基于幾何特征性的點云簡化方法
【專利摘要】本發(fā)明提供一種基于幾何特征性的點云簡化方法，步驟包括：通過構(gòu)造3D采樣點最近鄰域集的移動最小二乘曲面，計算采樣點的法向，并通過協(xié)方差分析鄰域點集，估算采樣點的曲率；通過分析采樣點的法向投票張量，計算采樣點的特征邊性，并據(jù)此將點云數(shù)據(jù)分解為強(qiáng)邊性和非強(qiáng)邊性兩部分；利用MeanShift聚類對非強(qiáng)邊性部分進(jìn)行表面區(qū)域幾何特征相似性聚類；依據(jù)曲率閾值和搜索半徑，對強(qiáng)邊性部分和各類簇重采樣，完成曲率自適應(yīng)的簡化。本發(fā)明依據(jù)曲率閾值和搜索半徑，對點云數(shù)據(jù)進(jìn)行保證了平坦區(qū)域采樣密度的曲率自適應(yīng)簡化。因此，采用本發(fā)明能夠?qū)c云數(shù)據(jù)進(jìn)行保持特征邊界和曲面細(xì)節(jié)的高質(zhì)量簡化。
【專利說明】基于幾何特征性的點云簡化方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計算機(jī)圖形學(xué)、計算機(jī)視覺和逆向工程領(lǐng)域，特別涉及一種基于幾何特征性的點云簡化方法。
【背景技術(shù)】
[0002]3D掃描獲取技術(shù)的快速發(fā)展，使3D點云數(shù)據(jù)模型已成為繼一維的聲音數(shù)據(jù)、二維的圖像數(shù)據(jù)與視頻數(shù)據(jù)之后的一種新興數(shù)字媒體。在逆向工程、工業(yè)產(chǎn)品創(chuàng)新設(shè)計、數(shù)字娛樂、影視動畫、物理模擬、文物保護(hù)與修復(fù)等領(lǐng)域中，點云數(shù)據(jù)模型有著廣泛的應(yīng)用，且產(chǎn)生了越來越深遠(yuǎn)的影響。因3D掃描設(shè)備精度極大提高，使得掃描得到的點云數(shù)據(jù)具有極高精度的同時，也含有大量的冗余。冗余的點云數(shù)據(jù)應(yīng)被簡化，以便有效地進(jìn)行后續(xù)的點集曲面建模、繪制和造型等處理工作。
[0003]目前點云數(shù)據(jù)的簡化主要分為基于網(wǎng)格的和基于點的兩類方法，其中基于點的簡化省去了三角網(wǎng)格化的操作，簡化過程更為簡單，時間復(fù)雜度也更低。Alexa等于2001年首次提出了基于點的點云數(shù)據(jù)簡化方法，采用頂點刪除法將模型簡化為原點集的真子集。Pauly等基于Fourier理論提出了一種重采樣的簡化方法，該法依賴于點云數(shù)據(jù)分塊(即劃分)的布局。Pauly和Kobbelt將幾種與網(wǎng)格有關(guān)的聚類方法應(yīng)用到點云數(shù)據(jù)上，實現(xiàn)其簡化；Kalaiah基于采樣點層次結(jié)構(gòu)的聚類對點云數(shù)據(jù)進(jìn)行簡化；Yu等基于采樣點的重要性對點云數(shù)據(jù)進(jìn)行局部聚類來其簡化。這些基于點的簡化算法在聚類或劃分時不是依據(jù)點云數(shù)據(jù)表面區(qū)域幾何特征的相似性，而是根據(jù)采樣點的空間關(guān)系，即忽略了表面區(qū)域各向異性的內(nèi)在幾何特征；如此的聚類必然導(dǎo)致相似的表面區(qū)域被劃分到不同的類簇中，從而影響了簡化過程并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(qū)分采樣點的特征邊性，于是不能保證簡化模型在特征邊上保留足夠的采樣密度。

【發(fā)明內(nèi)容】

[0004]本發(fā)明克服了上述現(xiàn)有技術(shù)中所存在的不足，提供了一種可以對點云數(shù)據(jù)保持特征邊界和曲面細(xì)節(jié)高質(zhì)量簡化的點云簡化方法。
[0005]本發(fā)明的技術(shù)方案是這樣實現(xiàn)的:
