特征保留的点云数据自适应精简算法
保留几何特征的散乱点云简化方法
保留几何特征的散乱点云简化方法
黄文明;彭希为;温佩芝;吴晓军
【期刊名称】《计算机工程与应用》
【年(卷),期】2009(045)028
【摘要】针对散乱点云简化时经常丢失过多的几何特征,提出一种保留几何特征的简化方法.首先采用均匀栅格法划分点云空间;然后分别以点云中的数据点为球心构建包围球,并在包围球中查找数据点的K邻域;随后构造一个非负函数用于度量重建曲面在各点处的曲率,进而提取并保留点云中的特征点;最后根据法向量的内积阈值对包围球中的非特征点进行适度简化.实验结果表明该方法不仅能够充分保留点云中的几何特征,而且具有速度快的特点.
【总页数】4页(P168-170,186)
【作者】黄文明;彭希为;温佩芝;吴晓军
【作者单位】桂林电子科技大学,计算机与控制学院,广西,桂林,541004;桂林电子科技大学,计算机与控制学院,广西,桂林,541004;桂林电子科技大学,计算机与控制学院,广西,桂林,541004;哈尔滨工业大学,深圳研究生院,广东,深圳,518055
【正文语种】中文
【中图分类】TP391
【相关文献】
1.保留几何特征的散乱点云简化算法 [J], 张雨禾;耿国华;魏潇然;苏惠明;周明全
2.基于局部曲面拟合的散乱点云简化方法 [J], 张连伟;李焱;刘肖琳;史美萍;贺汉根
3.基于点云法矢变化的点云简化方法研究 [J], 张晶;杨云生;丰少伟
4.保留边界的点云简化方法 [J], 黄文明;肖朝霞;温佩芝;吴晓军
5.基于表面法矢的散乱数据分割与几何特征提取 [J], 曲学军
因版权原因，仅展示原文概要，查看原文内容请购买。
基于二次特征提取的煤矿巷道表面点云数据精简方法
基于二次特征提取的煤矿巷道表面点云数据精简方法陈建华， 马宝， 王蒙（中国神华能源股份有限公司 神东煤炭分公司，陕西 榆林 719000）摘要：采用三维激光扫描技术提取的煤矿巷道表面点云数据量大且存在较多的冗余数据，而现有点云数据精简方法存在大数量级点云处理过程中细节保留不足的问题。
针对上述问题，提出了一种基于二次特征提取的煤矿巷道表面点云数据精简方法。
首先对采集到的原始巷道点云数据进行去噪预处理；其次建立K−d 树，并利用主成分分析法对去噪后点云数据估算来拟合邻域平面的法向量；然后通过较小的法向量夹角阈值对点云进行初步的特征区域与非特征区域划分，保留特征区域并随机下采样非特征区域，接着依据较大的法向量夹角阈值将特征区域点云划分为特征点和非特征点，并对非特征点进行体素随机采样；最后将2次点云精简结果与特征点合并得到最终的精简数据。
仿真结果表明，该方法在百万数据量级点云和高精简率条件下，相较曲率精简方法、随机精简方法和栅格精简方法，在特征保留和重构精度方面都取得了更好的效果，三维重构后计算所得标准偏差平均可低于相同精简率下其他方法30%左右。
关键词：巷道位移监测；三维激光扫描；点云数据精简；特征提取；体素随机采样中图分类号：TD76 文献标志码：AA method for simplifying surface point cloud data of coal mine roadways based onsecondary feature extractionCHEN Jianhua, MA Bao, WANG Meng(Shendong Coal Branch, China Shenhua Energy Company Limited, Yulin 719000, China)Abstract : The surface point cloud data of coal mine roadways extracted using 3D laser scanning technology has a large amount of redundant data. The existing point cloud data simplification methods have the problem of insufficient detail preservation in the processing of large-scale point clouds. In order to