基于三坐标测量数据的点云曲面重构

基于CMM测量数据,针对鼠标数据的特点,进行了边界拟合、特征识别、分片重建、光滑拼接等技术的研究.利用三次B样条拟合边界曲线,利用微分几何方法进行曲面特征的识别与分割,利用拉伸及放样法进行曲面片重构,最后进行曲面片相交、剪裁、过渡完成最终的鼠标模型.     

点云数据集的隐式曲面重构研究进展

点云数据的曲面重建就是对扫描设备获得的物体散乱数据点重建三维物体表面,它被广泛应用于计算机动画、目标识别、数据可视化以及地理信息系统。点云的隐式曲面重建由于能够去除点云噪声,修补孔洞和裂缝,不需要拼接和平滑等后续处理,成为点云数据集曲面重构的重要方法。文中综述了目前一些主要的隐式曲面重构方法,就隐式模型以及相应的曲面重构算法的优缺点进行了分析比较,并对隐式曲面重构存在的问题和未来发展方向作了相应的分析和讨论。     

基于RBF神经网络的点云数据曲面重建快速算法

在分析现有重构方法局限性的基础上,给出了一种基于神经网络的点云数据重构三维网格形状的快速算法。首先对点云数据进行归一化处理;然后进行特征线提取,并以特征线为基础对曲面进行分割。该方法能直接从神经网络的权值矩阵得到曲线的控制顶点或曲面的控制网格,通过神经网络的权值约束实现曲线段或曲面片之间的连接。实验结果表明,使用该方法能快速获得形状良好的网格曲面。     

一种点云数据噪声点的随机滤波处理方法

目前逆向工程中广泛采用激光扫描法来获取数据，测量过程中不可避免地混有不合理的噪声点，导致重构的曲线、曲面不光滑，因此，需要去除数据中的噪声点。对激光线扫描法获取数据的噪声点处理方法进行了研究。噪声点处理方法与点云数据的排列形式有关，通过对点云数据噪声数学模型的分析，认为激光线扫描法获取数据时，噪声点的产生主要是由随机误差引起的，其特点是幅值大，在光刀扫描线上引起较大的尖峰，据此提出一种简单、快速、实用的降噪方法——随机滤波法。该方法通过比较连续点之间的相对位置，给定一个阈值，将其中位置起伏较大的点判定为噪声点并予以去除。通过实例验证该方法能满足曲线、曲面重构的要求。     

基于广义多项式神经网络的点云数据隐式曲面重构方法

针对点云数据的三维重建问题,提出了一种隐曲面重构的广义多项式神经网络新方法.该广义多项式神经网络隐层各神经元激励函数互不相同且线性无关,能够对应地学习点云数据样本中不同的模式,因此,具有较好的学习能力.基于梯度下降法原理,推导了其学习算法.仿真实验尝试将该方法应用于一些简单封闭物体的带噪点云数据隐式曲面重建,取得了较理想的重建质量和去噪效果.     

一种散乱数据点的多分辨率曲面重构方法

给出一种基于细分曲面技术实现散乱数据点的多分辨率曲面重构的方法。在曲面重构过程中,依据灰度图像边缘检测思想分析散乱数据特征值,将这些特征值生成纹理特征曲线进行曲面细分,从而形成了多分辨率网格模型结构。经过测试,该方法不仅重构曲面时间短,同时构造出的细分曲面能较好地反映原始数据的细节特征。     

三维散乱点云快速曲面重建算法

提出了一种基于Delaunay三角剖分的三维散乱点云快速曲面重建算法。算法首先计算点云的Delaunay三角剖分, 从Delaunay四面体提取初始三角网格, 根据Voronoi体元的特征构造优先队列并生成种子三角网格, 然后通过区域生长的方式进行流形提取。实验结果表明, 该算法可以高效、稳定地重构具有复杂拓扑结构、非封闭曲面甚至是非均匀采样的点云数据。与传统的基于Delaunay的方法比较, 该算法仅需要进行一次Delaunay三角剖分, 无须极点的计算, 因此算法的重构速度快。     

基于LiDAR点云数据的等值线绘制方法

随着新型传感器激光雷达（LiDAR）步入市场,自20世纪80年代起逐渐应用于建筑规划、植被水利等行业.而在测绘行业,采用三维激光雷达扫描技术以取代传统的测量技术才刚开始起步,因其自动化程度高,更新周期短且获取到的数据精度高,信息全而逐渐被现代测绘业逐渐认可.用激光雷达采集到的点云数据为源数据,探究了三维离散点间接综合等值线的方法,并尝试改进三维道格拉斯算法,实现点子重要性排序以用于不同比例尺下地形图的综合.借助二次开发技术实现点数据栅格化,绘制等值线,同时在此过程中对比分析选用不同数量的点集合以及不同分辨率分别对等值线绘制的影响.结果表明先对点数据进行综合继而回放等高线既保留了原始地形的特征,且缩短了数据处理时间,同时也可根据实际比例尺的缩小程度,多尺度地输出、显示等值线.     

一种非封闭自由曲面的点云边界提取算法

点云边界不仅作为表达曲面的重要的几何特征,而且作为求解曲面的定义域,对重建曲面模型的品质和精度起着重要的作用.以激光线性均匀扫描的点云数据为例论述了一种改进的空间非封闭自由曲面点云的边界提取方法,在原算法基础上增设阈值,变固定K值为变量K值.实验证明该算法不仅可以较快地提取边界,而且表达曲面边界特征比较精确.     

