描点的平面散乱点云边界的提取算法
散乱点云的边界提取

散乱点云的边界提取丁承君;孙刚;尹李亮;齐春辉【期刊名称】《计算机技术与发展》【年(卷),期】2017(027)007【摘要】基于Kinect体感技术获取的周围环境点云数据量大,其中点云的边界是重要特征,是机器人导航的重要参数.为获得复杂散乱点云的边界特征,提出了一种基于点云库(PCL)的物体分割以及边缘轮廓提取算法.该算法通过建立散乱点云的kd-tree空间拓扑结构,经直通滤波、表面平滑处理对点云数据进行去噪、填补空洞.由于实际环境包含大量的平面,因此采用基于随机采样算法(RANSAC)可寻找种子点确定平面,进而应用平面分割找出平面上的感兴趣区域,并计算k邻域点的法线夹角,若大于阈值则为边界特征点.为验证算法的有效性,基于机器人操作系统(ROS),通过PCL点云库,快速、准确地对场景中的物体进行分割以及边缘轮廓提取.实验结果表明,所提出的算法能够快速、准确、有效地提取散乱点云的边界.%The data of the surrounding environment point cloud obtained by Kinect somatosensory technology is large,and the boundary of the point cloud is an important feature and parameter for robot navigation.A method of an object segmentation and edge contour extraction based on Point Cloud Library (PCL) has been proposed to obtain the boundary feature of complex scattered cloud.By establishing the kd-tree space topology structure of scattered points cloud,the point cloud data have been denoised and filled with holes by pass-through filtering and surface smoothing.The real environment contains a large number of planes,thus the random samplingalgorithm (RANSAC) has been employed to find the seed point for determination of the plane used to find the region of interest on the plane.Whether the point is the boundary point is judged by the maximum value of angle difference which has been calculated by the normal direction with the k-nearest points.The experiment of object segmentation and edge contour extraction with the PCL in the ROS (Robot Operating System) environment have been performed rapidly and precisely.The experimental results show that this proposed method hasquickly,accurately and effectively obtained the boundary of scattered point cloud.【总页数】4页(P83-86)【作者】丁承君;孙刚;尹李亮;齐春辉【作者单位】河北工业大学机械工程学院,天津 300130;河北工业大学机械工程学院,天津 300130;河北工业大学机械工程学院,天津 300130;河北工业大学机械工程学院,天津 300130【正文语种】中文【中图分类】TP391【相关文献】1.一种基于散乱点云的边界提取算法 [J], 吴禄慎;晏海平;陈华伟;高项清2.基于散乱点云边界提取及简化的单坐标搜索法之改进 [J], 朱瑞芳;方勇3.散乱点云的孔洞识别和边界提取算法研究 [J], 王春香; 孟宏; 张勇4.基于PCA法矢估计的建筑点云立面边界提取 [J], 朱滨;程小龙;刘绍龙;胡煦航5.机载LiDAR点云中静态水体边界提取 [J], 周维娜;程晓光;严明;卢浩男因版权原因,仅展示原文概要,查看原文内容请购买。
