散乱点云自适应切片算法研究

提出一种散乱点云自适应切片算法,该算法建立点云动态空间索引结构,基于该结构快速准确获取切片邻域数据并确定各层切片位置,依据邻域数据与切片的位置关系将其分为正负两个区域,通过正负区域配对点连线与切片求交获取切片数据点,并采用最小生成树算法排序,得到有序的切片数据点,实现散乱点云的自适应切片,实例证明该算法适用于逆向工程中各种复杂型面点云数据,切片数据获取精度高,算法运行速度快.     

基于ANN-NURBS的散乱数据点自由曲面重构

探讨了曲面三维密集散乱点数据的几何建模方法。按照先压缩后拟合的两步方法重构策略，实施基于ANN-NURBS的散乱点自由曲面重构。提出了基于人工神经网络(ANN)的散乱数据点的拓扑矩形网格重建方法并建立了神经网络模型。该模型利用神经元对曲面散乱点的学习和训练来模拟曲面上的点与点之间的内在关系，结点连接权矢量集作为对散乱点集的工程近似化并重构曲面样本点的内在拓扑关系。算例表明，该方法可实现三维密集散乱点数据自组织压缩，生成期望疏密程度和精度的矩形拓扑网格，并可有效保持原数据点集的拓扑特征，从而实现了基于NURBS的大规模散乱数据点的精确曲面重构。     

散乱点云边界特征快速提取算法

摘要：提出一种散乱点云边界特征的快速提取算法,该算法采用R*-tree建立散乱点云空间索引结构,基于该结构快速准确获取局部型面参考点集,建立该点集的基准平面,计算点集内各点到基准平面的距离并将该距离与目标点到基准平面的距离进行比较,识别点云边界特征.实例证明该算法可快速、准确地提取散乱点云的边界特征.     

基于自组织特征映射神经网络的点云数据分区

自组织特征映射神经网络SOFM可以实现无监督的特征聚类.利用SOFM实现逆向工程中点云数据分区,通过改进SOFM网络初始权值方法以及引进能量函数控制迭代次数,提高了SOFM的分区效率.利用SOFM方法实现点云数据分区具有较强的容错性能,对测量数据点无任何要求.实例运行结果验证了此方法的可行性.     

基于散乱点云的网格生成方法在Rhino平台上的实现

基于散乱点云的网格生成是在三维扫描或三维测量技术基础上进行的,其网格生成存在一定的难度。阐述了基于空间散乱点云数据的网格生成流程,介绍了空间自由形态网格划分的发展现状,并重点介绍了其算法的Rhino与GH Python实现平台,最后对基于散乱点云的网格生成技术做出总结与展望。     

一种快速散乱点自适应滤波方法

消除噪声是构造完美三维模型过程中必不可少的一步。梁新合提出基于自适应最优邻域的散乱点云降噪算法。但该算法效率较低,为此提出用准柯西函数取代该算法所采用的高斯函数,提高了算法效率。实验结果表明,本文算法能在有效剔除点模型表面噪声的同时较好地保持表面的尖锐特征。     

基于散乱点云的快速体积计算法

三维可视化体积计算基本上都是先由散乱点云构建出表面网格模型,然后基于网格模型计算体积,存在计算量大、速度慢的缺点.针对此问题提出一种快速体积计算法,首先使用改进的增量式Delaunay三角剖分对散乱点云进行四面体剖分;然后利用K近邻计算散乱点的拟合曲面和最小生成树,得到各点的法向量;由各点法向量剔除体外四面体;最后计算各四面体体积之和从而得到总体积.实验表明,该算法不仅保证了计算准确度,而且较传统算法大大提高了效率.     

