面向特征拟合的点云简化方法研究

【摘要】：随着数据测量技术和计算机可视化技术的迅速发展,越来越多样化的数据采集方法出现,在引入三维激光扫描技术以后,使基于海量点云数据的三维重建成为可能。虽然对测量带来了很大的便捷,但是其数据量急剧增加,一般可达几十万个点,多则可达几百万个数据点,过于庞大的测量数据,其中也存在一些多余的点云数据,这不仅影响了后续数据的处理,同时对物体重构表面的光滑性有影响。因此对点云进行简化非常有必要,而且要保留被扫描的对象的有用信息,这样可以减少点云数据后续处理的数据量,降低对计算机等硬件的要求,以达到后续三维建模速度和效率的提高。本着对曲面重建的效率和精度的要求,本文提出了基于法向量的面向特征拟合的点云简化算法和基于特征点约束的面向特征拟合的点云简化算法。其主要内容包括以下几个方面:(1)根据点云空间拓扑关系建立的原理,本文运用了不同于传统k-d树的划分规则,进行划分。每次分割时选择最长轴作为分割轴,经过多次分割,可以最大程度的缩小各个坐标轴方向的误差。(2)提出了基于法向量的面向特征拟合的点云简化方法,首先对点云数据建立k-d树,通过k邻域拟合出的平面获得法向量,该方法用法向量作为特征属性,利用相关性进行特征点的保留,对点云进行简化。(3)提出了基于特征点约束的面向特征拟合的点云简化算法,首先对点云数据建立k-d树,通过k邻域拟合出的平面获得法向量,然后利用邻域弯曲度以及距离比值作为特征属性,然后根据特征点的分布情况,设定合理的阈值保留提取的特征点,对其余的非特征点进行自适应简化。实验结果表明,基于法向量的面向特征拟合的点云简化算法和基于特征点约束的面向特征拟合的点云简化算法,都可以使数据量减少,还可以保证后续点云精度,提高了特征拟合的效率。但是在简化比例,特征点保留方面以及后续的特征拟合效果来看,基于特征点约束的面向特征拟合的点云简化算法优于基于法向量的面向特征拟合的点云简化算法和传统的包围盒简化算法。