曲面边界样点逆向均值漂移识别

针对现有的曲面边界样点识别算法难以适应非均匀分布的实物表面采样数据的问题,将目标样点的k-近邻点集作为曲面局部样本,基于均值漂移算法使得曲面局部样本在一定程度上向目标样点邻近的采样数据稀疏区域扩展,实现对曲面局部样本的增益优化,并对增益优化后的曲面局部样本进行核密度估计,获取目标样点对应的模式点,并通过比较目标样点与其对应模式点的偏离程度进行边界样点判定。实验表明,该算法可快速准确地识别曲面裁剪边界、几何连续的相邻面片公共边界以及曲率变化较大的过渡曲面上的特征样点,并且对非均匀分布的采样数据具有良好的适应性。     

散乱点集拓扑邻域均值逆向漂移查询算法

为获取散乱点集的拓扑邻域数据,提出一种基于均值逆向漂移的自适应迭代搜索查询算法,基于R*树动态空间索引,采用动态扩展空心球k邻域查询算法快速获取目标样点的拓扑邻域参考数据,根据邻域查询与点集密度分布的关系,采用核密度估计描述点集的分布规律,利用均值漂移算法计算得到能够反映散乱点集局部分布特征的均值漂移矢量和均值点,将邻域搜索区域沿逆向均值漂移矢量移动进行邻域查询并实时更新样点的拓扑邻域参考数据,进而完成拓扑邻域查询的均值逆向漂移迭代计算,最终实现样点拓扑邻域数据的自适应搜索查询。试验表明,该算法可快速获取复杂型面均匀或非均匀采样点集的邻域数据,查询结果包含Voronoi邻域及其他有效邻域参考数据,能更好地反映散乱点集局部型面特征。     

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。     

基于参数自适应各向异性高斯核的散乱点云保特征去噪

为解决传统点云去噪算法造成的过光顺及局部失真问题,提出一种基于各向异性高斯核的散乱点云保特征去噪算法。根据邻域点在其切平面上的投影和采样点法向构建信息相似度函数,并通过信息相似度函数定义有效邻域;应用主元分析理论研究曲面采样点、棱线采样点和角点的特征值及特征向量的分布特性;在此基础上构建以协方差矩阵的伪逆矩阵为带宽矩阵的参数自适应的各向异性高斯核函数,并将其与双边滤波算法结合用于散乱点云去噪。实验结果表明,该算法能够根据点云的局部分布特性自适应地调整滤波主方向和各主方向的衰减速度,在实现散乱点云去噪的同时可有效保持点云模型的原始尖锐特征。     

似然函数和随机滤波的点云去噪方法研究

在获取物体的三维点云数据时,通常采用线结构光扫描的方法,但是在测量过程中不可避免的会产生不合理的噪声点.从而在进行曲面重构时,会导致重构的曲面不够光滑,进而会影响三维扫描物体重构的精确性,因此有必要对扫描数据进行去噪处理.噪声点产生的原因有很多,大部分噪声点具有幅值大,影响因素多的特点,所以利用似然估计函数得到采样局部...     

群体智能点云光顺去噪算法

为避免点云数据处理过程中的过光顺和局部失真现象,利用基于核甬数的蚁群聚类算法对点云数据进行分析,在高维特征空间达到线性可聚的目的.通过核函数将散乱数据点的曲率及法矢映射到高维特征空间,并将它们在特征空间的加权距离作为相似性的度量,来分析可能的噪声点和局部特征.对法矢进行光顺调整时,采用类内方差自适应地确定调整阈值.实验结果表明,该算法比经典算法有明显的改善,并且较好地保留了原始数据的一些特征信息.     

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。     

样点邻域同构曲面约束的散乱点云法向估计

针对现有点云法向估计算法难以兼顾估计结果的精度与稳健性问题,以局部采样区域同构曲面作为样点邻域点集所反映曲面形状约束,提出一种散乱点云法向估计方法。该方法将目标样点的邻域点集作为局部样本进行曲面重建,获取插值于采样点集并与采样表面拓扑同构的局部网格曲面;对曲面局部区域高斯映射结果进行聚类分析,获取目标样点的各向同性邻域面;基于面片的正则度以及面片至目标样点的测地距离,确定目标样点各向同性邻域面片法向的加权均值,并将所得结果作为目标样点的法向估计结果。试验结果表明,该方法在点云数据信噪比为40 dB的情况下可保证98%以上样点法向估计偏差在以内,可稳健处理含有噪声以及采样不均匀等缺陷的散乱点云法向估计问题,对于含尖锐特征的点云亦能准确估计样点法向,且具有较高的计算效率。     

基于径向基函数和自适应单元分解的大规模散乱点云快速重构

径向基函数用于散乱数据的插值和拟合具有精确和稳定的优点,但是它不适合大规模点集的曲面重构。把径向基函数和单元分解原理综合起来,提出一种大规模散乱点云的隐式曲面快速重构算法。把整体定义域自适应细分成一系列稍微重叠的子域,基于径向基函数在各子域上计算局部表面,最后采用单元分解函数对局部表面进行加权混合得到全局的重构表面。方法适于处理数量较大和分布密度变化较大的点云数据重构。     

基于Level Set方法的点云建模技术研究

描述一种利用偏微分方程(PDE)和变分法进行点采样几何模型重建算法.把符号距离函数与任意函数的度量函数作为内部能量,根据能量约束最小化条件,通过Level Set方法求解曲面的梯度流.使初始曲面随时间产生演化变形,直至逼近目标模型,完全消除重新初始化过程.实验表明,通过Level set方法能够把初始曲面快速自动演化变形到目标模型,对任意拓扑结构和带噪声的点云具有很强的适应能力.