实物表面采样数据尖锐特征样点法向估计方法技术

本发明专利技术提供一种实物表面采样数据尖锐特征样点法向估计方法，属于产品逆向工程技术领域，其特征在于：基于核密度估计方法计算目标样点及其邻域数据的模式点，根据目标样点与其对应模式点的偏离程度建立特征识别准则，基于采样模型过渡曲面圆角半径以及目标样点与模式点的偏离程度定义特征识别敏感系数，用以调整特征识别敏感度，基于间隙统计算法估计非封闭曲面采样数据特征样点自然分簇数目，利用聚类分析的方法对非封闭曲面采样数据特征样点对应的残差平方和集合进行自适应分簇，从而去除裁剪特征样点，提取尖锐特征样点，根据尖锐特征样点与模式点的位置关系估计样点法向。采用本方法能够快速有效提取封闭曲面采样数据与非封闭曲面采样数据尖锐特征样点并对样点法向进行准确估计。

【技术实现步骤摘要】

本专利技术提供一种，属于产品逆向工 程

技术介绍
曲面重建是产品逆向工程的核心技术，为了提高曲面重建精度，需要对庞大的点 云采样数据进行预处理，点云的预处理主要包含去噪、平滑、精简、特征识别等处理，而点云 样点法向量的准确估计对点云的预处理工作非常重要，进而直接影响曲面重建的准确性。 目前常用的点云法向估计方法主要有最小二乘平面拟合的法向估计方法 和Voronoi三角网格划分的法向量估计方法。Zhao Can等在学术期刊《Tsinghua Science & Technology》2009，38(14)，P77_81 上发表的 "An Improved Algorithm for k-Nearest-Neighbor Finding and Surface Normals Estimation" 中，查询样点的 k 近邻 点集，并对样点的近邻点集拟合最小二乘平面，将拟合平面的法向估计为该样点的法向。基 于最小二乘平面拟合的法向估计方法原理简单，容易实现，但对于尖锐特征处的样点由于 k近邻点集离散程度较高，不能有效拟合局部平面，导致样点的法向估计结果不准确。Dey T K 等在学术期刊《Computers & Graphics》2011，35(3)，483-491 上发表的 "Cocone surface reconstruction"中，提出基于Voronoi三角网格划分的法向量计算方法，样点龙： 的法向估计为避与其所在Voronoi晶格中最远的顶点的连线方向，该算法要求棱边特征的 采样密度无穷大，以保证法向估计的准确性，而现有的采样设备其采样密度仅能达到有限 大，因此导致尖锐特征点的法向估计不准确。 综上所述，目前存在尖锐特征样点 法向估计不准确的问题，因此，提供一种估计准确性较高的尖锐特征样点法向估计方法已 成为本领域技术人员亟待解决的技术问题。
技术实现思路
本专利技术要解决的技术问题是：克服现有技术的不足，提供一种实物表面采样数据 尖锐特征样点法向估计方法，快速准确估计尖锐特征样点的法向量。本专利技术解决其技术问 题所采用的技术方案是：一种，其特征在于 步骤依次为：（1)基于核密度估计方法计算获取目标样点邻域数据的模式点，根据目标样 点与其对应模式点的偏离程度建立特征样点识别准则；（2)根据采样模型过渡曲面圆角半 径以及样点与模式点的偏离程度定义特征识别敏感系数，用以调整特征识别敏感度；（3) 设非封闭曲面采样数据裁剪特征样点与尖锐特征样点集合为f，基于间隙统计的算法估计 样点自然分簇数目，并通过k-均值自适应聚类算法对，样点集合进行分簇，提取尖锐特 征样点；具体步骤为：计算:f样点对应的残差平方和^集合；_在笼 范围内通过均匀分布的方式产生选择，组参考数据集，初始聚类簇数;溶利用k-均 值算法分别将原始数据衮与参考数据分为i:簇，分别计算原始数据与参考数据聚类总体相 似度计算间隙量;S计算各组参考数据集产生的：的标准差％和期望值的模拟误 差_i;若所得结果满足式则原始数据集合自 然簇数为I，否则令，返回步骤在满足荩中判定式k下的聚类结果即是对的自然分类，同样对应的是对奶中样点的自然分类。（4)设获取的尖锐 特征样点集合为0，对中的样点茗采用核密度估计的方法计算可反映采样数据局部样 点分布特征的模式点根据样点老与模式点：怕位置关系估计样点茗的法 向量 为实现专利技术目的，所述的，在步骤 (1)中，根据目标样点与其对应模式点的偏离程度建立特征识别准则，具体为：设设 为^在实物表面上相应位置的良好曲面局部样本，则基于核密度估计方法的模式点计算公 式为：其中为多:为中所有样点距离的最大值，⑴为核函数，目标样点贫:与 模式点I的偏离程度可基于的标准差予以量化，若靶满足：便可判定狀为特征样点，其中4·)为样点间的欧氏距离，赛为敏感系数，P被判定为 特征样点的概率与该值成正比，8为^ 〇9)的标准差，I 为实现专利技术目的，所述的，在步骤 (1) 中所述模式点计算公式⑴中带宽A的取值为目标样点/?至』〇9)中所有样点距离的 最大值，A是一个自适应带宽值，核函数以X)取高斯核函数，其形式为 为实现专利技术目的，所述的，在步骤 (2) 中，根据采样模型过渡曲面圆角半径以及样点与模式点的偏离程度定义特征识别敏感 系数，具体为：计算目标样点货::与模式点_!:的欧氏距离，设过采样模型渡曲面圆角半径为r，则定义特征识别敏感系数:f::目标样点多.被判定为特征样点的概率与#成正比。 本专利技术与现有技术相比，具有以下优点： (1) 基于目标样点与其对应核密度估计的模式点之间的偏离程度所建立的特征识别准 则具有较强的识别能力，能够准确识别封闭曲面尖锐特征样点； (2) 基于间隙统计的k_均值自适应分簇算法能够准确获取非封闭曲面特征样点的自 然分簇数目，从而实现对非封闭曲面尖锐特征样点的准确提取； (3) 尖锐特征样点的拓扑邻域数据能够准确放映样点通过目标样点所处局部型面信 息，根据尖锐特征样点与其对应模式点的位置关系可显著提高样点法向估计的准确性。【附图说明】 图1是本专利技术实物表面采样数据尖锐特征样点法向估计流程图； 图2是非特征样点所对应模式点的分布示意图； 图3是特征样点所对应模式点的分布示意图； 图4是过渡曲面圆角半径较小时样点的分布示意图； 图5是过渡曲面圆角半径较大时样点的分布示意图； 图6是实物表面采样数据特征样点识别流程图； 图7是非封闭曲面采样数据及其尖锐特征样点与裁剪特征样点示意图； 图8是样点集合自然分簇数目估计流程图； 图9是样点集合分簇流程图； 图10是实物表面采样数据尖锐特征样点法向估计示意图； 图11是试验对象小鱼模型样点集合； 图12是小鱼模型样点集合不同聚类分簇数目k下的间隙量统计图； 图13是小鱼模型非封闭曲面采样数据样点集合分簇结果； 图14是实施例一中的试验对象刀具模型采样数据； 图15是实施例一中的刀具模型采样数据尖锐特征样点法向估计结果； 图16是实施例二中的试验对象法兰盘模型采样数据； 图17是实施例二中的法兰盘模型采样数据尖锐特征样点法向估计结果。【具体实施方式】 下面结合附图及实施例对本专利技术作进一步说明。 图1是本专利技术的程序实现流程图， 采用C程序设计语言实现，程序主要包括实 物表面采样数据动态空间索引R*树的构建、特征样点识别准则的建立、根据特征识别准则 对特征样点的提取、对尖锐特征样点的提取、尖锐特征样点拓扑近邻点集的查询、尖锐特征 样点及其拓扑近邻点集对应模式点的计算以及根据目标样点与模式点对目标样点法向量 进行估计。 图2与图3分别为非特征样点与特征样点所对应模式点的分布示意图，选取样点 的拓扑近邻点集作为曲面局部样本能够更好的反应原始曲面上目标样点附近的局部型面 特征，非特征样点的邻域数据通常分布于目标样点的周围，而特征样点的邻域数据一般具 有严重的偏向性，通过基于核密度估计方法计算该良好曲面局部样本的模式点，非特征样 点与其对应模式点i偏离程度较小，而特征样点与其对应模式点ii的偏离程度较大，因 此可根据目标样点与其对应模式点之间偏离程度建立特征样点识别准则，最终建立特征样 点识别判别式（2)。当前第1页1 2 本文档来自技高网...