基于散乱点云数据的曲面重构方法

散乱点云的三维重构有广阔的应用前景,通用高效的重构算法是研究重点之一,目前大多采用三角面片重构,与通用CAD/CAM系统中的四边域重构不兼容。本文提出一种在三角域上对散乱点云数据进行NURBS曲面重构的方法,结合了三角面片重构的灵活性与NURBS曲面重构的通用性。首先对测量点     

由三维散乱点重建三角网格曲面方法的分类与评价

介绍了三维散乱点重建网格曲面的有关知识及发展现状,对现有的由三维散乱点重建三角网格曲面的典型算法分为三大类型,对这三类算法的特点加以深入地分析和比较,指出了各个算法的适用范围. 最后分析了由散乱点生成三角网格曲面中需要进一步研究和解决的问题.     

基于方向角的散乱点云三角剖分算法

针对直接三角剖分困难,分片三角剖分需要人工干预,且算法效率都很低下问题,提出了高效自动的在特征基点根据方向角进行分片投影三角剖分。算法的主要步骤分为两步：首先从只有位置信息的点云中提取出邻域、矢量和形状索引信息,并利用形状索引信息得到特征基点;然后以特征基点为参考点根据方向角对点云进行分片,每个片进行特征基点切平面投影三角剖分,通过三角剖分有效性处理,连接成最终的网格曲面。实验结果表明算法可以自动高效的重叠和非重叠散乱点云,且可以有效避免曲面自交。     

基于点云数据三维重建方法的研究

由于三维激光扫描仪采集的点云数据是离散的,这些离散的点云数据由于分辨率有限,缺少灵活性,导致无法满足对实际场景重建出具有几何精确性的模型。为解决上述问题,用Delaunay三角化方法构造网格逼近物体的i维表面模型,把离散的点云数据连续化生成表面模型来模拟场景,实验证明该方法有效。     

基于点云和设计模型的仿真模型快速重构方法

随着产品装配质量要求的不断提高,为了在CAD模型仿真试验中快速且准确地表达零件实际加工质量,提出基于点云和设计模型的仿真模型快速重构方法. 采用“一面两孔配准”方法,将零件实测点云数据配准到设计模型上;根据设计模型边界提取出曲面重构所需的控制顶点;采用非均匀有理B样条（NURBS）方法对控制顶点进行曲面拟合;根据仿真需求,结合边界表示法（BREP）和构造实体表示法（CSG）实现模型表面的局部和快速替换. 在CATIA中开发基于实测点云数据和设计模型的仿真模型快速重构模块,和基于可拓展标记语言（XML）和特征完全匹配的数字预装配模块. 以某航空企业典型零件和舱门预装配为例,验证该方法的重构精度和效率及其在预装配仿真中的高效性和准确性.     

用于点云曲面重构的数据精简方法研究

数据精简是进行曲面重构的重要内容.通过分析现有精简方法的不足,采用了根据曲率变化对原始散乱点云进行精简的方法,重点研究了散乱点云的空间划分、邻域搜索、曲率估算和曲率精简原则.对具有不同特征的测量数据进行了精简分析,实验结果表明该方法得到了更合理的精简效果.     

算法改进的自组织神经网络曲面重构

为提高神经网络法三角网格曲面重构的效率,提出自组织神经网络算法与模糊聚类算法相结合的 改进算法．应用改进算法对大规模散乱点云曲面及花瓶实例进行了网络训练及三角网格重建,在初次网络训 练收敛后,加入模糊聚类计算模块,由模糊聚类算法中隶属度计算来确定输入样本是否可用．与自组织神经 网络算法训练特性进行了比较,结果表明：改进后算法避免了以往算法的重复循环,减少了计算量,加快了网 络训练收敛速度和三角网格曲面重构的速度,仿真重构结果表明：改进后的自组织神经网络算法可实现不同 疏密程度的三角网格曲面重建,并可在保持原数据特征的前提下实现数据精简,较通常算法收敛速度快     