matlab平面点云的边界提取

matlab平面点云的边界提取
在MATLAB中提取平面点云的边界可以通过以下步骤实现:
1. 加载点云数据,首先,你需要加载平面点云数据。
可以使用
`pcdread`函数或者其他相关函数来加载点云数据文件。
2. 点云滤波,对于边界提取,你可能需要对点云进行滤波以去
除噪声。
MATLAB提供了一些滤波函数,如`pcdenoise`来帮助你进
行点云的去噪处理。
3. 平面分割,使用`pcfitplane`函数来拟合平面模型并分割点云。
这将帮助你找到平面内的点和平面外的点。
4. 边界提取,一旦你得到了平面内外的点,你可以使用一些几
何分析和算法来提取边界。
例如,可以使用凸壳算法(convex hull)或者alpha形状(alpha shape)来找到边界点。
5. 可视化,最后,你可以使用MATLAB的绘图功能来可视化提
取的边界点,以便进一步分析和处理。
需要注意的是,以上步骤仅仅是提供了一种常见的方法,实际的边界提取可能需要根据具体情况进行调整和优化。
另外,MATLAB 还有一些其他工具箱和函数可以用于点云处理和分析,你可以根据具体需求来选择合适的方法和工具。
点云边缘特征提取

点云边缘特征提取
点云边缘特征提取是指从点云数据中提取出具有边缘特征的点或点云区域。
边缘特征通常表示了物体的边界或者不连续变化的部分,对于点云的分割、识别和重建等任务都具有重要的意义。
以下是几种常用的点云边缘特征提取方法:
1. 法线估计:通过计算点云中每个点的法线方向,可以获得点云的法线信息。
边缘通常对应着法线变化较大的区域。
2. 曲率计算:曲率表示了点云表面的弯曲程度。
可以通过计算点云上每个点的曲率来判断点云是否存在边缘区域。
3. 点云聚类:通过将点云数据进行聚类,可以将边缘区域与其他区域分开。
一种常用的点云聚类算法是基于区域生长的方法。
4. 深度图像分析:将点云数据转换为深度图像,然后使用传统的边缘检测算法,如Canny算法等,来提取边缘特征。
5. 高斯曲率计算:高斯曲率表示了点云曲面的凸凹性。
可以通过计算点云上每个点的高斯曲率来找到边缘区域。
6. 深度学习方法:近年来,深度学习方法在点云处理领域取得了很大的进展。
可以使用深度学习模型来提取点云的边缘特征,如PointNet, PointNet++, PointCNN等。
以上是一些常见的点云边缘特征提取方法,具体选择方法可以根据应用需求和实际情况来确定。
多阈值提取平面点云边界点的方法

多阈值提取平面点云边界点的方法作者:廖中平刘科向雨蔡晨光来源:《计算机应用》2016年第07期摘要:针对基于切片技术的点云数据重建算法需要提取切片内点云边界点,及现有算法效率低、提取效果不好等问题,提出一种多阈值提取平面点云边界点的算法。
通过选取判断点的k个近邻点,计算相邻两点与判断点连线间夹角,由于边界点必存在最大夹角,通过判断最大夹角是否超过设定阈值,从而快速提取边界点。
通过对阈值设值分析,不同点云数据的边界提取实验及几种方法间比较,该方法不受点云形状影响,均能较好提取边界点,且优于其他3种算法。
结果表明该方法在保证原始点云特征信息的前提下,可较好提取边界点,提高后续点云重建速度与效率。
关键词:点云;边界点;阈值;效率;点云形状中图分类号: P232; TP391.41 文献标志码:A0引言三维激光扫描技术能快速获取扫描对象表面的大量点云数据,基于点云数据对物体进行三维重建,已成为当前逆向工程三维重构领域中的研究热点[1-2]。
采用切片技术的点云重建方法可将原始无序的三维点云数据转化为具有层次结构、有序组织形式的数据,使得对物体的重建更加有效。
切片技术就是用一组平行平面沿着某一给定方向、给定间隔对三维点云进行划分,再将平面两侧的点云投影到平面上,从而将三维点云转换为二维点集,在此基础上再进行物体表面重建[3-4],因此,如何提取投影在平面上点云的边界点,成为后续物体表面三维重构的重要一步。
文献[5]中,在提取平面边界点时提出以判断点为中心,将其邻域采用不同的分割方法分成若干区域,再根据某一区域内是否有散乱点作为判断准则来提取边界点。
