点云特征型面的边界曲线拟合及曲面裁剪算法

点云特征型面边界曲线的拟合质量直接决定了对应曲面裁剪的质量。以机械零件点云模型为研究对象,针对点云分割型面的边界点识别、排序、拟合和曲面裁剪问题展开研究。基于场力法提取的边界点集,提出了基于最短距离法的边界点集排序和方向夹角阈值限定的边界点集去噪等预处理算法;采用局部二次多项式函数拟合估算边界点集曲率,提出了基于曲率突变点归属性判断的边界点集分段和拟合算法;通过控制点投影变换求取二维裁剪边界,提出了基于特征点集多边形凹凸性的二维边界曲线方向判断法。使用机械零件模型典型型面进行实验,验证了各阶段算法。该算法具有很好的适用性,可进一步扩展应用至复杂曲面边界裁剪。     

基于逆向工程的汽车覆盖件模具边界特征的提取

介绍了一种逆向工程中实现测量数据点中特征点的半自动提取方法,并基于所取得特征点完成对自由曲面数据点的划分。首先对获得的散乱数据点云进行多边形化,然后根据数据点局部表示对每点的法矢和曲率进行估算。再利用曲率极值法来获得边界点。最后边界点相联,组成光滑的边界曲线,完成对数据点云的划分。     

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。     

基于法向量区域聚类分割的点云特征线提取

针对逆向工程领域中散乱点云模型过渡线及细节特征线提取不完整问题,提出一种法向量区域聚类的特征线提取方法。采用自适应邻域的主成分分析法估算模型的法向量,利用萤火虫算法优化的模糊C均值聚类算法对法向量的进行聚类实现模型的有效分割。构造点集剔除与合并准则从各分割块边界点集中析取候选特征点,再以局部邻域主轴方向为基准提取特征点。实验结果表明：简单模型的特征线基本可准确完整提取,相对复杂模型的特征线数量提取率可达90%,长度提取率达到了85%。算法具有良好的自适应性和准确性,能有效提取点云模型尖锐特征和细节特征,并尽可能多地保留模型过渡特征。     

基于局部基面参数化的点云数据边界自动提取

提出了一种反求工程中基于局部基面参数化方法的点云数据边界特征的自动提取方法。首先选择合适的局部基面 ,然后用点云垂直投影于局部基面投影点的参数化代替空间点的参数化 ,二次参数曲面逼近点云 ,再利用曲面的微分特性估计点云数据的曲率值 ,求出曲率极值点 ,从中提取边界点。通过这些边界点可以进一步拟合边界曲线 ,达到对点云数据进行自动分片的目的。该方法具有较强的可操作性和实用性 ,对于反求工程的自动化和智能化研究具有实际意义     

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。     

复杂曲面点云非均匀简化技术研究

复杂曲面点云简化时,通常存在特征点丢失问题;提出按照点云曲率云图自动划分特征区域实现非均匀简化。首先建立散乱点云拓扑关系,计算点云曲率,生成彩色曲率云图,之后划分特征区域边界。精简率随着曲率的减小而增大,在复杂细节特征点区域,点云密度大;在简单平坦区域,点云被大量简化,点云密度小。实验表明,精简率达76%,在精简率相同的情况下,该方法能有效避免局部细节特征丢失,对于复杂曲面点云简化有较好的效果。     

散乱数据点云型面特征提取算法研究

提出一种新的散乱数据点云型面特征提取算法,该算法基于散乱数据点云的动态空间存取模型,应用WINDOWS APl和OpenGL技术拾取点云局部型面的曲率信息,根据点云型面特征的曲率性质,改进区域生长法实现产品点云型面特征的提取.实验证明该算法型面特征提取准确,可有效提高建模效率及重建模型精度.     

增强点云局部显著性特征的细粒度语义分割网

点云细粒度语义分割，即物体部件分割，在机械臂控制、智能化装配、物体检测等工业生产中有着重要的应用价值。然而由于点云数据形式散乱，导致物体部件边界处几何特征不明显且计算困难，从而致使细粒度分割精度较低，难以满足生产需求。针对点云的部件级分割，本文提出了增强点云局部显著性特征的细粒度语义分割网，网络中构建了局部数据上下文信息，提高细粒度分割精度。本网络建立了利用几何曲率改进的的最远点采样算法，增强点云局部数据子集特征计算能力；创建多尺度高维特征提取器，提取不同尺度的高维特征；在点云特征计算过程中使用seq2seq的方式，引入注意力机制，融合不同尺度的高维特征，进而获取细粒度语义分割的上下文信息。最终使得细粒度分割精度得到了有效提高，尤其是对边界处的分割效果提升显著。实验结果表明，本网络在ShapeNet Part数据集上的总体交并比达到了85.2%，准确率达到95.6%，且具有一定泛化能力。该方法对三维物体的细粒度语义分割具有重要的意义。     