solve the above problems,a surface point cloud data reduction method for coal mine roadways based on secondary feature extraction is proposed. Firstly, the method performs denoising preprocessing on the collected original roadway point cloud data. Secondly, the method establishes a K-d tree and uses principal component analysis to estimate the denoised point cloud data to fit the normal vector of the neighborhood plane. Thirdly, the point cloud is preliminarily divided into feature and non-feature regions using a smaller normal vector angle threshold, retaining the feature regions and randomly downsampling the non-feature regions. Fourthly, based on the larger normal vector angle threshold, the feature region point cloud is divided into feature points and non-feature points. And voxel random sampling is conducted on the non-feature points. Finally, the method merges the two point cloud simplification results with the feature points to obtain the final simplified data. The simulation results show that under million data level point clouds and high precision conditions, this method achieves better results in feature preservation and reconstruction precision compared to curvature simplification methods, random simplification methods, and收稿日期：2023-05-09；修回日期：2023-12-26；责任编辑：盛男。
基于曲率特征的点云快速简化算法
基于曲率特征的点云快速简化算法代星;崔汉国;胡怀宇【期刊名称】《计算机应用》【年(卷),期】2009(029)011【摘要】To improve the efficiency of entity reverse building, the authors proposed an algorithm to simplify cloud data quickly. This algorithm searched and preserved characteristic point according to a rule of curvature change between characteristic point on a surface constructed from a spatial point and its nearest neighbors. Based on the search result, the algorithm gave a characteristic point distributing evaluation to the whole cloud