散乱点云的三角网格曲面重建算法

在采用计算机视觉法获取物体三维重建数据的过程中,为了得到较完整的模型信息,所测得的曲面点通常带有大量冗余,而这些冗余数据的存在大大增加了曲面重建的难度.在此背景下,我们针对散乱无序、无任何几何拓扑信息的密集数据,提出了一种空间三角网格直接剖分算法.该算法能够节省存储空间,提高曲面重建效率,保证输出的曲面网格优质.算法首先对原始数据进行预处理,然后采用空间栅格法及Delaunay空球等准则,扩展动态三角网,最后统一法向量输出完整的三角网格模型.通过实例证明,算法重建速度快,曲面网格质量高.     

散乱噪声点云的数据分割

提出基于边界曲线微分几何特征的新方法分割散乱噪声点云.改进TAUBIN方法以精确恢复散乱噪声数据的主曲率和主方向.通过分析散乱点在主方向的曲率变化,达到识别G1、G2连续边界点的目的.获得的边界点形成边界带,将点云分割为多块子区域.最后采用区域增长的方法提取各子区域.试验结果表明所提出的方法能够克服噪声影响,有效提取散乱噪声点云的G1、G2边界.对复杂曲面模型,该方法也能够直接获得较好的G2连续边界.     

平面散乱点云凸包快速求解算法

提出一种平面散乱点云凸包快速求解算法,该算法建立点云的最小外包围盒,分别求解距该外包围盒的四个顶点最近的点,依据该最近点集建立最大内包围盒,可证明该最大内包围盒内的点不是凸包,将其排除,实现点云精简,通过对精简后的点集求解凸包,近而实现对整个点云的凸包求解,实例表明该算法实现简单,且可显著提高凸包的求解效率.     

面向逆向工程的点云数据精简方法

近年来，激光扫描技术有了重大的进展，3D激光扫描设备的精度越来越高，数据的捕获速度急剧增加，其每秒产生成千上万个数据点，这一巨大的数据量成为数据计算和存储的负担。因而，一个相当重要的问题就是，将这些巨大的数据进行精简，同时维持数据原有的精度。详细介绍了目前国内外在点云数据精简方面研究的一系列方法，并对它们的特点和使用场合进行详细的比较。     

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。     

曲面重构中测量点云精简方法的研究

反向工程研究中，根据三维测量数据进行曲面重构是其关键技术之一。介绍了曲面曲率的基本理论，根据曲率精简点云的方法及曲率估算的方法，并结合实际对根据曲率精简测量点云数据的方法进行了改进，着重研究了邻域搜索、曲率估算、曲率精简原则等，在保证测量精度的前提下，在提高曲面重构的计算效率、减少存储空间等方面取得了较好的效果。     

一种空间曲面上散乱数据的快速三角剖分新算法

在现有三角剖分方法研究的基础上,提出了一种空间曲面上点云数据的快速三角剖分新算法。以区域生长法为主导,通过表面法向量向外原则提出了一种种子三角形选取与构造的新方法,改进生长算法,采用逆时针方式搜寻最优扩展点来生成三角形网格。该算法的总体时间复杂度为O（KN）,能够快速高质量的生成三角网格模型。     

散乱点云的拓扑结构重建算法的研究

基于由测量点云直接生成数控加工路径的这种思想,在散乱点云拓扑结构重构过程中,将散乱点云进行等间隔区域分割,将点云进行压缩并投影至切平面,得到切平面的散乱点集,同时建立新的链表结构分区存储点云数据.由平面上点的二维坐标定位,运用基于正交投影理论双映射算法对切平面上的散乱点进行排序,分析平面点自然次序邻接排序的局限性,通过计算当前点与其邻近点的矢量分布趋势,进一步改进双映射排序算法,完成各切片上数据的拓扑重构.     

三维散乱点云凸包快速求解算法

提出一种三维散乱点云凸包快速求解算法,该算法建立点集内外包围盒,依据包围盒对点云数据进行精简,排除大量不可能构成凸包的数据点,减小求解凸包时的数据处理量,通过对精简后的点集求解凸包实现对整个点云的凸包求解,实例表明该算法实现简单,可显著提高凸包的求解效率。     

散乱点云数据精简技术研究

逆向工程中,数据精简技术是进行曲面重构前的重要内容,文中在分析包围盒法和角度-弦差法的这两种精简方法特点的基础上,提出了基于这两种方法的改进型数据精简方法.最后对该算法的优缺点作了小结.     

离散点的隐式曲面重建算法研究

针对复杂自由曲面三维扫描数据多为离散点的特点,提出了一种隐式曲面重建算法,它能满足从大量离散点云数据中快速准确地建立曲面的需求。通过选择合适的形状函数,该算法可以准确描述尖锐特征比如边和角。方法是首先用八叉树细分方法来进行离散点云数据分组,然后用分段的二次函数来捕捉每组数据的局部形状,用单位分割法来组合局部的形状函数。应用实例表明,该算法可以对离散点云数据进行快速、准确、自适应的曲面重建。如果离散点云模型有指定的精度,那么隐式曲面重建算法的处理时间取决于该模型的几何复杂性和细分程度。     

