectangular and hexagonal lattic with normal vector attached to each vertex. After the neural network was trained, the whole scattered data were divided into sub-regions where classified core were represented by the weight vectors of neurons at the output layer of neural network. The weight vectors of the neurons were used to approximate the dense 3-D scattered points, so the dense scattered points could be reduced to a reasonable scale, while the topological feature of the whole scattered points were remained.     

自适应K-means聚类的散乱点云精简

目的 点云精简是曲面重建等点云处理的一个重要前提,针对以往散乱点云精简算法的精简结果存在失真较大、空洞及不适用于片状点云的问题,提出一种自适应K-means聚类的点云精简算法。方法 首先,根据k邻域计算每个数据点的曲率、点法向与邻域点法向夹角的平均值、点到邻域重心的距离、点到邻域点的平均距离,据此运用多判别参数混合的特征提取方法识别并保留特征点,包括曲面尖锐点和边界点;然后,对点云数据建立自适应八叉树,为K-means聚类提供与点云密度分布相关的初始化聚类中心以及K值;最后,遍历整个聚类,如果聚类结果中含有特征点则剔除其中的特征点并更新聚类中心,计算更新后聚类中数据点的最大曲率差,将最大曲率差大于设定阈值的聚类进行细分,保留最终聚类中距聚类中心最近的数据点。结果 在聚类方面,将传统的K-means聚类和自适应K-means聚类算法应用于bunny点云,后者在聚类的迭代次数、评价函数值和时间上均优于前者;在精简方面,将提出的精简算法应用于封闭及片状两种不同类型的点云,在精简比例为1/5时fandisk及saddle模型的精简误差分别为0.29×10^-3、-0.41×10^-3和0.037、-0.094,对于片状的saddle点云模型,其边界收缩误差为0.030 805,均小于栅格法和曲率法。结论 本文提出的散乱点云精简算法可应用于封闭及片状点云,精简后的数据点分布均匀无空洞,对片状点云进行精简时能够保护模型的边界数据点。     

基于模型散乱点的三维物体重建

基于三维模型的散乱数据点,通过引入分割平面,对数据集进行划分,将散乱数据划分为n个子集合来重建物体。具体的过程,是通过引入控制参数δ和η,将满足相应条件的3D散乱点划分到相应的子集合中,然后对各个散乱点子集合进行判断,提取其各个子集上的控制点,构造各个子集的控制点构成的边界。最后,对每两个相邻的边界进行相似性评估,对相似的边界之间通过等比例划分,非相似的边界采用全局优化,从而得到重建的三维物体的模型。经过实验证实该方法高效、方便、准确。     

基于SOM的散乱点云法矢计算

点云法矢计算对点云分布密度较敏感,而且在尖锐边界处计算误差较大。为此,提出一种基于自组织神经网络(SOM)的散乱点云法矢计算方法。为利用散乱点云拓扑和几何信息计算法矢,以球面SOM学习点云拓扑结构,得到被测曲面的三角网格近似图,使用三角网格构成的连通图组织点云数据结构,通过k-近邻点拟合微切平面,从而计算点云法矢,并调整点云法矢指向。实验结果表明,该方法具有较高的计算精度,法矢误差在0.08以内,标准差为0.009。     

规则特征曲面点云法向估计

目的 针对特征曲面点云法矢估计不准确,点云处理时容易丢失曲面的细节特征等问题,提出基于高斯映射的特征曲面散乱点云法向估计法。方法 首先,用主成分分析法粗略地估算点云法向和特征点;其次,将特征点的各向同性邻域映射到高斯球,用K均值聚类法对高斯球上的数据分割成多个子集,以最优子集对应的各向异性邻域拟合曲面来精确估算特征点的法向量;最后,通过测试估计法向与标准法向的误差来评价估计法矢的准确性,并且将估计的法向应用到点云曲面重建中来比较特征保留效果。结果 本文方法估计的法向最小误差接近0,对噪声有较好的鲁棒性,重建的曲面能保留曲面的尖锐特征,相比于其他法向估计法,所提出的方法估计的法向更准确。结论 本文方法能够比较准确的估算尖锐特征曲面法向量,对噪声鲁棒性强,具有较高的适用性。     

加权最小二乘法与卡尔曼滤波实时稳像技术

无人机和车辆行驶等情况下拍摄的视频受外界影响会造成视频抖动。通过对比现有的电子稳像技术,提出了利用FAST获取特征点的位置信息,再通过光流法结合NCC匹配得到参考帧特征点在当前帧的位置信息,在此基础上,结合RANSAC算法剔除错误匹配的特征点对的改进算法。为了提高运动矢量估计的精度,应用加权最小二乘法得到相邻帧间的刚性变换矩阵,并经过卡尔曼滤波进行运动平滑得到扫描运动矢量并补偿,最终得到实时的稳定视频。实验表明,视频序列稳像后的帧间变换保真度有所提高,并且能够达到实时处理速度。     

基于局部指纹曲面片的点云三维物体识别

提出一种新的基于局部描述符的点云物体识别算法。算法根据点云的位置信息提取出邻域以及曲率信息,进而得到形状索引信息。根据形状索引提取到特征点,在每个特征点根据样条拟合原理得到测地距离和矢量夹角分割曲面得到曲面片集。每个曲面片的等距测地线构成了曲面片指纹,通过矢量和半径的变化描述,可以把每个模型物体得到的曲面片集描述存入数据库。对于给定的一个物体,根据上面步骤同样得到其曲面片集描述,通过和数据库中模型物体曲面片集的比对,得到初始识别结果。对每对初始识别结果进行对应滤波后,通过最近点迭代方法得到最终的识别结果。最后通过具体的实验说明了算法的有效性和高效性。