Contour reconstruction method for noisy image based on depth residual learning

In order to improve the recognition ability of noisy images, a method of contour reconstruction based on depth residuals learning is proposed. The sharpening template matching technique is used to enhance the noisy image information, the local gray level information on the image is used to construct the edge active contour model of the image, and the active contour lasso method is used to reconstruct the image with a high resolution. The feature quantities of local gray energy and local gradient energy of the noisy image are extracted, and a convolutional neural network classifier is constructed to classify the features. The learning depth of the learning convolutional neural network is judged by combining the similarity of the gray histogram of the image. The resolution ability of image detail information is improved, and the contour high resolution reconstruction of the noisy image is realized. Simulation results show that the proposed method has a high resolution and a high peak signal to noise ratio (PSNR), which improves the recognition ability of the image effectively.     

基于MLS点云模型特征的提取算法

针对以往特征提取算法提取边界特征效果不理想和特征识别时间较长的问题,提出了一种改进的点云模型特征边界线提取算法.该算法以移动最小二乘法为基础,在对已有的边界特征提取方法研究的基础上,结合研究对象棱角分明的特点,提取点云模型边界特征点集,利用双向搜索方法快速生成模型的特征边界线,并对得到的特征边界线进行特征修复,从而得到较为稳定的点云模型的特征边界线.实验结果表明,该算法能快速地提取点云模型的特征边界线,为后续基于特征边界的建模节约了大量时间.     

基于点云特征对比的曲面翘曲变形检测方法

针对目前曲面翘曲变形描述不充分、检测效率低的问题,定义自由曲面的翘曲变形描述方式,提出基于点云特征对比的曲面翘曲变形检测方法. 研究一系列算法,开展曲面单层点云提取,通过对比曲面实测点云与模板点云的空间位置获取翘曲变形区域;通过计算获得翘曲距离和翘曲张角,描述翘曲的变形程度和变化趋势. 实例分析结果表明,提出的方法不需要进行曲面重建,直接通过点云特征对比进行曲面翘曲变形分析,在保证精度的同时,在效率上比三维重建方法检测翘曲有了较大的提高.     

基于模板匹配的铁路中心线提取方法研究

随着铁路设施的老化以及对运力需求的增加,需要对既有铁路线路进行改建,因此需要在不影响正常运营的情况下对既有线进行勘测.目前铁路既有线勘测的手段多采用传统人工测量方法,存在测量效率低、任务重、工序繁琐、反复上线等不足.针对上述不足,本文基于轨道移动激光扫描系统获取的绝对三维点云数据,采用基于最小二乘的二维模板点云匹配算法,联合迭代计算出钢轨轨面中心点位置,获得轨道中心线和轨距等相关参数.通过轨道试验场地的试验和结果分析表明,本文算法可有效提取轨道中心线,为既有线勘测提供准确的中线数据.     

基于三维不规则点云的地面分割算法

为解决智能车辆环境感知模块在地面分割过程中存在的分割不足和过度分割问题,提出了一种基于三维不规则点云的地面分割算法。首先,采用多标签的马尔科夫随机场理论构建极坐标系网格地图,根据网格单元的不同点云分布类型建立多种测量代价函数模型;然后,整合局部平滑性和斜坡假设,建立平滑性代价函数模型,保证网格间地面高度的不连续性;最后,利用环状置信传播算法进行多次消息传递,迭代估计每个网格单元内最大信任的地面高度值,实现地面点与非地面点的分割。通过对简单粗糙路面场景和复杂斜坡场景中采集的不规则点云数据集进行实验分析,验证了本文算法在不同环境下分割地面点与非地面点的准确性和鲁棒性。     

基于点云数据的隧道变形分析系统研究

针对隧道施工监测内容,以三维激光扫描仪获取的点云数据为基础,研究隧道点云中轴线和连续断面的提取、隧道断面拟合、隧道超欠挖判别、监测报表生成等关键算法,以AutoCAD为平台、Excel为数据容器,运用VBA语言进行软件二次开发,形成包括点云数据转换、隧道断面分析和监测数据整理功能的隧道点云数据变形分析系统.使用结果表明...