data; and according to the evaluation result, a shortened distance was set to simplify the cloud data. Because the algorithm adequately preserved scattered points in the characteristic area, the cloud data can better express shape after simplification. For the reason that the whole searching process only aims at the maximal point of Gaussian and its neighbors without computing every metrical point, the algorithm greatly raises running speed compared with the traditional cloud data simplification algorithm.%为了提高实体反求的效率,提出一种点云快速简化算法.该算法依据特征点群曲率变化的特点在点云邻域拟合曲面上搜寻特征点并进行储存,依据搜寻结果对点云进行特征点分布评估,并根据评估结果设定相应的简化距离对点云进行简化.算法充分保留了特征区域点云,使得简化后的点云能够较好地表达形状,整个搜寻过程只针对高斯曲率极值点的附近点,相对于需要在全局上进行曲率计算的传统简化算法,该算法在运行速度上具有明显优势.【总页数】3页(P3030-3032)【作者】代星;崔汉国;胡怀宇【作者单位】海军工程大学,船舶与动力学院,武汉,430033;海军工程大学,船舶与动力学院,武汉,430033;海军工程大学,船舶与动力学院,武汉,430033【正文语种】中文【中图分类】TP391.7【相关文献】1.基于特征约束的点云简化算法研究 [J], 谢波;郑德华2.一种利用近似平均曲率提取散乱点云模型特征点的快速算法 [J], 王瑶;万毅3.基于特征感知的三维点云简化算法研究 [J], 苏江姗4.基于邻域曲率的低特征辨识度点云配准方法 [J], 熊丰伟;庄健;沈人5.基于曲率准则的LiDAR点云表面特征提取算法 [J], 王鹏;马文慧因版权原因，仅展示原文概要，查看原文内容请购买。
基于聚类平面特征的三维点云数据精简算法
Ｖ＿ Ｉ７ ０ ３ １
・
计
算
机
工
程
２ １ 年 ５月 ０ １
Ｍ ａ ２ １ ｖ ０１
ＮＯ．０ １
Ｃｏ ｕｔｒＥｎ ｎ ｅ ｉ ｇ ｍｐ ｅ ｇｉ ｅ ｒｎ
开发研究与设计技术 ・
文 编 ｌ ３ ８ ｏ ）＿ ２ — ３ 文 标识 Ａ 章 号： ０ ＿４ （ ｌ １ ＿ ４ ＿ ０ ２ ２ １ｏ ０ ９ ｏ 献 码：
中 分 号： Ｐ１ 图 类 Ｔ３ ２
基 于 聚类平 面特征 的三 维 点云数据 精 简算 法
王 茹 ，周明全 。 邢 镜华 。 ，
（． １ 西安建筑科技 大学土木工程学院 ，西安 ７ ０ ５ ； １０ ５
２ 西北大学可视化技术研究所 ，西安 ７ ０ ２ ； ． １１７ ３ 西安理 工大学 自动化与信息工程学院 ，西安 ７ ０ ４ ） ． １０ ８
收稿 日期 ：２ １—０２ ００１． ７
Ｅ ｍ ｉ ａｇｕ ｘｕｔｄ． － ａ ：ｗ ｎｒ＠ ａａｅｕ ｎ ｌ ． ｃ
２０ ５
计
算
机
工
程
２１ 年 ５ ２ ０１ 月 ０日
设 ， ， 分别为立方体空间的长、宽、高 ，可 用下 式 、Ｉ 、 表示 ：
点 Ｐ） ，组成数据 区 ３Ｃ Ｄ】 ｌ ［ ， ，Ｄ点与起始 点 尸 ＾ 组成数据 区４Ｄ ［，
ｔ ｐ ｄ ｆｓｒ ｔ ｉ ｔ ｙ ｅ ｅ ｔｕｃ ｎ ｓ ｐｏ
多方位地获取古建筑 的高精度三维数据 。 大型建筑物 的数据点云通常包括大量冗余数据 ，在保 持 表 面特征的情况下进行最大程度 的简化 ，对于 准确、快速 的 古建筑 三维重建或其他的后继处理非常重要。
基于K-means聚类的RGBD点云去噪和精简算法
基于K-means聚类的RGBD点云去噪和精简算法
苏本跃;马金宇;彭玉升;盛敏
【期刊名称】《系统仿真学报》