由于每进行一次判断,需要将其他散乱点遍历一次,导致运算速度慢,效率低。
文献[6]中,将判断点的邻域从4个均匀区域增至8个均匀的区域,提取效果有所改善,仍不能较好提取凹陷区域边界点。
文献[7]在提取三维边界散乱点云时,采用R*tree对点云数据进行动态聚类划分,依据k近邻点以最小二乘法拟合该点集的切平面,将k个点投影在切平面上,再以点云中最大夹角与设定的阈值为依据来提取边界点;但文中未对阈值大小的设置进行分析,也未考虑平面上点云形状对提取效果的影响。
散乱点云的孔洞识别和边界提取算法研究

散乱点云的孔洞识别和边界提取算法研究王春香; 孟宏; 张勇【期刊名称】《《机械设计与制造》》【年(卷),期】2019(000)003【总页数】4页(P74-76,81)【关键词】散乱点云; KD树; K邻域搜索; 单坐标搜索法; 边界追踪; 孔洞边界【作者】王春香; 孟宏; 张勇【作者单位】内蒙古科技大学机械学院内蒙古包头 014010【正文语种】中文【中图分类】TH16; TP391.71 引言在三维扫描过程中由于测量工具和技术的限制、待测模型自身缺陷、光照或反射性等因素的影响,不可避免地会出现采样点缺失,形成点云孔洞。
点云的孔洞识别和边界提取作为孔洞修补、曲面重构的首要环节,其重要性不言而喻。
也正因为如此,点云的孔洞识别也逐渐成为逆向设计领域最重要的研究课题之一。
文献[1-3]把点云连接成三角网格,然后通过网格的拓扑关系识别出孔洞。
三角网格化简洁、直观,但网格化过程中需要控制好网格间隔的宽度,如果跨度设置不合适,在生成网格模型的过程屮可能会忽略某些孔洞的存在。
文献[4-5]将三维点云数据转换为图像形式后提取边界。
该方法能快速识别出点云边界,但存在错分现象,且无法区分内外边界。
文献[6]利用KD树建立散乱点云的空间拓扑关系,通过判断最大夹角是否超过阈值来识别孔洞边界,算法理论简单、容易实现,但在阈值的设定过程中未考虑点云密度,适用范围有限。
文献[7]考虑3D点云密度和法向量的变化来对边界特征点进行提取,该算法稳定性较好,提取的边界质量较高,但算法的前提仍需要将点云网格化,通过三角网格的方式建立点云的拓扑结构效率较低。
针对已有算法的不足,为了在兼顾效率的同时提高孔洞识别精度,提出了一种改进的孔洞识别和边界提取算法。
算法直接以散乱点云为目标,创新性地采用点间距离作为判别条件进行孔洞识别、并将理论成熟的单坐标搜索法用于孔洞外边界检测,同时创新性地提出了点云边界追踪算法。
算法首先将点云导入专业逆向软件IMAGEWARE,通过圈选点的方式截取局部待研究点云。
点云模型的几何参数提取

点云模型的几何参数提取点云模型是一种用于表示三维物体的数据结构,由大量的离散点构成。
在计算机图形学、计算机视觉和机器人领域,点云模型的几何参数提取是一个重要的任务,可以用来描述点云的形状、曲率等特征。
本文将介绍点云模型的几何参数提取方法,包括表面法线、曲率和拓扑结构等内容。
表面法线是点云模型中最基本的几何参数之一,用于描述点云的朝向。
在点云模型中,每个点都有一个法向量与之对应,表示该点所在位置的曲面的法线方向。
计算点云模型的表面法线可以采用最小二乘法或基于协方差矩阵的方法。
最小二乘法通过拟合点云模型的邻域点来估计法线方向,而基于协方差矩阵的方法则利用点云模型的协方差矩阵来计算法线方向。
通过计算表面法线,可以得到点云模型的曲面特征,比如平面、曲面或棱角。
曲率是点云模型的另一个重要几何参数,用于描述点云模型的曲率变化情况。
曲率可以反映点云模型在某一点上的曲面弯曲程度,是点云模型的一个局部几何特征。
计算点云模型的曲率可以采用最小二乘拟合法或基于协方差矩阵的方法。
最小二乘拟合法通过拟合点云模型的邻域点来估计曲率,而基于协方差矩阵的方法则利用点云模型的协方差矩阵来计算曲率。
通过计算曲率,可以得到点云模型的曲面特征,比如凹凸性、平滑度等。
拓扑结构是点云模型的另一个重要几何参数,用于描述点云模型中点与点之间的连接关系。
拓扑结构可以用于表示点云模型的形状、边界等信息。
常用的拓扑结构包括无向图、有向图和三角网格等。
在点云模型中,通过计算点与点之间的距离或邻域关系,可以得到点云模型的拓扑结构。
拓扑结构可以用来分析点云模型的形状特征,比如孔洞、封闭性等。
除了上述几何参数外,点云模型的几何参数提取还可以包括其他一些特征,比如点云的体素表示、点云的边界框等。
体素表示是一种常用的点云模型表示方法,将点云模型划分为一系列小立方体单元,并统计每个单元内点的数量或属性值。
