基於幾何特徵性的點雲簡化方法
2023-05-28 07:53:36 2
基於幾何特徵性的點雲簡化方法
【專利摘要】本發明提供一種基於幾何特徵性的點雲簡化方法，步驟包括：通過構造3D採樣點最近鄰域集的移動最小二乘曲面，計算採樣點的法向，並通過協方差分析鄰域點集，估算採樣點的曲率；通過分析採樣點的法向投票張量，計算採樣點的特徵邊性，並據此將點雲數據分解為強邊性和非強邊性兩部分；利用MeanShift聚類對非強邊性部分進行表面區域幾何特徵相似性聚類；依據曲率閾值和搜索半徑，對強邊性部分和各類簇重採樣，完成曲率自適應的簡化。本發明依據曲率閾值和搜索半徑，對點雲數據進行保證了平坦區域採樣密度的曲率自適應簡化。因此，採用本發明能夠對點雲數據進行保持特徵邊界和曲面細節的高質量簡化。
【專利說明】基於幾何特徵性的點雲簡化方法
【技術領域】
[0001]本發明涉及計算機圖形學、計算機視覺和逆向工程領域，特別涉及一種基於幾何特徵性的點雲簡化方法。
【背景技術】
[0002]3D掃描獲取技術的快速發展，使3D點雲數據模型已成為繼一維的聲音數據、二維的圖像數據與視頻數據之後的一種新興數字媒體。在逆向工程、工業產品創新設計、數字娛樂、影視動畫、物理模擬、文物保護與修復等領域中，點雲數據模型有著廣泛的應用，且產生了越來越深遠的影響。因3D掃描設備精度極大提高，使得掃描得到的點雲數據具有極高精度的同時，也含有大量的冗餘。冗餘的點雲數據應被簡化，以便有效地進行後續的點集曲面建模、繪製和造型等處理工作。
[0003]目前點雲數據的簡化主要分為基於網格的和基於點的兩類方法，其中基於點的簡化省去了三角網格化的操作，簡化過程更為簡單，時間複雜度也更低。Alexa等於2001年首次提出了基於點的點雲數據簡化方法，採用頂點刪除法將模型簡化為原點集的真子集。Pauly等基於Fourier理論提出了一種重採樣的簡化方法，該法依賴於點雲數據分塊(即劃分)的布局。Pauly和Kobbelt將幾種與網格有關的聚類方法應用到點雲數據上，實現其簡化；Kalaiah基於採樣點層次結構的聚類對點雲數據進行簡化；Yu等基於採樣點的重要性對點雲數據進行局部聚類來其簡化。這些基於點的簡化算法在聚類或劃分時不是依據點雲數據表面區域幾何特徵的相似性，而是根據採樣點的空間關係，即忽略了表面區域各向異性的內在幾何特徵；如此的聚類必然導致相似的表面區域被劃分到不同的類簇中，從而影響了簡化過程並使簡化的點集誤差加大。這些算法在簡化的過程中，也沒有區分採樣點的特徵邊性，於是不能保證簡化模型在特徵邊上保留足夠的採樣密度。
【發明內容】
[0004]本發明克服了上述現有技術中所存在的不足，提供了一種可以對點雲數據保持特徵邊界和曲面細節高質量簡化的點雲簡化方法。
[0005]本發明的技術方案是這樣實現的:
[0006]一種基於幾何特徵性的點雲簡化方法，包括下述步驟:(I)構造採樣點Pi最近鄰域點集的移動最小二乘曲面，由此計算法向；(2)協方差分析鄰域點集，估算採樣點Pi的曲率；(3)分析採樣點Pi的法向投票張量，計算特徵邊性，並據此分解點雲數據為強特徵邊性部分和非強特徵邊性部分；(4)利用Mean Shift算法聚類，劃分非強特徵邊性部分為類簇集；(5)重採樣強特徵邊性部分和各類簇。
[0007]為實現發明目的，在步驟(I)中，採樣點Pi的法向是通過構造其最近鄰域點集的移動最小二乘曲面來計算的，具體是:
[0008](a)利用kD樹快速搜索採樣點Pi的k最近鄰域Nk (Pi)，依據點雲數據的規模η取k e [9，30]；[0009]給定點集P,其移動最小二乘曲面(Moving least squares,MLS)隱式地定義為一個投影算子Ψ(Ρ，x)的靜態集合，該投影算子將r e R3投影到MLS曲面S={x e R3| ψ(ρ,x) = χ}上。其投影算子的計算:
[0010](b)通過非線性優化，擬合點集的局部參考平面。擬合點集P，找到使式(I)非線性能量函數最小的局部參考平面H={x e R3In.X-D=Oj:
[0011]
【權利要求】
1.一種基於幾何特徵性的點雲簡化方法，其特徵在於，所述簡化方法包括下述步驟:(I)構造採樣點Pi最近鄰域點集的移動最小二乘曲面，由此計算法向；(2)協方差分析鄰域點集，估算採樣點Pi的曲率；(3)分析採樣點Pi的法向投票張量，計算特徵邊性，並據此分解點雲數據為強特徵邊性部分和非強特徵邊性部分；(4)利用Mean Shift算法聚類，劃分非強特徵邊性部分為類簇集；(5)重採樣強特徵邊性部分和各類簇。
2.根據權利要求1所述的基於幾何特徵性的點雲簡化方法，其特徵在於:在步驟(1)中，採樣Api的法向是通過構造其最近鄰域點集的移動最小二乘曲面進行計算的，具體是:(a)利用kD樹快速搜索採樣點Pi的k最近鄰域點集Nk(Pi)，依據點雲數據的規模η取k e [9，30] ；(b)通過非線性優化，擬合k最近鄰域點集Nk(Pi)的局部參考平面；(c)通過非線性優化，計算出擬合k最近鄰域點集Nk(Pi)的雙變量多項式；(d)確定採樣點Pi的法向為局部參考平面的法向，採用最小生成樹傳播法對法向進行全局一致化處理。
3.根據權利要求1所述的基於幾何特徵性的點雲簡化方法，其特徵在於:在步驟(2)中，定義Nk (Pi)的協方差矩陣並進行分析，其3個特徵值AiQ=Oad)為非負實值(設
λ 2)，確定採樣點Pi的曲率為
4.根據權利要求1所述的基於幾何特徵性的點雲簡化方法，其特徵在於:在步驟⑶中，具體是:定義採樣點Pi的法向投票張量為
5.根據權利要求1所述的基於幾何特徵性的點雲簡化方法，其特徵在於:在步驟(4)中，對非強特徵邊性部分進行表面區域幾何特徵相似性聚類，具體是:對非強特徵邊性部分執行Mean Shift算法，使得&收斂到最近的局部模式點，所有收斂於;^的採樣點聚為一類；由此,依據了幾何特徵相似性，Mean Shift算法將非強特徵邊性部分劃分為類簇集。
6.根據權利要求1所述的基於幾何特徵性的點雲簡化方法，其特徵在於:在步驟(5)中，重採樣強特徵邊性部分和各類簇得到簡化點雲數據，具體是:依據曲率閾值和搜索半徑，對強特徵邊性部分和非強特徵邊性各類簇的採樣點分別按照其最鄰近關係進行劃分，簡化各劃分塊為各自的質心，質心點集即為簡化點雲。
【文檔編號】G06F17/50GK103530899SQ201310493572
【公開日】2014年1月22日 申請日期:2013年10月10日 優先權日:2013年10月10日
【發明者】王仁芳 申請人:浙江萬裡學院