【年(卷),期】2016(28)10
【摘要】针对Kinect等深度相机扫描获取的点云数据数量庞大、噪声较多的问题,提出一种特征保持的点云去噪和精简算法。
使用K-D树快速分类点云;通过曲率估计算法得到局部曲面的曲率值;使用K-means聚类算法对点云进行聚类,对每个类中的点,根据点到聚类中心的欧式距离和邻近点曲率变化判断是否为噪声点;通过保持特征的点云精简算法实现对点云数据的简化。
实验结果显示,算法快速有效,对于去除大量外部噪声有良好效果,且精简后的点云数据保持了原始点云特征。
【总页数】7页(P2329-2334)
【作者】苏本跃;马金宇;彭玉升;盛敏
【作者单位】安庆师范大学计算机与信息学院;安徽省智能感知与计算重点实验室;安庆师范大学数学与计算科学学院
【正文语种】中文
【中图分类】TP391.9
【相关文献】
1.采用密度k-means和改进双边滤波的点云自适应去噪算法
2.基于聚类平面特征的三维点云数据精简算法
3.基于边界保留的k-means聚类点云精简算法研究
4.基
于最小二乘密度聚类的城市点云去噪算法5.一种基于曲率判别的点云去噪与精简算法
因版权原因，仅展示原文概要，查看原文内容请购买。
一种改进的点云数据精简方法
ｋ 和 、 。 Ｐ和点 Ｑ之间的曲率差别 ， ： 点 可以认为是集
合 ｛ ｋ ｝和 ｛ｔ， ｝ ｋ ，： ｋ 之间 的差别 。 ＊ 因此 ， 可以通过 Ｈ ｕｄ ｒ ａ ｓｏ ｆ ｆ
距 离 日来 衡 量 ：
Ｄ（ ） ： ｍ ｘ ｄ Ａ， ，（ Ａ） Ａ， ａ （ （ Ｂ） ｄ Ｂ， ） （） １
１２ …， ｝ 取任意一点 ｐ， ，， ｎ ， 其 邻 域点集 为 ｛ ｉ＝ １２ …， ｑ， ，， ｋ。 ｝计算每个采样点 的 Ｈａｓｏｆ距离及简化数 据点的算法步 ｕｄｒ
骤如下 ：
步骤 １ 用二次抛物 曲面拟合的方法估算所有 点的主曲
步骤 ４ 根据数据点 Ｈａｓｏｆ值的大小 ， ｕｄｒ ｆ 将点 云分 为多
个区间 ， 各个 区间设定不 同的阈值 ｓ 。 步骤 ５ 对 于某一 曲率 区间 内， 若该点 的 Ｈ ｕｄ ｒ 值小 ａ ｓｏｆ ｆ 于阈值 ｓ 则对它进行删除 。 ，
步骤 ６ 遍历所有 区间， 完成精简 。 ２４ 参数选择 ．
Ｈ：Ｊ Ｉ ｌ ｌ ｊ ｌ ｔ ， Ｉ＋ ｌ ｌ ２ ＼Ｉ ｋ ｋ ，
一１ ，
４ ４ 个点 数据 ） １ １ ８ 进行 精简 ， 精简后 点数 分别 为 ３７４ ４５９ ７ 、 ３ 、 ５ ９ 、４ ３和 ７ ９ ， ２６６ ８ １０ 原始 点云及 实验结果 如 图 １所示 ， 时间
２ 本文 的算法
２ １ Ｈ ｕｄｒ 距 离 ． ａｓｏｆ ｆ
时， 很好地保持 了模型中的细节特 征信息 。 ２ ３ 算法步骤 ．
对于栅格化并建立 了拓扑关 系的数据点 的集合 ｛ ｉ＝ Ｐ，
基于局部熵的点云精简算法
基于局部熵的点云精简算法点云数据是三维形状的数字化表示，广泛应用于计算机图形学、计算机视觉、机器人等领域。
由于点云数据量大，传输和处理点云数据的效率较低。
点云精简算法成为点云数据处理的重要步骤之一。
本文将介绍一种基于局部熵的点云精简算法。
点云精简的目标是在保留点云数据形状大致特征的基础上，减少数据量。
基于局部熵的点云精简算法通过评估点云数据中局部区域的信息熵来实现。
信息熵是对数据随机性的度量，可以用于衡量局部点云的复杂性。
算法的基本思想是：首先将点云数据划分为多个局部区域，然后计算每个局部区域的信息熵，最后根据信息熵的大小决定保留或去除该区域。
具体来说，在算法的第一步中，将点云数据划分为多个小区域。
可以使用网格方法或分层方法进行划分。
网格方法将点云数据划分为规则网格，每个网格单元包含一组点。
分层方法则通过逐渐减小区域尺寸来划分点云数据。
在算法的第二步中，计算每个局部区域的信息熵。
信息熵的计算基于每个局部区域中点的位置和位置之间的关系。
一种常用的方法是根据点与其邻近点之间的距离来计算信息熵。
如果一个局部区域中的点分布较为均匀，那么它的信息熵较高；反之，如果点分布较为密集或分散，则信息熵较低。
在算法的第三步中，根据信息熵的大小决定保留或去除每个局部区域。
可以设定一个阈值，当某个局部区域的信息熵低于该阈值时，认为该区域的点密度较高或较低，可以去除该区域。
