一种基于特征敏感投影算子的厚度点云薄化方法技术

本发明专利技术提供一种基于特征敏感投影算子的厚度点云薄化方法，包括四个步骤：点云邻域的选取阶段，用于构建扫描散乱点云数据的局部邻域信息；离群点去除阶段，依据点云的局部邻域信息进行点云初始分割，去除原始点云数据中的离群点；点云法向估计阶段，在点云的局部邻域内，利用主成分分析算法估计点云法向信息；厚度点云薄化阶段，结合法向差异和距离信息，构建特征敏感投影算子，迭代更新点云数据的位置，实现厚度点云的薄化处理。本发明专利技术针对带有噪声、离群点、厚度的扫描点云数据，提出了一种特征敏感的投影算子，实现了点云厚度薄化的同时保持点云数据潜在的特征结构。

【技术实现步骤摘要】
【专利摘要】本专利技术提供，包括四个步骤：点云邻域的选取阶段，用于构建扫描散乱点云数据的局部邻域信息；离群点去除阶段，依据点云的局部邻域信息进行点云初始分割，去除原始点云数据中的离群点；点云法向估计阶段，在点云的局部邻域内，利用主成分分析算法估计点云法向信息；厚度点云薄化阶段，结合法向差异和距离信息，构建特征敏感投影算子，迭代更新点云数据的位置，实现厚度点云的薄化处理。本专利技术针对带有噪声、离群点、厚度的扫描点云数据，提出了一种特征敏感的投影算子，实现了点云厚度薄化的同时保持点云数据潜在的特征结构。【专利说明】
本专利技术涉及。
技术介绍
随着三维扫描设备的快速发展，点云数据获取变的越来越容易。在数据获取过程 中由于周围环境的影响、扫描仪自身的局限等因素导致获取的点云数据不可避免的存在噪 声、离群点、采样不均等问题。另外，由于物体的复杂性等原因，需要多次重复扫描物体，最 终导致获取的点云数据存在一定的厚度。直接由带有厚度的点云数据重建得到的网格通常 会出现非流形结构、多层次曲面等问题，无法用于后续的数据处理和分析。 初始点云数据处理工作主要包括去噪、离群点除去、重采样、数据简化等，已经得 到了大家的广泛关注和研究。在厚度点云的薄化处理，同样涉及到数据去噪、离群点去除等 工作。在基于移动最小二乘算法的工作中，利用移动最小二乘算法局部拟合二次曲面，迭代 地将初始点集投影到拟合曲面上实现了扫描点云数据的处理。该类法可以较好的处理带有 噪声、采样不均的点云数据。由于该类算法拟合出光滑曲面，因此无法很好的保持点云模型 中带有的特征信息。为了克服这一缺点并保持原始点云模型中的特征信息，改进的移动最 小二乘算法被提出，如基于鲁棒统计的最小二乘算法。该算法通过迭代向前搜索的方式选 取不跨越特征结构的邻域，利用局部邻域的分类保持点云数据中潜在的特征结构。曲面拟 合方法的缺点是在曲面拟合之前需要定义参数化区域，这是一件繁琐而费事的工作。 为避免这一过程，显式的处理算法直接对不同层次得到的点云数据进行加权平 均，如基于局部最优投影算子的方法。该算法通过极小化任意投影点集与原始数据点集之 间的距离，提出了一种局部最优投影算子的方法。该方法的优化能量函数包含两个主要部 分：一是控制投影点集与原始数据的相似性程度，另一个是保持数据点集分布的数据排斥 项。由于该算法的排斥项在优化过程中收敛过快，容易出现点云数据分布不规则的情况。为 此，引入局部数据依赖的权重，一种加权的局部最优投影算子被提出。该算法有效地处理了 数据分布不均的情况。虽然局部最优投影算子和加权的最优投影算子可以很好的处理噪声 和离群点的情况，但无法保持数据内在的特征。 当获取点云数据中存在较大程度的噪声和厚度时，现有算法尽管可以实现噪声的 去除和一定程度的数据薄化，但是仍然无法给出合理的输出结果。为解决上述问题，本专利技术 基于特征敏感投影算子等技术提出了厚度点云薄化方法，该方法可以有效去除扫描点云数 据中的噪声，在厚度点云薄化的同时保持数据潜在的细节和显著特征。
技术实现思路
本专利技术解决的技术问题是：克服了现有的点云数据处理技术在处理扫描点云数据 中的不足，提供了，满足了后续几何处理 对输入数据的需求。 本专利技术采用的技术方案为：，包 括以下四个步骤： 步骤（1)、点云邻域选取：利用共享K近邻算法，计算任意两点之间的相似性度量。 在数据点集之间的相似性度量的基础上，考虑两点的实际欧式距离，通过向前搜索的方式 逐个添加邻域点，直至满足一定的终止条件，完成一点处局部邻域的选取。 步骤（2)、离群点去除：由步骤⑴获取的点云局部邻域信息构成了对输入点云数 据的初始分割，将具有较少邻域点的数据点集作为离群点从初始点云数据中删除，完成点 云数据的离群点去除。 