[0006]一種基于幾何特征性的點云簡化方法，包括下述步驟:(I)構(gòu)造采樣點Pi最近鄰域點集的移動最小二乘曲面，由此計算法向；(2)協(xié)方差分析鄰域點集，估算采樣點Pi的曲率；(3)分析采樣點Pi的法向投票張量，計算特征邊性，并據(jù)此分解點云數(shù)據(jù)為強(qiáng)特征邊性部分和非強(qiáng)特征邊性部分；(4)利用Mean Shift算法聚類，劃分非強(qiáng)特征邊性部分為類簇集；(5)重采樣強(qiáng)特征邊性部分和各類簇。
[0007]為實現(xiàn)發(fā)明目的，在步驟(I)中，采樣點Pi的法向是通過構(gòu)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樹快速搜索采樣點Pi的k最近鄰域Nk (Pi)，依據(jù)點云數(shù)據(jù)的規(guī)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(tài)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(yōu)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(shù)最小的局部參考平面H={x e R3In.X-D=Oj:
[0011]
【權(quán)利要求】
1.一種基于幾何特征性的點云簡化方法，其特征在于，所述簡化方法包括下述步驟:(I)構(gòu)造采樣點Pi最近鄰域點集的移動最小二乘曲面，由此計算法向；(2)協(xié)方差分析鄰域點集，估算采樣點Pi的曲率；(3)分析采樣點Pi的法向投票張量，計算特征邊性，并據(jù)此分解點云數(shù)據(jù)為強(qiáng)特征邊性部分和非強(qiáng)特征邊性部分；(4)利用Mean Shift算法聚類，劃分非強(qiáng)特征邊性部分為類簇集；(5)重采樣強(qiáng)特征邊性部分和各類簇。
2.根據(jù)權(quán)利要求1所述的基于幾何特征性的點云簡化方法，其特征在于:在步驟(1)中，采樣Api的法向是通過構(gòu)造其最近鄰域點集的移動最小二乘曲面進(jìn)行計算的，具體是:(a)利用kD樹快速搜索采樣點Pi的k最近鄰域點集Nk(Pi)，依據(jù)點云數(shù)據(jù)的規(guī)模η取k e [9，30] ；(b)通過非線性優(yōu)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(yōu)化，計算出擬合k最近鄰域點集Nk(Pi)的雙變量多項式；(d)確定采樣點Pi的法向為局部參考平面的法向，采用最小生成樹傳播法對法向進(jìn)行全局一致化處理。
3.根據(jù)權(quán)利要求1所述的基于幾何特征性的點云簡化方法，其特征在于:在步驟(2)中，定義Nk (Pi)的協(xié)方差矩陣并進(jìn)行分析，其3個特征值A(chǔ)iQ=Oad)為非負(fù)實值(設(shè)
λ 2)，確定采樣點Pi的曲率為
4.根據(jù)權(quán)利要求1所述的基于幾何特征性的點云簡化方法，其特征在于:在步驟⑶中，具體是:定義采樣點Pi的法向投票張量為
5.根據(jù)權(quán)利要求1所述的基于幾何特征性的點云簡化方法，其特征在于:在步驟(4)中，對非強(qiáng)特征邊性部分進(jìn)行表面區(qū)域幾何特征相似性聚類，具體是:對非強(qiáng)特征邊性部分執(zhí)行Mean Shift算法，使得&收斂到最近的局部模式點，所有收斂于;^的采樣點聚為一類；由此,依據(jù)了幾何特征相似性，Mean Shift算法將非強(qiáng)特征邊性部分劃分為類簇集。
6.根據(jù)權(quán)利要求1所述的基于幾何特征性的點云簡化方法，其特征在于:在步驟(5)中，重采樣強(qiáng)特征邊性部分和各類簇得到簡化點云數(shù)據(jù)，具體是:依據(jù)曲率閾值和搜索半徑，對強(qiáng)特征邊性部分和非強(qiáng)特征邊性各類簇的采樣點分別按照其最鄰近關(guān)系進(jìn)行劃分，簡化各劃分塊為各自的質(zhì)心，質(zhì)心點集即為簡化點云。
【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(yōu)先權(quán)日:2013年10月10日
【發(fā)明者】王仁芳 申請人:浙江萬里學(xué)院