反之，如果某个局部区域的信息熵高于阈值，则认为该区域的点分布较为均匀，可以保留该区域。
根据以上步骤，可以得到一个精简后的点云数据。
这个点云数据中只包含保留的局部区域，去除了点分布较为密集或分散的局部区域，从而减少了点云数据的体积。
基于局部熵的点云精简算法在点云数据处理中具有较高的效率和精度。
由于其简单的原理和计算，可以快速处理大规模点云数据。
该算法能够保留点云数据的主要特征，使得精简后的数据仍然能够较好地表示原始数据的形状。
基于局部熵的点云精简算法是一种有效的点云数据处理方法。
点云数据主曲率基于曲率的点云数据简化方法
点云数据主曲率基于曲率的点云数据简化方法导读：就爱阅读网友为您分享以下“基于曲率的点云数据简化方法”的资讯，希望对您有所帮助，感谢您对 的支持!如果λ表示与特征向量Vi相关的CV的最小特征值的绝对值，那么ni就可能是Vi或者-Vi。
2.3法向量调整因为任意点的法向量是基于它的K个近邻被估计的，它有两个方向：正方向和反方向。
法向量方向选择的目的是决定曲率估计的结果和渲染模型是否正确，因此，法向的方向必须被统一调整，以至于临近的平面具有同样的方向。
假设两个点Xi,Xj是相邻的，当数据是稠密的，并且平面是平滑的，相应的切平面Ti=(oi,ni)、Tj=(oj,nj)是近似平行的，也就是说ni*nj=+-1，如果平面的方向一致的，那么ni*nj=+1，否则ni或者nj应该被翻转。
在图三中，两个平面T1和T5是相反的，那么n1*n5=-1，n1或者n5应该被翻转。
找到全局统一的方向的困难是在所有部分中数据点“充分接近”这个条件应该被满足。
调整法线方向的一个简单的想法是设置方向从一个点到与它几何上最近的点作为传播的秩序。
然而，这也许会产生错误的结果，当试图传播方向经过尖锐的边界时，例如，在图四中，oi与oj是一对最接近的点，用上述方法调整他们的法线的方向会产生错误的结果（见图4b）。
为了避免上述的错误，周等人[11]设置传播规则通过黎曼图的最小生成树（MST）。
这个规则是有益的，因为它试图在数据中沿着最小曲率的方向传播法向，因此大大避免了出现歧义的情况。
但是它首先必须构建里曼图的最小生成树，并且需要来回移动每一个已经被调整的点当传播方向的时候，因此，它的时间复杂度是O(n+n)，随着n的增大，他将会花费更多的时间。
刘等人[12]根据法线的长度阈值将散乱的点云分为平坦的和非平坦的。
依据k个最近邻是否是平坦的点，他们决定法线方向的传递方式，因此它使得建立数据点法线的黎曼图是没有必要的。
他们提出了二阶最近距离和以阶k个近邻的方法，为了加快方向量的传递。
点云精简系统及方法与制作流程
一种点云精简方法，该方法包括步骤：载入点云模型，并接收输入的点云模型的精简比例；计算上述点云的包围盒，并根据所述精简比例将该包围盒划分为多个栅格；选择一个或者相邻的多个栅格；获取所选择的栅格内的所有点，得到该所有点组成的点集，并构建一个与该点集的中心点相交，以该点集矩阵的特征向量为法向量的平面，计算所述点集中的每个点到上述平面的曲率，并根据该每个点的曲率计算出平均曲率；根据所述点集中的每个点的曲率与所述平均取率，对上述选择栅格内的点进行精简；及输出精简后的点云模型。
本技术还提供一种点云精简系统。
本技术可以根据用户需要的比例自动进行点云精简。
权利要求书1.一种点云精简方法，其特征在于，该方法包括：接收步骤：载入点云模型，并接收输入的点云模型的精简比例；第一计算步骤：计算上述点云的包围盒，并根据所述精简比例将该包围盒划分为多个栅格；选择步骤：选择一个或者相邻的多个栅格；第二计算步骤：获取所选择的栅格内的所有点，得到该所有点组成的点集，并构建一个与该点集的中心点相交，以该点集矩阵的特征向量为法向量的平面，计算所述点集中的每个点到上述平面的曲率，并根据该每个点的曲率计算出平均曲率；精简步骤：根据所述点集中的每个点的曲率与所述平均取率，对上述选择栅格内的点进行精简；及输出步骤：输出精简后的点云模型。
2.如权利要求1所述的点云精简方法，其特征在于，在所述接收步骤中，所述的点云模型从一个存储设备中载入或者从一个三维扫描系统中获取。
3.如权利要求1所述的点云精简方法，其特征在于，所述栅格的边长为：其中，n是上述点云模型中点的个数，L是所述最大包围盒的边长，及是所述点云模型的精简比例。
