一种基于轮廓特征的陶瓷碎片三维智能拼接方法技术

本发明专利技术公开了一种基于轮廓线特征的文物碎片智能拼接方法，包括获取三维点云数据、降噪处理、提取非异常点云数据的轮廓点、计算轮廓点集的数学几何特征、轮廓线粗比对、轮廓线相似性细匹配和碎片虚拟拼接步骤。本发明专利技术通过动态优化法选出一条差异累积最小的路径对轮廓线进行粗匹配，避免相似的轮廓线在粗匹配时被剔除掉；以最长公共子序列长度为判别标准对碎片轮廓进行进一步相似性比对，提高了匹配准确性。在轮廓线的特征点差异性计算的过程中突破了欧氏距离的局限性，进行比对的轮廓线的特征点可以不是等长的，对于应用对象具有广泛适用性。用性。用性。

【技术实现步骤摘要】
一种基于轮廓特征的陶瓷碎片三维智能拼接方法


[0001]本专利技术设计一种文物碎片三维智能拼接方法，尤其涉及一种基于轮廓特征的文物碎片三维智能拼接方法，属于计算机视觉


技术介绍

[0002]在考古现场收集到碎片后，技术人员需要依据自身经验对碎片进行清理、分类、比对从而复原出古陶瓷的本状，这对人工复原工作提出了极高的技术与经验要求。使用人工方法进行古陶瓷碎片拼接与复原来说，存在着诸多的问题，例如：由于材质特性，在人工处理过程中会存在着文物碎片再次破损的隐患等。陶瓷碎片的人工拼接工作，存在不可逆性，无法复原，只可一次成型，故应当在考古文物陶瓷碎片的处理当中尽可能的减少人工参与。目前计算机辅助文物智能复原系统已逐渐显现。基于B
‑
样条曲线逼近文物碎片边缘曲线、从碎片物体的轮廓线上提取数据点，将弧长参数化，计算集合曲率、挠率特征，并对特征集进行排序，最终实现B
‑
样条表示的物体轮廓曲线。基于边缘感知的点云整合网络方法基于文物碎片边缘对点云进行合并，在合并过程中处理检测到的尖锐的边缘，更精确地实现三维重建。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轮廓线特征的文物碎片智能拼接方法，其特征在于包括以下步骤：步骤1：获取三维点云数据：收集1片以上文物碎片，对收集到的各文物碎片进行三维扫描，获得相应的文物碎片描，获得相应的文物碎片的点云数据，其中M为碎片总数，为文物碎片PC
m
的点云数据中的点数；步骤2：用统计滤波方法逐一对各文物碎片步骤2：用统计滤波方法逐一对各文物碎片的点云数据进行降噪处理，降噪处理方法由以下具体步骤组成：步骤2
‑
1：逐一对文物碎片PC
m
的点云数据中当前点p
is
与其它点p
js
的距离按照从小到大排序，且is≠js，取前k个距离对应的点p
js
放入当前点p
is
的k邻域集合{PkNN
is
}中；步骤2
‑
2：逐一计算当前点p
is
的k邻域点集合{PkNN
is
}中点p
is
的近邻距离平均值的近邻距离平均值的近邻距离平均值其中，(x
is
,y
is
,z
is
)为当前点p
is
的三维坐标；步骤2
‑
3：计算文物碎片PC
m
的点云数据中所有点的近邻距离平均值的均值μ
m
与标准差σ
m
：：步骤2
‑
4：判断当前点p
is
的近邻距离平均值是否在阈值范围(μ
m
‑
Qσ
m
,μ
m
+Qσ
m
)内，Q为一个预设权重值，如果不在该范围内，则当前点p
is
视为离群异常点，将当前点p
is
从文物碎片PC
m
的点云数据中去除，得到文物碎片PC
m
的非异常点云数据，其点数为步骤3：逐一提取各文物碎片PC
m
，m＝1,
…
,M的非异常点云数据的轮廓点，由以下具体步骤组成：步骤3
‑
1：拟合平面：对文物碎片PC
m
的非异常点云数据中当前目标点p
tar
与其它点p
oth
的距离按照从小到大排序，且oth≠tar，取前k
′
个距离对应的点p
js
放入当前目标点p
tar
的k
′
邻域点集{Pk
′
NN
′
tar
}中，使用k
′
邻域点集{Pk
′
NN
′
tar
}中的数据拟合当前目标点p
tar
的邻近平面；步骤3
‑
2：将当前目标点p
tar
及其k
′
邻域点集Pk
′
NN
′
*tar
中各邻域点投影到当前目标点p
tar
的邻近平面上，得到当前目标点p
tar
的投影点及其k
′
邻域点集中各邻域点的投影点
集步骤3
‑