边界框是指包围点云模型的最小矩形框,可以用来描述点云模型的尺寸和位置。
点云平面特征提取

点云平面特征提取
点云平面特征提取是计算机视觉领域中的一个重要研究方向,它可以帮助我们从点云数据中提取出平面特征,从而实现对三维场景的理解和分析。
在本文中,我们将介绍点云平面特征提取的基本原理和常用方法。
点云是由大量的三维点组成的数据集合,它可以用来表示物体的形状、位置和姿态等信息。
在实际应用中,我们通常需要从点云数据中提取出一些特征,以便进行后续的处理和分析。
其中,平面特征是点云数据中最常见的一种特征,它可以用来表示物体表面的平坦区域,如墙面、地面、天花板等。
点云平面特征提取的基本原理是通过对点云数据进行分割,将点云数据中的平面区域和非平面区域分开。
在实际应用中,我们通常采用以下两种方法来实现点云平面特征提取:
1. 基于几何模型的方法:这种方法是通过对点云数据进行几何建模,来提取出平面特征。
其中,最常用的几何模型是平面模型和球面模型。
在平面模型中,我们通常采用RANSAC算法来拟合平面模型,从而提取出平面特征。
在球面模型中,我们通常采用Hough变换来拟合球面模型,从而提取出球面特征。
2. 基于深度学习的方法:这种方法是通过深度学习技术来实现点云平面特征提取。
其中,最常用的深度学习模型是卷积神经网络
(CNN)。
在这种方法中,我们通常将点云数据转换成图像数据,然后使用CNN模型来提取出平面特征。
点云平面特征提取是计算机视觉领域中的一个重要研究方向,它可以帮助我们从点云数据中提取出平面特征,从而实现对三维场景的理解和分析。
在实际应用中,我们可以根据具体的需求选择不同的方法来实现点云平面特征提取。
平面点云边缘提取

平面点云边缘提取
平面点云边缘提取是计算机视觉和图形学中的一个重要任务,其目的是识别并提取点云数据中的边缘,这些边缘通常对应于物体的轮廓或是表面的纹理变化。
以下是平面点云边缘提取的基本步骤:
预处理:在提取边缘之前,通常需要对点云数据进行一些预处理操作,以提高边缘检测的准确性。
预处理可能包括滤波、降噪、平滑等步骤,目的是减少噪声和异常值对边缘检测的影响。
确定点云的法向量:对于平面点云,每个点的法向量(表面朝向)是关键信息。
计算点云的法向量有助于了解表面的方向和形状。
边缘检测算法:有多种算法可用于平面点云的边缘检测,如基于切线空间的方法、基于距离的方法、基于曲率的方法等。
这些算法会利用点云的法向量信息,识别出边缘点。
后处理:提取到的边缘可能需要进行进一步的处理,如细化、去噪、连接等,以确保提取的边缘准确且连续。
特征描述与匹配:提取到的边缘可以用于描述点云的特征,并与其他点云进行匹配,这在物体识别、三维重建等领域有重要应用。
在实际应用中,选择哪种边缘提取算法取决于具体的需求和场景。
例如,对于具有复杂纹理的点云数据,可能需要采用更复杂的算法来准确提取边缘。
此外,随着深度学习技术的发展,一些基于深度学习的点云处理方法在边缘提取方面也表现出了强大的能力。
总的来说,平面点云边缘提取是一个技术含量高且应用广泛的研究领域,对于三维扫描、机器人导航、虚拟现实等领域的发展有着重要的推动作用。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
(!""# ) 文章编号 &""!B=88&B "%B""="B"8
! "#$% &’ !()&*#+,- ’&* .#/+#(( 0%)1 ’*&- 2(3$3* 2&#$+/ #$ .#/&*%1* 43/1% &$ 563$ 7&%1
8,&9 5,#(#$ :3$) ;# <#3& :1$,1 (I*,J6,K L,6M(1E6;- 7N >(17,*+;62E *,O >E;17,*+;62E, I*,J6,K !&""&@)
图&
最小凸边算法的一个示例
(! ) 连接最上面一点和最下面一点把整个方盒分为两个部 分: 左边部分和右边部分。 对于左边部分把最上面一点、 最下面一点分别与最左 (& ) 边一点各连接成一条线段。 把最左边一点和最上面一点的连线外面的所有点都求 (# ) 出来 (这些点横坐标介于最左面一点的横坐标和最上面一点的 横坐标之间, 纵坐标类似) , 并且把这些点中与此直线距离最远 分别连接点 ( 与最上面一点, 点求出来, 设距离最远点为点 ( , 点 ( 与最左面一点成两条直线 。 对 最 下 面 一 点 与 最 左 面 的 连 线, 求出其外面的点, 并且求出其中与此直线距离最远的点, 记 分别连接点 ) 与最左面的点和点 ) 与最下面的点各成 为点 ) 。