4.如权利要求1所述的点云精简方法，其特征在于，在所述的精简步骤中，将所述点集中的每个点的曲率与所述平均取率相比较，删除曲率与平均曲率的差值大于一个预设值的点。
5.一种点云精简系统，其特征在于，该系统包括：接收模块，用于载入点云模型，并接收输入的点云模型的精简比例；第一计算模块，用于计算上述点云的包围盒，并根据所述精简比例将该包围盒划分为多个栅格；选择模块，用于选择一个或者相邻的多个栅格；第二计算模块，用于获取所选择的栅格内的所有点，得到该所有点组成的点集，并构建一个与该点集的中心点相交，以该点集矩阵的特征向量为法向量的平面，计算所述点集中的每个点到上述平面的曲率，并根据该每个点的曲率计算出平均曲率；精简模块，用于根据所述点集中的每个点的曲率与所述平均取率，对上述选择栅格内的点进行精简；及输出模块，用于输出精简后的点云模型。
一种基于局部曲率特征的点云精简算法
一种基于局部曲率特征的点云精简算法麻卫峰;周兴华;徐文学;潘光江【期刊名称】《测绘工程》【年(卷),期】2015(000)011【摘要】The mean curvature is one of the important geometric features of 3D surface analysis .This paper reduces scattered point cloud data according to mean curvature .Firstly ,K‐neighborhood of points is established based on bounding box method .Secondly ,mean curvature is calculated based on quadric surface w hich is fitted by the points of K‐neighborhood .Finally ,mean square error of mean curvature of points in K‐neighborhood combined with reduction probability is used to decide whether to reserve these points . Compared with traditional method ,this method has some advantage in feature keeping and data reduction .%平均曲率是分析三维表面的重要几何特征之一。
根据平均曲率进行海量散乱点云数据的精简，首先通过空间包围盒法建立K邻域，然后对K邻域内的点拟合二次曲面计算平均曲率，最后以邻近区域内点的平均曲率中误差为阈值，结合点的精简概率判定点是否保留。
通过与传统方法对比，证实了文中方法在保留特征点和压缩上具有较好的优势。
- 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)。
用基于局部信息计算点云 的点邻 域弯 曲度标 记近似特 征点 ， 最 后遍历点云对点云基于 自适应距离 阈值 进行 Ｋ邻精 简 ， 在保 证
一
Ｌ＝÷ × × 。 ｄ
（） ２
１０８０６０４ 此数 的权重值为一 般情 况下 的权重 值 ， ，． ，． ， （ ． 可根 据
自己的精简情况 自行调整 ） 计算得 出的点 的 Ｓ －ａｅ 的大小 。 ＲＲ ｔ值 能够更 好地反映单 个点 邻域 特征 明显 的点 所 占权值 的高低情
ＳＲ－ ｅ ： Ｒａｔ
Ｌｎ １ 十 ｎ） ＋ ｎ ｜２ ３３ 十 凡 ４， Ｏ
其中Ｏ ｔ 为控 制 因子 ， 于 调节 栅格 边 长 的大 小 ， 用 本算 法 取 值 ０ ３ ； ，： ． ５ 三 ， 分别是点云最小包 围盒在 ｘ， ｚ轴 的长度 。 Ｙ， ２ ）然后根据非 空栅格 数 、 次划分 的边 长 和数 据点 个 首 数来估算平均点距 ｄ ， 再采用此 平均点距 进行二 次栅格 化 ， 计 算 出最终栅格边 长 ， 在此基础上将各数 据点归入相应栅格 内。
