基于边特征的点云数据区域分割

为了提高反求工程建模的效率,提出了一种基于空间栅格的区域分割方法.该方法采用二次抛物面模型计算散乱数据点的曲率,利用空间栅格结构建立散乱点的拓扑关系,根据栅格中数据点与栅格中心点的相对位置计算栅格曲率以及相邻栅格间的曲率差值,由曲率差函数判别并抽取边特征栅格.通过特征栅格的空间位置与曲面栅格的连通性实现了空间散乱数据的区域分割. 工程应用实例表明: 该方法能够直接处理点云数据而无需构建三角网格,具有运算简单,稳定性高等特点.可有效解决具有曲率突变性的点云数据的区域分割及特征提取问题.     

基于散乱点云的疵点去除与体积积分算法研究

针对目前处理大量散乱点云数据体积计算算法效率低下且时间较长的情况,提出了一种基于散乱点云数据的高效率体积计算算法.此算法对散乱的点云数据进行三角剖分,利用最小二乘法计算三角面片的各个顶点与其法向量,根据法向量进行疵点去除及方向调整,再将三角面片投影形成的凸五面体分割成两个三棱锥和一个三棱柱,最后积分计算出各分割体的体积...     

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。     

一种基于曲率极值法的LiDAR点云特征提取算法

针对地面LiDAR（1ightdetectionandranging）技术在三维数据采集过程中无法体现人的主观判别能力、采样数据存在大量冗余的问题,提出了一种基于曲率极值与最小生成树准则的LiDAR点云特征提取算法．通过二次曲面拟合实现对原始采样曲面的模拟与表达,估算采样表面的几何微分属性,分别基于平均曲率比较法、曲率极值法来实现特征点的初选与精选;设计并实现了一种基于最小生成树准则的特征点拓扑邻接关系的确定方法以及相应的最小生成树裁减算法,在确定特征点拓扑邻接关系的同时,依据裁减算法实现了采样地理实体表面特征的精确提取．实验证明,算法是可行、有效的,利用算法提取了LiDAR点云的特征之后,有效地增强了点云数据的表达能力,弥补了地面LiDAR技术在数据采集过程中无法体现人的主观判别能力的不足;借助于算法提取的采样地理实体表面特征来指导和约束点云数据简化过程,可在有效保留原始采样曲面重要特征的同时实现点云数据的大幅度精简．     

寻找三维散乱数据点拓扑结构的一种算法

以三维坐标测量机测量得到的曲面数据点点云为基础，提出了一种基于包围盒的自动寻找三维散乱数据点之间拓扑结构的算法。该方法根据三维点集的分布特点，将实体表面的采样点分布到正六面体包围盒中，利用包围盒空间分割原理，建立点集之间的拓扑结构关系，并根据采样点密度，剔除噪声点，提高了曲面重建的准确性。     

基于CEGI和Fourier变换的全自动点云配准算法

针对没有任何几何和拓扑信息的散乱点云,提出一种全自动点云数据配准算法。针对待配准的两组点云数据,首先通过局部最小二乘曲面拟合,估计每个点的法向和曲率,其次计算点云的扩展高斯图（EGI）和复扩展高斯图（CEGI）,然后根据EGI和CEGI利用球面调和函数计算旋转欧拉角,构造相关函数,通过Fourier变换估计平移向量,完成粗配准,把粗配准结果作为新的初始位置,采用最近点迭代算法（ICP）进行精确配准,从而实现两组散乱点云的精确配准。实例分析表明该算法配准效果良好。     

一种改进的散乱数据点的k近邻快速搜索算法

提出了一种基于二次分割的自适应最小包围盒的栅格化策略，提高了散乱数据点k近邻搜索算法的速度。采用传统分块算法对点云空间进行首次分割，在此基础上估算点云平均点距，并利用平均点距估算结果对点云数据空间重新进行划分。分块结果使得k近邻搜索算法的搜索范围大大缩小，搜索速度明显提高。     

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。     

基于4D Shepard 曲面的点云曲率估算

为了高效处理大规模点云数据，提出了一种新的曲率估算方法.该方法基于空间六面体栅格分割点
云，针对每个栅格中的测量点逼近局部二次抛物面，通过计算并检查抛物面的最小采样密度和自适应划分
栅格来构建符合给定允差的局部曲面，使用步进法对曲面进行采样，利用坐标转换法计算每个采样点的曲
率、插值采样点的坐标和曲率来构造全局4D Shepard 曲面，并快速计算点云中每个测量点的曲率.结果表
明，该方法通过Shepard 曲面插值点的简单线性组合估算曲率，无需构建三角网格，具有复杂度低，实用
性强的特点.应用该方法能够快速、准确地获取大规模离散数据的曲率值.     