,
数据实例
这个实例是用碎纸片形成的黑白扫描图, 然后划分虚拟网
格, 然后把所得到的网格中的边界网格找出来, 形成边界网格 环,并且把每一个边界网格中的边界细化出来得到各段边界, 然后把这些段边界连接起来, 从而得到一条边界线。 图 # 是一个碎纸片的扫描图。 图 , 是把整个扫描图通过网格划分而得到的边界网格连 成的环。 计算机工程与应用
作者简介: 周石林 (&%U"B ) , 男, 在读博士研究生, 研究方向: (&%@!B ) , 男, 在读博士研究生, 副教授, 研究方向: T>’ V T>W V TXW3 。王琪 T>’ V T>W V
="
!""#$%
万方数据
(&%@<B ) , 男, 博士, 教授, 博士生导师, 研究领域: TXW3 。廖文和 T>’ V T>W V TXW3 。
#
理论证明
定理: 对于平面区域的散乱点云, 由最小凸边算法得出的
边界就是最小凸边。 证明: 第一点证明所求得的边界能够把网格里面所有的点包围 起来。 假设存在一点 / 在所求得的最小 凸 边 之 外 , 点 / 必 将 在 某两点的连线之外, 假 设 这 两 点 的 连 线 为 01, 点 / 到 01 有 一
计算机工程与应用
域处理第二条边; 对于具有两条不相连的空边的情况, 先将区 域分为两个部分, 然后依据上述方法处理。 对于三条空边的情况, 先在边界网孔内作散乱点最小 (& ) 凸包, 然后解除离实边最近的两点即可。 斜对方向边界网孔的边界提取方法与上面有所不同。 如图 中间的网孔为要判断的网孔, 要判断网孔的右上网孔 ’ 所示, 为虚孔。具体的边界提取方法是: 为便于描述在这里假设右上 角反向延长所对应的网孔为虚孔, 求出这个实孔的最上面的点 连 接 点 ( 和 点 ), 那么 假 设 为 点 ( 和 最 右 面 的 点 假 设 为 点 ), 线段 () 将这个实孔分为两个部分, 求出包围右上角那 一 部 分 如图 ! 所示。其余三种情 的最小凸边, 然后去掉线段 () 则可, 况与此类似。
&
最小凸边算法
定义: 对于平面上的点集 +, 如果连接某两点成一条直线,
点之内。 第二点 证明所求得边界是凸边。 把相邻两个边界点依次连接起来, 得到一个多边形, 下面 证明这个多边形是凸的。由算法知, 如果最后得到的多边任意 相邻两点所连成的直线外面还有扫描点, 那么就将求出这两点 外面的点中距离这两点最远的点为新的边界点, 从而这两点也 就不是最后所求得的多边形相邻的两个顶点。 由此推断在这个 网格中所有的扫描点都不在这两点所在的直线的外面, 也就是 说所有的扫描点都在这个多边形任意相邻的两个顶点的同侧。 由凸多边形的定义, 所求的多边形为凸多边形。 第三点证明是最小凸边。 假设还有 某 一 个 凸 边 形 ! 包 含 所 有 的 扫 描 点 , 并 且 这 个 凸边形比所求得 的 最 小 凸 边 形 还 小 , 那 么 这 个 凸 边 形 ! 必 定 有点在所求得的 最 小 凸 边 形 之 内 , 不 妨 假 设 这 个 凸 边 形 ! 其 余的顶点都与最小凸边相同, 只有一点在最小凸边之内, 则这 一点必定在所求得最小凸边某相邻顶点连线之内, 假设最小凸 边形的相邻 的 两 个 顶 点 为 ( , ), 凸 边 形 ! 在 最 小 凸 边 形 顶 点 顶点 ) 内侧的顶点为点 / , 那么点 ( , 点 ), 点 / 都是凸边形 (、 那 么 连 接 (/ , 连 接 )/ , 那么点 ) 必定在直线 ! 的相邻顶点, 而大多数顶点在直线 (/ 的内部, 这与 ! 是凸多边 (/ 的外面, 形的定义相矛盾。由此证明所求的多边形是最小凸多边形。
.8/
状或带物体的边界; 97:(1; 0 根 据 局 部 梯 度 的 方 向 信 息 来 提
.#/
取图象的边界。 得到边界 浙 江 大 学 的 李 江 雄 提 出 了 把 散 乱 点 云 网 格 化 .</, 网孔和非边界网孔。把所有相邻的边界网孔相互连接起来, 得 到边界网孔环。 把边界网孔环中每个边界网孔的最小凸边求出 来就得到一段边界线, 把各个分段的边界线连接起来就得到初 始边界线, 然后把初始边界线光顺化就得到边界线。该文完善 了李江雄的边界网格确定的方法, 同时提出了一种求平面散乱 点云的最小凸边算法, 使提取边界得以实现。
!