Ａｂ ｔ ａ ｔ ｓｒ ｃ Ｉ ｉ ａ ｅ ，ａ ｄ ｐ ｉｅ ｓ ｌ ｃ ｔ ｎ ｍｅｈ ｄ ｆｒｐ ｉｔｃｏ ｄ ｄ ｔ ｔ ｅ ｔ ｒ ｅ ｅｖ ｔ ｎ ｉ ｐ ｅ ｅ ｔｄ ｎ ｔ ｉ ａｇ ｒｔｍ，ｗ ｒｔ ｎ ｔ ｓｐ ｐ ｒ ｎ ａ ａ ｔ ｉ ｉ ａｉ ｔ ｏ ｏ ｏｎ ｌｕ ａａｗｉ ｆａｕ ｅ ｒ ｓｒ ａｉ ｒｓ ｎｅ ．Ｉ ｈｓ ｌｏｉ ｈ ｖ ｍｐ ｆ ｉ ｏ ｈ ｏ ｓ ｈ ｅｆ ｓ ｉ
第２ ８卷 第 ８期
２１ ０ １年 ８月
计 算机 应 用与软件
Ｃ ｍｐ ｔ ｒＡ ｐ ｉａｉ ｎ ｎ ｏｔ ｒ ｏ ｕ ｅ ｐ ｌ ｔ ｓａ ｄ Ｓ ｆ ｃ ｏ ｗａｅ
Ｖ０ ． ８ Ｎｏ ８ １２ ．
Ａｕ ．２ １ ｇ ０１
特 征 保 留 的点 云 数 据 自适 应 精 简 算 法
算 法在数据精 简效果和计算 效率上都 取得 了进步 ， 但算法 过于 依 赖邻 近点个数的 的选取 。另外 还包括 混合方法 精简算 法 、
，
采用如下近似最佳搜索效率的二次栅格的方法寻找 ｋ邻 ： 设点云模 型 中 的测 点 集合 Ｃｏｄ ＝ ｛，Ｐ ， Ｐ ｝Ｐ ｌｕ Ｐ ，： …， ， ∈
Ｎ ｉ ｊｎ Ｊ ｎ ｉ ｆ ｇ Ｇ ｉｎ ｉ ａ ｕ ｉ ｇＸ ａ ｅ ｅＬａ ｇ Ｘ ｏ ａ ｏｎ
（ｃｏｌｆＣ ｍ ｕｅ ｃ ｎｅａ ｄＴｃｎ ｌ ｙＳ ｏｈｗ Ｕ ｉ ｒｔ，ｕｈｕ２ ５ ０ Ｊ ｎ ｓ ，ｈｎ ） Ｓｈ ｏ ｏ ｏ ｐ ｔ Ｓｉ ｃ ｎ ｅ ｏ ｇ ，ｏｃｏ ｎｖ ｓｙＳｚｏ １ ０６，ｉ ｇｕ Ｃ ｉａ ｒ ｅ ｈ ｏ ｅｉ ａ
ｓ ｒｅ ｅ ｖ ｄ，ｗ ｉ ｌ ｙ ｔｅ ｔ ｒｓ ｏｄ ｖ ｕ ｇ ｉ ｓ ｒ ｍ ｉ ｉｇ ｐ ｉｔ ｓ ｇａ ａ ｔ ｅ ｓ ｌ ｃ ｔ ｎ ｄｓａ ｃ ，ｔｅ ｅｏｅ ｔｅ ａｇ ｒ ｍ ａ ｎ ｉ ｌ ｒ ｓ ｒｅ ｅｓｍｐｉ ｅ ｈ ｌ ａ ｅ ａ ａｎ ｔ ｅ ａ ｎｎ ｎ ｓｕ ｉ ｄ ｐｉ ｉ ｉ ａｉ ｉｔ ｅ ｈ ｒｆｒ ｏｉ ｆｈ ｈ ｌ ｏ ｎ ｖ ｍｐ ｆ ｉ ｏ ｎ ｈ ｌ ｈ ｔ Ｃ ｅ ｔ ｅ ｐｅｅｖ ｎ ｒｙ ｔ ｅ ｗ ｏｅｃ ｎｏ ｒｏ ｒ ａ ｎｉ ｄ ｌ ｎ ｕ ｒ ｎ ｅ ｎ ｔｅ ｍａ ｉ ｍ ｅ ｉｎ ｌ ｅ ｔ ｒ ｓｏ ｔ ｅ ｍ ｅ ．Ｎ ｍｅｉａ ｘ ｅ ｍｅ ｔ ｅ ｕｔ ｎｔ ｅｐ ｐ ｒ ｈ ｈ ｌ ｏ ｔｕ ｅ ｌ ｅ ｔ ｙｍｏ ｅ ｄｔ ｇ ａ ａ ｔ ｅｏ ｘｍｕ ｔ ｒｇｏ ａ ａｕ ｅ ｈ ｏ １ ｕ ｒ ｌ ｅ ｐ ｒ ｎ ｓ ｌ ｉ ａ ｅ ｆ ｔ ａ ｏ ｈ ｅ ｈ ｆ ｆ ｄ ｃ ｉ ｒ ｈ ｐ ｏ ｅ ｈ ｔ ｈｓ ａｇ ｒ ｈ ｉ ａ ｌ ｏ ａ ｈｅ ｅ ｑ ｉ ｏ ｄ ｓ ｌ ｃ ｔ ｎ ｅ ｅ ｔｗ ｔ ｓ ｏ ｌｘｔ ｎ ｃ ｍｐ ｔｔ ｎ ｔ ｅ ｒ ｖ ｓ ｔａ ｉ ｌ ｏｉ ｍ ｅｔ ｃ ｉｖ ｕｔ ｇ ｏ ｉ ｉ ａｉ ｆ ｃ ｉ ｌ ｓｃ ｍｐｅ ｉ ｉ ｏ ｕ ａｉ ｍ ． ｔ ｔ ｓｂ ｅ ｍｐ ｆ ｉ ｏ ｈｅ ｙ ｏ ｉ Ｋｅ ｗｏ ｄ ｙ ｒｓ Ｓ ａｔｒ ｄ ｐ ｉｔｃｏ ｄ Ｄａａ ｓｍｐ ｉ ｃ ｔ ｎ Ｆ ａ ｕ ｅ ｒ ｓ ｒ ａｉｎ Ｎｅｇ ｂ ｕ ｈ ｏ ｕ ａｕ ｅ Ａ ａ ｔ ｅ ｃ ｔ ｅ ｏｎ ｌｕ ｅ ｔ ｉ ｌ ａｉ ｅ ｔ ｒ ｅ ｅ ｖ ｔ ｉ ｆ ｏ ｏ ｉ ｈ ｏ ｒ ｏ ｄ ｃ ｒ ｔ ｒ ｄ ｐｉ ｖ ｖ
任一测点 Ｐ∈Ｃｏ ｄ 则与测点Ｐ ｌｕ ， 距离最近 的ｋ 个点 ， 为Ｐ 称 的
收稿 日期 ：０ ０—０ ２１ ３—１ 。国家 自然 科学 基金 （０ ７ ０ ５ 。倪小 ６ ６ ７ ５４ ）
基于图像的精简算法 、 随机采样算 法和基 于 曲率 精简 的算 法等 等。其中混合简化算法 对 模型进行 聚类再 迭代 简化 ， 能介 性 于聚合和迭代方法之间 ； 于几何 图像 的精简 算法 和随机采 基
样算法虽然精 简速度很快 ， 但不适合特征尖锐的模 型 ， 易丢失特
０ 概
述
征和产生空洞 ； 而基于 曲率精 简的算 法则 时间｝ 耗 太多 。针 对 肖 以上算法 的不 足 ， 本文提 出一种新 的特征保 留的点 云 自适应 精
简算法 ， 首先通过二 次栅 格建立 点云 Ｋ邻 的拓 扑关 系 ， 然后 利