人体散乱点云数据的区域分割算法

正确的人体点云数据分析不仅是人体3D测量的必要手段,更是未来服装数字化设计的基础,也是服装定制化智能生产的数据来源。人体散乱点云数据相比规整数据拥有更多的噪声及不规则性,这使得提取轮廓以及提取分割特征点更加困难。为了解决人体散乱点云数据分割难题,提出了基于移动最小二乘的切割算法。首先使用主成分分析法进行点云数据的调整,并使用夹角分析法提取投影到特定平面的二维轮廓。在此基础上,采用移动最小二乘法对部分二维数据点进行局部拟合并根据导数信息提取分割特征点。最后,利用VT K作为点云显示平台,对不同人体点云数据进行算法验证。实验结果表明,该分割方法实用可靠。     

稀疏点云的曲面重构

为研究曲面重构中的一类特殊数据,针对稀疏点云提出了一种高效、简单、实用的曲面重构方法。首先分析稀疏点云自身特点,按特征进行预处理与分块。然后依次拟合曲线,通过参数化优化与调整,得到适合造型的曲线,并且引入迭代、渐进的思想来弥补部分数据的缺失。最后利用两种典型重构方法分别对不同分块数据进行曲面重构。实例表明,该方法解决了稀疏点云的曲面重构过程中由于点云信息量少造成的重构困难。     

稀疏点云的曲面重构

为研究曲面重构中的一类特殊数据,针对稀疏点云提出了一种高效、简单、实用的曲面重构方法。首先分析稀疏点云自身特点,按特征进行预处理与分块。然后依次拟合曲线,通过参数化优化与调整,得到适合造型的曲线,并且引入迭代、渐进的思想来弥补部分数据的缺失。最后利用两种典型重构方法分别对不同分块数据进行曲面重构。实例表明,该方法解决了稀疏点云的曲面重构过程中由于点云信息量少造成的重构困难。     

散乱点云的孔洞识别和边界提取算法研究

针对逆向工程中已有孔洞识别算法执行效率低、孔洞边界点提取不完整等问题,提出一种新的基于KD树和K邻域搜索的点云孔洞识别及边界提取算法。该算法首先利用KD树建立散乱点云的拓扑关系。其次,计算点云密度、定义距离阈值作为判别参数,利用K邻域搜索计算每个点与其K个邻域点的距离,距离大于阈值的点即为边界点。再次,采用单坐标搜索法去除外边界,保留孔洞边界。最后,利用边界追踪算法获取完整的孔洞边界点。以涡轮叶片和挖掘机斗齿为研究对象,对点云上的自然孔洞利用该算法进行识别。结果表明,该算法能够快速地识别出散乱点云中孔洞,并能完整地提取出孔洞边界点,实用性强。     

装配面点云特征增强的去噪算法研究

为了去除与法兰装配面数据点混合在一起的噪声并更好地保留装配面的特征,将装配面点云数据中的噪声分为 2 类。利用空间栅格划分将点云数据栅格化,使用 K 领域搜索的方法筛选出第 1 类噪声点,运用采样点邻域点数统计法删除第 1 类噪声点;采用改进的双边滤波法对第 2 类噪声点进行去噪。通过与各类算法进行比较,实验结果表明,该去噪算法在达到预期去噪效果的同时还可以增加装配面特征的保持度,并且能够避免传统双边滤波在去噪后产生光顺过度的现象。     

汽车散热盖模具点云数据曲面逆向重构技术研究

主要研究汽车散热盖模具样件的三维数据测量、点云数据处理、曲线曲面模型的重构、模具三维实体化实现方法等。点云数据预处理主要研究点云数据的对齐与重定位、数据的精简与降噪等。针对逆向工程关键核心技术如拟合曲面的质量分析、曲面片的修剪和编辑等进行了深入研究,最终针对模具不同特征区域点云的特点,结合两种建模思想,面向散热盖模具的点云数据完成了曲面模型重建,为最终实现模具三维实体逆向建模和模具磨破损区域的三维精确建模奠定基础。     

基于三维测量扫描线点云的表面重建

由结构光测量系统获得扫描线点云，通过剔除测量方向部分冗余数据点和插补扫描方向的稀疏数据，对物体表面原始三维数据密度进行适当调整。采用基于局部切平面簇的方法对调整后的数据点云进行表面重建，建立优化函数简化网格，并采用Loop细分法平滑网格，获得描述物体表面特征的重建表面。该方法解决了由扫描线点云重建物体表面的问题。     

基于局部自适应鲁棒回归的点云消噪

针对传统点云消噪算法低频平滑与高频磨平之间的矛盾,提出基于局部自适应邻域鲁棒回归的点云消噪算法。提出采样点局部自适应邻域的概念,使采样点邻域的大小能够根据模型局部形状进行自适应调整,为点云模型的低频区域平滑和高频区域特征保持奠定基础;针对传统的最小二乘曲面拟合受旁值点影响大,采样点微分几何信息提取可靠性差的问题,提出对采样点局部自适应邻域进行鲁棒回归,以实现采样点微分几何信息的可靠提取;以采样点法向和最大最小曲率为基础,构造一种新的采样点特征测度函数。在对测度函数的特性进行研究的基础上,根据测度函数值将采样点划分为特征点、非特征点和过渡点,并利用特征测度函数进行有效子邻域识别,实现点云数据的低频平滑和高频保特征消噪;通过对比试验验证算法的有效性。