步骤⑶、点云法向估计：对于剩余的数据点集，在一点的局部邻域内，利用主成 分分析算法估计当前点的法向信息。估计得到的法向信息构成了厚度点云的投影方向，同 时法向之间的差异度量了原始点云数据的特征信息。 步骤（4)、厚度点云薄化：利用上述步骤得到的局部邻域和法向信息，定义法向差 异、计算邻域内点集在法向方向上的投影距离，构建特征敏感的投影算子，迭代更新点云数 据的位置，实现厚度点云数据的薄化。 本专利技术的原理在于： (1)为了实现厚度点云的薄化，同时保持数据自身的特征信息，本专利技术在完成扫描 点云数据的法向信息估计后，结合法向间差异和数据点在法向方向上的投影距离，提出了 特征敏感的投影算子，有效保持了原始数据的细节和显著特征。 ⑵为了得到合理的局部邻域信息，本专利技术利用共享K近邻算法，度量任意两点之 间的相似性，利用逐层推进的方式获取数据点的局部邻域。该方法可以有效获取数据点间 的局部邻域结构，同时避免了由于不同曲面间距离较近导致的邻域选取错误。 (3)为了去除初始扫描点云数据中的离群点，避免离群点对后续点云法向估计和 厚度薄化投影过程的影响，在得到数据点的局部邻域之后，统计局部邻域包含数据点的数 目，剔除包含较少邻域点的数据。 本专利技术与现有技术相比的优点在于： 1、本专利技术提出的基于共享K近邻的点云邻域点选择方法，一方面有效保持了数据 集具有各向异性邻域的特性，另一方面避免了噪声环境下邻域选取的错误问题。 2、本专利技术提出的基于点云邻域选取的离群点去除方法，有效地去除了远离扫描点 云数据主体的离群点，为后续法向的正确估计和特征敏感的投影算子计算提供合理的数 据。 3、对比已有的点云数据处理方法，本专利技术提出的基于特征敏感投影算子的厚度点 云薄化方法，将数据去噪、离群点去除和厚度薄化统一在厚度点云薄化的框架下，实现了点 云数据的鲁棒处理。 【专利附图】【附图说明】 图1为基于特征敏感投影算子的厚度点云薄化处理流程图； 图2为共孕K近邻不意图； 图3为邻域点选取与离群点去除示意图； 图4为投影算子中权重示意图； 图5为Turtle模型的厚度薄化结果；图5(a) (c)给出了带有噪声和厚度的Turtle 模型的点云重建结果。图5(b)从重建结果的横切图和局部放大部位可以看到，由于噪声和 厚度的存在，导致重建的结果不光滑，同时出现多层次曲面的情况。图5(d)中对应的横切 图和局部放大结果，是本专利技术提出的厚度点云薄化方法重建所得的结果。 图6为细节保持的大象模型的厚度薄化结果； 图7为细节保持的Mayan模型的厚度薄化结果。 【具体实施方式】 图1给出了基于特征敏感投影算子的厚度点云薄化处理流程图，下面结合其他附 图及【具体实施方式】进一步说明本专利技术。 本专利技术提供一种基于特征敏感投影算子的厚度点云薄化处理流程图，主要步骤介 绍如下： 1?点云邻域选取 局部邻域选择在点云数据处理中起着重要的作用，直接影响最终数据处理的好 坏。通常在邻域选取过程中，球形邻域或者是K-近邻方法被广泛使用，并可以处理大部分 现实中存在的数据。但是，当处理的数据存在非常靠近的潜在曲面或者含有显著特征的时 候，上述两种邻域选取的方式通常无法得到满意的结果。为了克服现有邻域选取方法的局 限，在本专利技术中我们基于共享K近邻算法以波前本文档来自技高网...

【技术保护点】
一种基于特征敏感投影算子的厚度点云薄化方法，其特征在于包括以下步骤：步骤(1)、点云邻域选取：利用共享K近邻算法，计算任意两点之间的相似性度量；在数据点集之间的相似性度量基础上，考虑两点的实际欧式距离，通过向前搜索的方式逐个添加邻域点，直至满足一定的终止条件，完成一点处局部邻域的选取；步骤(2)、离群点去除：由步骤(1)获取的点云局部邻域构成了对输入点云数据的初始分割，将具有较少邻域点的数据点作为离群点从初始点云数据中删除，完成点云数据的离群点去除；步骤(3)、点云法向估计：对于剩余的数据点集，在其局部邻域内，利用主成分分析算法估计当前点的法向信息；估计得到的法向信息构成了厚度点云的投影方向，同时法向之间的差异度量了原始点云数据的特征信息；步骤(4)、厚度点云薄化：利用上述步骤得到的局部邻域和法向信息，定义法向差异、计算邻域点集在法向方向上的投影距离，构建特征敏感的投影算子，迭代更新点云数据的位置，实现厚度点云数据的薄化。

【技术特征摘要】

【专利技术属性】
技术研发人员：王小超，郝爱民，李帅，秦洪，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11