边界网格的确定
把包围整个平面散乱点云的最小长方形求出来, 标 的 单 位 长 度 可 以 不 同 ) 把这个长方形 划分为若干个一样大小的长方形称为网孔。 对于每一个网孔根 据它的里面是否有扫描点分为两种情况:网孔里面没有扫描 点, 网孔里面有扫描点。 有扫描点网孔称为实孔, 没有扫描点的 网孔称为虚孔。 要判断一个网孔是否为边界网孔应该基于这个
一条直线。 (, ) 对于点 ( 和点 ) 所构成的 # 条直线分别重复第三步 到第四步的操作。 把所有找出来的点顺序连接成折线, 那么由这些折线 (- ) 所构成的折线组合就是左半部分的边界 (对最左面一点与最上 面一点中间所有点的排序, 从最上面一点到最左面一点根据横 坐标由大到小顺序排列, 对最左面一点与最下面一点中的所有 点根据横坐标由小到大排序) 。 (. ) 对于右半部分可以作类似操作。
一种基于扫描点的平面散乱点云边界的提取算法
周石林 王 琪 廖文和 (南京航空航天大学机电工程学院, 南京 !&""&@ )
ABC*6): D47+E)%%%FE74+$27C
摘 要 根据平面散乱点云的特点, 依据边界点和非边界点的位置关系, 用网格把点云 划 分 开 来 , 在确定边界网格和非
边界网格以后, 将所有的边界网格按照它们的位置关系连接成环, 对于从每一个边界网格提取边界提出了一种最小凸边 算法, 并且从理论和实验上证明了这种最小凸边算法的可行性。 关键词 最小凸边 边界点 散乱点云 文献标识码 > 中图分类号 GH8"&$@
图’ 一个实孔周围 * 个孔中 图! 实孔右上孔为虚孔 求网孔的边界 右上角为虚孔, 阴影表示实孔
定距离, 如果再没有别的点在 01 的 连 线 之 外 , 则由算法知, 点 因此点 / 将被加入到边界 / 是目前在 01 之外 距 离 最 远 的 点 , 点集之中, 也就是是说点 / 将成为边界点的一部分。由于点 / 的取法是任意的因此点云中所有的点都被包含在所求的边界
!=/+*36+: >2271O6,K ;7 ;4( 24*1*2;(16E;62 7N )*1K( ,+C:(1 7N 5)*,*1 576,;E 6, O6E71O(1 6, ;46E 5*5(1, *2271O6,K ;7 ;4( 5)*2( 1()*;67, :(;P((, (OK( 576,;E *,O ,7 (OK( 576,;E, P( O6M6O( *)) 576,;E 6,;7 5*1;E 6, K16OO6,K , *N;(1 O6E;6,K+6E4 (OK( K16OO6,KE N17C ,7 (OK( K16OO6,KE, P( )6,Q *)) (OK( K16OO6,KE 6,;7 * 16,K *2271O6,K ;7 ;4(61 5)*2( 1()*;67,E465, *,O :16,K N71P*1O * ,(P Q6,O 7N ;4( )(*E; 246C: *)K716;4C 6, P4624 P( 2*, O6E;6)) :71O(1)6,( N17C (M(1- (OK( K16OO6,K, *N;(1P*1O P( 517M( ;4*; ;46E *)K716;4C 6E N(*E6:)( 6, ;4(71- *,O (R5(16C(,;$ "1>?&*%/: S(*E; T46C: , AOK( H76,;, S*1K( I+C:(1 7N H76,;E 6, ’6E71O(1
# 个正对方向有虚孔的边界网孔又分为 8 种情况:
(& ) 一条边的邻域为虚孔 (设为空边) 的边界网孔。 两条边的邻域为虚孔的边界网孔。 (! ) (8 ) 三条边的邻域为虚孔的边界网孔。 对于每种情况边界网孔要细化一条边界线: (& ) 有一条边的邻域为虚孔的边界网孔, 若该网孔的空边 与 - 轴平行, 过 - 值最大和最小的两点 (> , 连接成一条直 0) 线, 它将网孔分为两个部分, 其中一部分包含空边。 在包含空边 的区域内作散乱点云的最小凸包。显然, 该凸包包含直线 >0 , 去掉直线 >0 就得到散乱点的最小凸包。 若网孔的空边与 ? 轴平行的情况与此类似。 (! ) 有两条边的邻域为虚孔的情况, 对于两条空边相连的 情况, 其中第一条边与一条空边的情况作相同处理, 在另一区