基于小波技术的散乱点云自适应压缩算法

提出基于小波技术的散乱点云自适应压缩算法.利用快速成型理论中的切片技术,将三维空间点云数据降为二维平面点云数据,并对排序后的点云数据进行小波变换,利用小波系数峰值,自适应地保留能够反映目标特征和细节信息的点,实现散乱点云的快速压缩.借助于实验,验证切片的分割厚度选为采样间隔的2~3倍时,可以实现快速高质量的散乱点云压缩.结果表明:算法在特征保留上具有明显的优势,能够最大限度地保留特征信息,压缩效果更为理想,且无需设置阈值,同时还具有自适应的特点,有助于实现压缩的自动化.     

一种新的散乱点云尖锐特征提取方法

针对散乱点云的尖锐特征识别与提取问题,提出一种基于平均曲率运动的散乱点云尖锐特征提取算法.该算法利用采样点的加权邻域重心近似表示离散Laplacian算子;利用采样点邻域的主成分分析估算散乱点云法向量,通过张量投票的方法平滑估算得到的点云法向场,进一步提高了该算法识别细微尖锐特征的能力;将采样点和其对应加权邻域重心之间的距离投影到法向方向,消除了因为采样密度不均匀以及边界点所引起的尖锐特征点误判.该算法直接对散乱点云进行操作,不需要维护采样点之间的连接关系和任何全局的拓扑信息,简捷且易于实现,对点云中的噪声和局外点保持鲁棒.该算法应用于合成点云和实际扫描点云的实验结果表明了方法的有效性.     

基于样点拓扑近邻的散乱点云曲面拓扑重建

提出一种基于样点拓扑近邻的散乱点云曲面拓扑重建算法,对点云数据构建动态空间索引结构,采用动态扩展空心球算法查询样点k近邻,通过对样点的k近邻数据进行偏心扩展和自适应扩展获取样点的拓扑近邻参考数据,从中查询样点的拓扑近邻,从样点的同层拓扑近邻中获取符合Delaunay条件的匹配点,生成局部Delaunay三角网格,并通过增量扩展实现整个散乱点云的曲面拓扑重建.实例证明,该算法可对无隙、有边界等任意模型的散乱点云进行合理的曲面拓扑重建,有效解决了r-dense恰当采样点云中非均匀区域易产生非工艺孔洞的问题.     

长距离输送管道超声内检测数据的在线压缩算法

根据超声内检测A扫描波形数据的形成原理,提出了基于阈值分割与峰值点提取相结合的A扫描波形数据压缩算法.1次数据压缩采用基于阈值分割的压缩算法,2次数据压缩采用基于峰值点提取的压缩算法,并分别采用传统的数据压缩指标和厚度计算结果来验证所提压缩算法的有效性.结果表明:在保证管壁厚度测量精度的条件下,压缩因子可达200~300;所提出的压缩算法简单、运算速度快,能够有效解决长距离输送管道超声内检测海量数据的实时压缩与存储问题.     

基于改进坐标增量的点云数据压缩算法

为提高点云数据三维建模及其应用的效率,在保证几何特征不变的前提下,进行数据压缩显得必要而迫切。针对地面三维激光扫描获得的点云数据密度大、冗余信息多,现有压缩算法存在不足的问题,在分析研究现有算法的基础上,将坐标增量法中一维扫描线点云数据逐点压缩扩展到二维扫描线与扫描线间点云数据的压缩,提出了改进坐标增量的点云数据精简压缩算法。并通过实例,借助Matlab平台编程,将该算法的压缩效果与坐标增量法、随机采样法、区域重心法和曲率采样法等现有典型算法的压缩效果进行定性和定量比较发现,对于按行或按列扫描的平面或曲面点云数据,该算法所用的时间较短,速度适中,且能很好的保留特征信息,具有较好的精简压缩效果,为大数据时代下海量点云数据的存储与管理提供了一定的参考。     

基于滤波与平滑的曲线重构

提出了一种算法用于从散乱点云中重构曲线，点云通过一个滤波器后被细化．当点云足够细时，可以非常容易地给它定序，从而可以对点云进行曲线拟合或逼近；对于厚度变化不均匀的点云，将半径固定的选点窗口进行改进，引入一个自适应算法，能随点云厚度的变化调整窗口半径，改善滤波器性能．数值实验表明，算法简单、快速、有效，尤其当点云密度很大且厚度不均匀时，曲线重构的效果更好．     

RBF函数的孔洞修复技术研究

提出了一种利用RBF函数对具有“孔洞”的散乱点云进行修复的算法,该算法是通过给散乱点云数据建立隐式曲面方程,隐式曲面方程是通过一个连续的函数来描述重建的实体模型,在曲面重建的过程中可以自动实现数据缺损处的孔洞修补.通过编程实现了孔洞的修复,该算法在MATLAB 7.0上进行实验.实验的结果表明,该算法在孔洞修复方面具有很好的效果.     

保留边界特征的点云简化算法

为有效简化点云数据,提出保留边界特征的点云简化算法。该算法利用三维栅格划分法建立散乱点云的空间拓扑关系,计算每个数据点的近邻,通过球拟合法求得其曲率和具有方向性的法向量,采用投影点个数比值法找到并保留点云边界,根据具体情况设定所需阈值,对非边界点进行分类,通过对点的曲率与平均曲率比较、近邻保留点与近邻点个数比例,完成点云简化。实验结果表明：该算法不仅能对点云进行直接有效地简化,而且还能很好地保留点云模型的细节特征,简化比例达25％～40％。该方法可以满足不同种类点云简化的要求,能够提高计算机运行效率。     

基于散乱点云的快速体积计算法

三维可视化体积计算基本上都是先由散乱点云构建出表面网格模型,然后基于网格模型计算体积,存在计算量大、速度慢的缺点.针对此问题提出一种快速体积计算法,首先使用改进的增量式Delaunay三角剖分对散乱点云进行四面体剖分;然后利用K近邻计算散乱点的拟合曲面和最小生成树,得到各点的法向量;由各点法向量剔除体外四面体;最后计算各四面体体积之和从而得到总体积.实验表明,该算法不仅保证了计算准确度,而且较传统算法大大提高了效率.     

采用移动最小二乘的平面散乱点集曲线重构

针对带状分布的无序散乱点集的曲线重构问题,采用移动最小二乘法对其进行二次局部加权回归和细化点云;在迭代过程中,采用逐步减小K-邻域顶点数的策略,以兼顾计算效率和精度.对细化后的点云进行重新排序和稀疏,把无序点集有序化;然后,利用现有的B样条曲线重构技术,对点云进行重构.最后,实例验证算法的有效性.