常见的计算方法有 ｋｄ树 法 、 叉树 法 以及 少数据点的方法。但这种算 法需要首先进行三角网格构 造， 比较繁琐 。张艳丽则 用 Ｒ ｅ ｎ ｉ ｎ图简历数据 点 间邻近关 系 ｍａ 的基础上 ， 出按精简后点 的个数 、 提 点的密度阈值以及删除一点 引起的法向误 差的阈值共三 种准则对 点云进 行精简 ， 虽然 这种
ａ ｄ ｅ ｔ ｔ ｉ ｈｓ ｔｅ ｎ ｉｈ ｏ ｒ ｏ ｄ ｃ ｒａｕ ｅ ｏ ｅ ｐ ｉ ｔ ，ａ ｄ ｔｅ ｋ ｈ ｌ ｓ ｃ ｔ ｎ ｎ ｔ ｅ ａｇ ｒ ｈ ｎ ｓｉ ｅ ｖａｔ ｉ ｈ ｅｇ ｂ ｕ ｈ ｏ ｕ ｔｒ ｔ ｎｓ ｎ ｈ ｎ ｍａ ｅ ｔｅ ｃａ ｉ ａｉ ．Ｉ ｈ ｌｏ ｉ ｍ，ａｔｒｔｅ ｆａｕ ｅ ｐ ｉｔ ｒ ｅ ｍａ ｖ ｆ ｈ ｏ ｓｆ ｉ ｏ ｔ ｆ ｔｒ ｎｓ＆ｅ ｒ — ｅ ｈ ｅ ｏ
随着三维获取计 算的快速发展 ，Ｄ激光扫描设备获取 的数 ３
据精度 越来 越高 ， 数据量也越来越庞大 ， 然而这些常常包含 庞大 数 据量的点云模型给一系列诸 如存储 、 传输 以及后 继 的建模 重 构等操 作带来了巨大的困难。冗余 的数据量在某些不要求绝对 精度的场合反而成了一种累赘 ， 不但 降低 了计算 的速度 ， 而且增 加 了内存的消耗。为了解决这 一 问题 ， 就必 须在保持 模型 特征
倪小军 姜晓峰 葛 亮
（ 苏州大学计算机科学 与技术学 院 江苏 苏州 ２ ５０ ） １０ ６
摘
要
提 出一种特征保 留的点云数据 自适应精简 算法。该算法首先构造 散乱点云数据 的局部拓扑 信息 ， 通过一种 改进 的二次
栅格 法快速 建立 Ｋ邻域 ， 由此估算 点的邻域 弯曲度 ， 再进 行分类。算法在保 留特 征点后对 其余点 应用 自适 应精简距 离进行 阈值 精 简， 故算法不仅可 以完整保存实物模型整体轮廓 ， 而且 能够 最大限度地保 证模型 区域特 征。数值实验结 果表 明， 该算法 能够 得到不 错 的精简效果 ， 且具有较小 的计算 时间复杂度。
况。 如果周 围特征越 明显 ， 那么该点 附近就要精 简率低些 。 再根
３ ）在当前栅格搜索 ｐ的最 近 ｋ 邻点 ， 按距 离增序排列 ； 如果 在 当前栅格 内候选 点的 ｋ 已找到 ， 邻 并且距 离都小于点ｐ到栅格 六个面 的最短距离 ， 则候选点的 ｋ 最近邻域搜索结束 ； 个 否则栅
军， 硕士生 ， 主研领域 ： 计算机 图形学 ， 数字几何处理。
第 ８期
ｋ 邻域 ， 一 记作 Ｎ（ ）。 ｐ
倪 小军等 ： 征保 留的 点云数 据 自适应 精 简算 法 特
３ ９
如果点云 中的点 的邻域 弯 曲度 大于 ， 认为该 点为 近似 则
特征点 。
１ ）首先参照文献 ［ ］ ７ 中的方法 ， 根据 点 云数 据点 的最小 包 围盒 的体积 大小 、 点的 总数 Ⅳ和邻 近点 的数 目ｋ 计算 出栅格 的 ， 边长 ， 把最小包 围盒分成大小相 同的栅格 。
物体特征的前提下精简点云。该 方法能够尽可能地保留区域 特 征明显的数据。且不会出现空洞 ， 同时避免 了曲率 的计算 ， 简 精
效率比较高。
１ 特征保留的点云 自适应精简算法
１１ 点云 的栅 格划 分及邻 域搜 索 ．
散乱点云没有明显的几何分布信息 ， 呈现散乱无序状态 ， 因 此必须建立数据点间 的空 间拓 扑关 系以搜索 每个点 的 ｋ近邻 。
格 向外扩张一圈 ， 继续按此规则搜索 。
该基于二次栅格 的搜 索算 法使 得 ｋ 近邻搜索算法 的搜索范 围大大缩小 ， 索速度 明显提高 。 搜
据 该点的 Ｓ ． ａｅ Ｒ Ｒ ｔ 计算 出该点的精简距离 阈值 Ｓ －ｈｅｈ ｌ Ｄ Ｔ ｒｓｏ ｄ：
ｃ ｎ ｔ ｃ ｏ ａ ｏ ｏｏ ｙ ｉｆｒ ｔ ｎ ｏ ｃ ｔ ｒ ｄ ｐ ｉｔｄｏ ｄ ｄ ｔ ，ａ ｄ ｆｓ ｓ ｂ ｉｈ Ｋ— ｅ ｒｓ ｅｇ ｂ ｕ ｓｗ ｔ ｒ ｉ ｒｖ ｄ ｑ ａ ｒｔ ｒ ｔ ｏ ， ｏ ｓ ｕ ｔ ｃ ｌ ｐ ｌｇ ｎ ｏｍａｉ ｆｓａｔ ｅ ｎ ｕ ａａ ｎ ａ ｔ ｔ ｌ Ｎ ａｅ ｔＮ ｉｈ ｏ ｒ ｉ ａｔ ｍｐ ｏ ｅ ｕ ｄ ａｉ ｇ ｄ ｍｅｈ ｒ ｌ ｔ ｏ ｅ ｏ ｅａ ｓ ｈ ｃ ｉ ｄ