移动最小二乘重采样在三维重建中的应用

针对地面三维激光扫描仪采集的多站点点云数据受配准精度和重叠区域的影响,经多视角对齐后生成带有大量噪声和冗余的散乱点云从而影响曲面重建的问题,提出一种基于移动最小二乘重采样的算法：计算点云的ｋ邻域,建立散乱点云的空间拓扑关系,选择合适的基函数和权函数,建立局部拟合区域的拟合函数,结合体素化网格模型实现点云的重采样,分别使用Ｃｒｕｓｔ算法和逆向工程软件ＧｅｏｍａｇｉｃＳｔｕｄｉ -ｏ对重采样的点云进行曲面重建。结果表明：该算法在保证局部细节特征清晰的基础上,能够提高模型表面的光滑性和三维重建的效率,具有很高的实用价值。     

基于点云数据的三维人体头部分割技术研究

三维人体分割技术是数字化服装、数字化人体测量、计算机动画等应用中最关键的技术,但当前存在着分割不是很精确的缺点。针对头部分割不精确的缺点,对基于点云数据的三维人体头部分割技术进行了研究,提出以最大距离法和近似凸包边法定位分割特征点和分割切面,并引入分割切面倾斜角实施头部分割。实验结果表明：提出的分割方法提高了头部分割的实时性和精确性。     

基于海量点云的复杂曲面重构及误差分析

对逆向重构技术在实践应用中出现的一些技术问题,以海量点云数据为基础对曲面重构方法和技巧进行了探讨研究,并应用3D点云对重构模型进行了误差分析。将该方法应用于工业产品复杂曲面的实际制造中,提高了设计精度,缩短了生产周期,对实际生产具有重要意义。     

三维点云数据采集与拼合技术的研究与应用

激光三维扫描技术在工程地质勘察领域的广泛应用,使得三维地质建模的过程中不免要处理大量复杂的点云数据,因此,如何对点云数据进行有效处理,是影响建模质量的关键。介绍了逆向工程的基本思想和激光三维扫描技术的应用方法,以及三维地质点云数据的采集方法和过程。在此基础上,重点阐述了对点云数据进行拼合过程的数值原理和实现方法,讨论了点云数据处理的发展现状、应用前景和推广价值。分析认为．综合应用曲面数值模拟、三维数字重构、图像算法分析、程序可视化等方法,可以有效完成点云数据的处碑和分析,满足三维地质建模的要求。     

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.     

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.     

基于点云数据的立木树干局部曲面拟合及拓扑结构

基于海量测量点云数据加工处理的关键是通过获得点云的局部特征拓扑结构来精简数据,而其算法的效率尤为重要。本研究首先对缺乏足够几何拓扑信息的点云,建立每个数据点邻近点的几何拓扑信息,同时综合运用重构管道曲面和随机霍夫变换算法,对立木树干进行拟合。实验结果表明,其效果明显优于双三次Bezier曲面插值拟合法。然后改进求取K近邻获取拓扑信息的算法,也得到了良好的精简效果。     

基于改进的角度偏差法算法的激光测量数据精简

针对激光测量的点云数据过大而导致计算机的运行速度缓慢和资源浪费等问题,在角度偏差法存在缺陷的基础上,提出将点曲率、角度和距离相结合的角度距离法对激光测量数据进行精简。该方法将点曲率变化与角度阈值变成一个能依据数据点曲率大小的调整自身数据大小的函数,并联合最小距离法设定距离阈值,对大于阈值的数据点保留。实验结果表明,该方法能有效保留曲率值大的点,防止出现断点,且在精简效果上,精度与精简数据都优于角度偏差法的。