基于扫描线点云的飞机蒙皮边界特征提取

针对飞机蒙皮类薄壁结构件边界特征提取效率不高的问题,提出一种基于扫描线点云的边界特征提取方法。考虑了测量点分布不均和边界微倒角的影响,在每条扫描线上提取边界特征点,使用边界特征点构造边界特征线。特征点的提取过程包括邻域搜索、测量点位置识别、直线拟合与求交。邻域搜索中将点沿扫描线排序,通过点的离散曲率区分面上点和边界点,使用表面和侧面上的点分别拟合直线,将直线的交点作为特征点。不在现有测量点中寻找特征点的方法,降低了保障特征点精度所需的点云密度且符合设计意图。通过应用实例验证了算法的提取精度和有效性。     

基于梯度聚类的有序点云边缘优化提取方法

应用传统的2D边缘检测器检测低分辨率深度图中物体边缘时,边缘检测精度较差,召回率低;而当前基于3D点云的边缘提取方法也存在实时性差、抗干扰能力弱等缺点。为此,提出一种基于梯度聚类的边缘优化提取方法,实现从有序点云中快速、稳定地检测物体的边缘。首先,通过邻域点距离分析滤除飞行像素噪声,消除边缘误检;其次,提出一种基于梯度聚类的边缘点/非边缘点分离方法,快速获取物体的粗边缘;最后,结合快速平行细化算法与掩膜滤波,优化粗边缘,获得物体精确边缘。在公共数据集和TOF相机实测数据上进行实验验证。结果表明,提出方法的实时性与检测精度均优于现有方法,在实测数据中的边缘检测精度达89%,FPS达28 fps。     

The development of a technique for 3D complex surface reconstruction from unorganized point cloud

In this paper, we propose a new neural network based on our two-level adaptive hierarchical clustering algorithm. The algorithm is to manage unorganized points, so that the triangular mesh models can be correctly obtained by applying the triangular mesh creation algorithm. We also develop adaptive self-flipping triangle edges to improve triangular mesh structure. Only one parameter, the maximal edge length of triangle, is needed in the neural network. The proposed two-level consists of the first level for clustering the cloud of points that has same order of the maximal edge length into a same cluster and the second level for generating triangular surface model or drape surfaces over the points of the same cluster. The normal vector for the generated triangular 3D surface model can be obtained from the second level. This helps to generate the STL file or stereolithography format. From the experimental results it can be shown that the proposed method is very effective for clustering unorganized point clouds for generating a triangular mesh of complex surfaces.     

用神经网络进行散乱点的区域分割

点云的区域分割实质上是根据点的局部几何特性的相似性对点进行分类 ,利用自组织特征映射神经网络(self- organizing feature m ap,SOFM)可以实现无监督的特征聚类 ;本文使用 SOFM进行反向工程中点云的区域分割 ,选用数据点的坐标、法向量六维向量作为 SOFM的输入 ,通过改进 SOFM的学习算法 ,加入输入权和距离权 ,加速了分割的速度和正确性。利用 SOFM方法实现点云分割 ,具有以下优点 :不必限定面的类型 ;用户可以控制分区的个数 ;可以处理噪音数据。并用实际数据验证了此方法的可行性。     

汽车覆盖件模具型面三维测量数据的快速精简方法

为了对通过非接触式三维测量获得的汽车覆盖件模具型面点云进行数据精简,提出一种基于平均点距值原理的精简方法。该方法根据用户设定的采样立方体边长,采用八叉树分割算法分割数据,在分割得到的各子立方体内计算并比较平均点距值,根据其大小判断点云密度,据此可删除多余的数据点。     

GENERATE ROUGH TOOL-PATHS FROM UNORGANIZED POINT-CLOUD DIRECTLY

An approach is presented to generate rough interference-free tool-paths directly from massive unorganized data in rough machining that is performed by machining volumes of material in a slice-by-slice manner. Unorganized point-cloud is firstly converted to cross-section data. Then a robust data-structure named tool-path net is constructed to save tool-path data. Optimal algorithms for partitioning sub-cut-areas and computing interference-free cutter-locations are put forward. Finally the tool-paths are linked in a zigzag milling mode, which can be transformed into a traveling sales man problem. The experiment indicates optimal tool paths can be acquired, and high computation efficiency can be obtained and interference can be avoided successfully.     