【技术保护点】
一种实物表面采样数据尖锐特征样点法向估计方法，其特征在于步骤依次为：(1)基于核密度估计方法计算目标样点邻域数据的模式点，计算样点与其模式点的偏离程度，将偏离程度较大的样点识别为特征样点，对封闭曲面采样数据识别到的特征样点即为尖锐特征样点，而对于非封闭曲面采样数据识别到的特征样点为尖锐特征样点与裁剪特征样点的集合；(2)根据采样模型过渡曲面圆角半径以及样点与模式点的偏离程度定义特征识别敏感系数，用以调整特征识别敏感度；(3)设非封闭曲面采样数据裁剪特征样点与尖锐特征样点集合为，对中任一样点及其邻域数据拟合最小二乘平面，计算样点与其拟合平面的残差平方和，得到样点集合对应的残差平方和集合，通过聚类分析算法对进行分簇，残差平方和较大的数据簇对应的样点即为尖锐特征样点；(4)设获取的尖锐特征样点集合为，对中的样点采用核密度估计的方法计算可反映采样数据局部样点分布特征的模式点，根据样点与模式点的位置关系估计样点的法向量：。

【技术特征摘要】

【专利技术属性】
技术研发人员：孙殿柱，南艳艳，李延瑞，魏亮，
申请(专利权)人：山东理工大学，
类型：发明
国别省市：山东;37