散乱点云数据的高阶平滑隐式曲面重建

针对三维扫描或三维重建获取的散乱点云数据曲面重建问题, 提出基于拉普拉斯规则化的高阶平滑算法。首先, 计算点云数据的包围盒并离散化得到体素空间; 其次, 在体素空间根据隐式曲面的梯度和点云位置、法向信息建立目标函数, 并通过对目标函数的拉普拉斯规则化达到控制重建曲面光顺效果的目的; 再次, 根据最优化原理将重建问题转换为一个稀疏线性方程组求解问题; 最后, 通过步进立方体算法得到重建曲面的三角网格表示。定性和定量的实验结果表明, 该方法重建曲面绘制效果和精确度优于常用的Poisson方法。     

曲面重构中点云数据的区域分割研究

在曲面重构中，由于实际的曲面模型往往含有多个曲面几何特征，即由多张曲面组成，如果对使用激光法测量的“点云”数据直接进行拟合，将会造成曲面模型的数学表示和拟合算法处理的难度加大，甚至无法用较简单的数学表达式描述曲面模型，因此针对该问题，提出了一种基于数据点曲率变化的区域分割方法，即先对每一条扫描线上的数据点求取曲率值，然后将其中曲率值变化较大的点提取出来作为边界点，当边界确定后，再将云点数据分割成多个区域，由于每个区域一般具有较简单的几何特征，因此可用简单的数学模型来描述，并可重构单张曲面。该算法不仅原理简单、易于理解和编程，而且能提高曲面模型重构效率。     

针对密集点云的快速曲面重建算法

为了能够快速地从高密度散乱点云生成三角形网格曲面,提出一种针对散乱点云的曲面重建算法.首先通过逐层外扩建立原始点云的近似网格曲面,然后对近似网格曲面进行二次剖分生成最终的精确曲面;为了能够处理噪声点云,在剖分过程中所有网格曲面顶点都通过层次B样条进行了优化.相比于其他曲面重建方法,该算法剖分速度快,且能够保证点云到所生成的三角网格曲面的距离小于预先设定容限.实验结果表明,文中算法能够有效地实现高密度散乱点云的三角剖分,且其剖分速度较已有算法有大幅提高.     

基于两视图的曲面重建方法

提出了一种利用曲面物体的两幅图像进行曲面重建的方法。从物体的正面和侧面拍摄两幅图像,而后利用用户交互获得这两幅图像中的侧影轮廓线。并通过最小化以这些侧影轮廓线作为约束二次目标函数,重建出最光滑的三维曲面。另外,在二次目标函数中增加一个系数,实现了曲面折痕。利用真实图像进行实验,验证了该方法的可行性和正确性。     

基于点云的转子表面缺陷检测方法

转子缺陷影响鼓风机运转,降低工作性能,为工业生产带来安全隐患。传统人工检测费时费力,检测和标注精度低,且难以进行缺陷精准分类。因此,本文基于机器视觉获取点云数据,对其进行预处理,并对比基于点云配准和基于工件特征的2种缺陷检测方法。实验结果表明,基于工件特征的缺陷检测能得到更精确的缺陷标注和分类效果,并为缺陷检测方法研究工作提供了新的方向。     

大规模点云数据的球面纹理映射方法

针对点云数据的Delaunay三角网格纹理映射速度慢、映射效果不够细腻及不适合大规模点云数据纹理映射等问题,提出一种基于球面纹理映射的点云数据重建改进方法,并在Qsplat算法的基础上进行实现。采用Qsplat算法对大规模点云数据进行模型重建,利用球面等比约束纹理映射算法建立纹理坐标、球面、点云重建模型三者之间的数学关系,实现大规模点云数据的球面纹理映射。实验结果表明,与传统的三角网格纹理映射相比,该方法可明显提高纹理映射的速度和质量,拓宽球面等比约束纹理映射方法的应用范围,适用于大规模点云数据的纹理映射。     

基于变形网格法的高密点云曲面重建

针对散乱点云庞大的特点,为提高其曲面重构效率,提出了一种三维高密散乱点云的曲面重建方法。该法首先构建一均匀网格,再通过拟合网格每个单元格的顶点到所输入点集中最近的点来实现对网格单元格进行变形,然后根据每个单元格中顶点状态模型构建三角片。该方法运行速度快,占用内存少。最后通过实例分析验证了该方法的有效性。     

基于医学图像序列轮廓线重建三维表面的改进算法

基于医学图像重建三维表面是医学图像可视化的主要手段之一。传统的方法直接采用由序列轮廓线生成的三角片来拟合曲面,重建的效果和表达的信息均有限。该文提出一种基于三角Bernstein-Bezier曲面拟合和纹理映射的改进算法,即在对生成的单个三角片进行三角Bernstein-Bezier曲面拟合的基础上,通过对三角片三顶点法矢的二次插值来重新计算三角Bernstein-Bezier曲面的法矢,使拟合曲面的显示效果整体连续且光滑;同时通过对重建后的表面模型施以平面剖切,并给剖切后模型的断面和截面贴上纹理来增加图像信息。该算法已运用于伽玛刀治疗计划系统中,重建效果较传统算法取得了较大的改善。     

基于数据相关性的STL曲面网格快速重建算法

通过分析大量STL文件中的三角形单元数据,发现文件中顺序相邻的2个独立的三角形网格单元至少共一个顶点的概率大约是0.84～0.99,共2个顶点的概率大约是0.67～0.75,表明相邻网格单元数据存在强相关性以及大量的冗余信息.利用这种数据相关性,从概率的角度给出了一条检查冗余点的有效途径,进而得到一种快速的STL三角形曲面网格重建算法.新的曲面网格数据文件存储容量为原来的25%左右,有效地去除了冗余数据.实验结果表明了该算法的高效性及鲁棒性.