基于形态学可变结构元素的遥感图像边缘检测方法（英文）

利用单一结构元素对遥感图像进行形态学边缘检测时,可能会出现边缘不完整、抑制噪声能力差等问题。为此,提出了一种基于可变结构元素的遥感图像形态学边缘检测方法。首先,依据遥感图像目标的多样性,构造不同尺度和包含多方位的结构元素,以此可变结构元素为基础,构建相应的形态学运算,对遥感图像进行Top-hat和Bottom-hat变换,抑制目标背景中的噪声,突出图像目标边缘;然后利用构造的可变结构元素进行形态学边缘检测,获得多幅具有不同尺度和方位边缘特征的图像;最后对各个方向边缘进行加权求和得到图像边缘,运用最小二乘法对其边缘进行拟合,从而精确地定位出目标边缘轮廓。实验结果表明,本文方法能够检测到完整的遥感图像边缘信息,边缘检测精度较高,抗噪性能优越,相比经典边缘检测算子和单一结构元素的形态学边缘检测方法,图像边缘检测效果较好,检测精度达到95%。     

基于多尺度融合技术的图像边缘检测

根据边缘检测离散准则,利用数值方法求出该准则下边缘检测的最优线性滤波器及对应的平滑算子,设计平滑滤波窗算子,将其与嵌入可信度方法相结合进行边缘检测;同时充分利用边缘信息的多尺度特性,根据小尺度下图像边缘细节信息丰富、边缘定位精度高,大尺度下图像边缘稳定、抗噪性好等特点,将检测到的多尺度边缘进行融合,得到精确的单像素宽边缘。实验结果表明,该方法不仅能准确检测出边缘图像,而且能有效地抑制噪声,是边缘检测的一种较好的实用方法。     

基于循环平移和DTCWT的声呐图像滤波方法

声呐图像散斑噪声的存在严重影响声呐图像的人工判读和自动识别。声呐图像散斑噪声滤波是声呐图像处理领域的一个重要难题。双树复小波变换(DTCWT)因其具有近似的平移不变性、良好的方向选择性已被应用于图像滤波。但这种平移不变性的近似性使得DTCWT不能较为彻底地抑制伪吉布斯现象,而导致滤波后图像的边缘存在一定程度的模糊。为了减小伪吉布斯现象和声呐图像边缘模糊,将循环平移与DTCWT结合使用,提出一种基于循环平移和DTCWT的声呐图像滤波方法。实验结果表明,该方法在滤除声呐图像散斑噪声的同时能够较好地保持声呐图像的边缘。     

A hybrid regularization method combining Tikhonov with total variation for electrical resistance tomography

Electrical resistance tomography (ERT) is a promising measurement technique in industrial process imaging. However, image reconstruction in ERT is an ill-posed inverse problem. Regularization methods have been developed to solve the ill-posed inverse problem. Since the penalty term is a form of L2-norm, Tikhonov regularization method guarantees the stability of the solution, but it always makes the image edge oversmoothed. Total variation (TV) regularization method has good ability of preserving image edges. A hybrid regularization method, which combines Tikhonov with TV regularization method, is proposed to get better reconstructed images. The choice of the adaptive weighted parameter between TV and Tikhonov penalty term has been discussed in detail. In the proposed hybrid regularization method, the function of conductivity gradients is used as the adaptive weighted parameter to control automatically the weighting between the penalty terms from TV and Tikhonov regularization. For the model with sharp edges, the proportion of the penalty term from TV regularization is increased to preserve the edges, while for the model with smooth edges, the proportion of penalty term from Tikhonov regularization is increased to make the solution stable and robust to noise. Both simulation and experimental results of Tikhonov, TV and hybrid regularization method are shown respectively, which indicates that the hybrid regularization method can improve the reconstruction quality with sharp edges and is more robust to noise, and it is applicable for models with different edge characteristic.     

基于导向滤波Retinex和自适应Canny的图像边缘检测

机器视觉识别常用金属制品边缘时,表面亮度不均易导致边缘误识别,且传统的边缘检测算法去噪的同时也抑制了大量边缘信息,降低了边缘检测质量.本文提出一种基于导向滤波Retinex和自适应Canny的图像边缘检测算法.该算法采用基于导向滤波的Retinex法得到金属制品图像的反射分量,通过加权分布的自适应伽马校正提升反射分量图...