3：构建夹角序列：以作为基准向量，计算邻域向量与基准向量的夹角从而产生夹角序列从而产生夹角序列步骤3
‑
4：计算相邻夹角差值序列4：计算相邻夹角差值序列4：计算相邻夹角差值序列4：计算相邻夹角差值序列步骤3
‑
5：查找相邻夹角差值序列θ
tar
中的最大值与预设夹角阈值进行比较，若大于预设夹角阈值，则将当前目标点p
tar
作为轮廓点加入文物碎片PC
m
的轮廓点集{P
edge
}
m
’
edge＝1,
…
k
m
，k
m
为文物碎片PC
m
的轮廓点数目；步骤4：逐一计算各轮廓点集{P
edge
}
m
的数学几何特征，由以下步骤组成：步骤4
‑
1：在轮廓点集{P
edge
}
m
中随机选择K
subL
个点作为各轮廓线中心的初始值，并将其移入相应的轮廓线集；采用迭代聚类方法将轮廓点集{P
edge
}
m
划分为K
subL
条轮廓线，K
subL
为大于1的整数；当各轮廓线中心的变化值均小于预设中心变化阈值或者达到预设迭代次数，迭代聚类结束；迭代聚类过程为：逐一计算轮廓点集{P
edge
}
m
中的点与各轮廓线中心的距离，将其加入距离最近的轮廓线集；计算各轮廓中心中点坐标的均值，并用其更新相应轮廓线中心；步骤4
‑
2：排序各轮廓线中的轮廓点，得到有序轮廓线点集2：排序各轮廓线中的轮廓点，得到有序轮廓线点集2：排序各轮廓线中的轮廓点，得到有序轮廓线点集为第i条轮廓线subl
i
中的轮廓点数；步骤4
‑
3：逐一对各有序轮廓线点集进行B
‑
样条函数参数方程拟合，依次选取w个轮廓点拟合B
‑
样条函数参数方程步骤4
‑
4：逐一计算各轮廓线在各轮廓点处的曲率，得到曲率序列步骤4
‑
5：逐一提取各有序轮廓线点集的特征点：对曲率序列进行等长分段，K
c
为段长，逐段求取局部曲率最大值，以局部曲率最大值对应的轮廓点为元素构建轮廓线subl
i
的特征点集合相应的特征点索引集合为步骤4
‑
6：逐一计算当前轮廓线subl
i
的待比对特征点
的数学几何特征：待比对特征点的曲率的曲率的曲率从曲率序列中提取；待比对特征点的挠率为：其中，其中，待比对特征点与左侧相邻特征点构成的左邻向量的模为：其中，为点的三维空间坐标，为点的三维空间坐标；待比对特征点与右侧相邻特征点构成的右邻向量的模为：其中，为点的三维空间坐标，为点的三维空间坐标；待比对特征点与其左右相邻特征点构成的向量的夹角为向量
与向量的夹角：待比对特征点的特征向量为：构建轮廓线subl
i
的特征表示矩阵矩阵中的第r行为待比对特征点的特征向量的特征向量的特征向量步骤5：轮廓线粗比对，由以下具体步骤组成：步骤5
‑
1：将文物碎片PC
m
依次与PC
n
配对，m＝1,
…
,M；n＝m+1,
…
,M；逐一计算文物碎片PC
m
的轮廓线subl
i
与文物碎片PC
n
的轮廓线subl
j
中各特征点对间的差异性：计算轮廓线subl
i
与subl
j
的曲率差异性：的曲率差异性：其中，i＝1,
…
,K
subL
；j＝1,
…
,K
subL
；；；分别为轮廓线subl
i
与subl
j
包含的点数；D函数计算方式为：且且计算轮廓线subl
i
与subl
j
的挠率差异性：其中，D函数计算方式为：且且
计算轮廓线subl
i
与subl
j
的左邻向量模差异性：的左邻向量模差异性：的左邻向量模差异性：计算轮廓线subl
i
与subl
j
的右邻向量模差异性：的右邻向量模差异性：的右邻向量模差异性：计算轮廓线subl
i
与subl
j
的左右相邻向量夹角差异性：的左右相邻向量夹角差异性：其中，为轮廓线subl
i
上第q个特征点与其左右相邻向量构成的夹角，为轮廓线subl
j
上第q个特征点与其左右相邻向量构成的夹角；步骤5
‑
2：计算轮廓线subl
i
与subl
j
的粗比对差异性：
如果轮廓线subl
i
与subl
j
的粗比对差异性小于粗比对差异阈值ε，轮廓线subl
i
与subl
j
作为匹配轮廓线对加入粗匹配结果集；步骤6：轮廓线相似性细匹配：步骤6
‑
1：逐一对粗比对结果集中的匹配轮廓线对...

【专利技术属性】
技术研发人员：赵书良，孙婧涵，杨依涵，穆翔宇，丁雪怡，
申请(专利权)人：河北师范大学，
类型：发明
国别省市：