散乱数据点云边界特征自动提取算法

提出一种散乱数据点云边界特征自动提取算法,该算法采用R* -tree动态空间索引结构组织散乱数据点云的拓扑关系,基于该结构获取采样点的k近邻点作为局部型面参考数据,以最小二乘法拟合该数据的微切平面,并将其向微切平面投影,根据采样点与其k近邻所对应投影点连线的最大夹角识别散乱点云边界特征.实例验证该算法可快速、准确地提取散乱数据点云的边界特征.     

基于多结构快速生成算法的建筑物平面提取

针对RANSAC算法在多结构数据集中提取平面点时存在的不足,提出了基于多结构快速生成算法的点云平面提取的新算法.该算法在随机产生一组平面模型之后,通过每个点相对于模型的残差排序信息,计算条件内点概率分布,然后利用得到的内点先验分布概率指导模型采样.实验结果表明,该算法能准确地检测出点云数据中的平面,相比RANSAC算法具有更好的采样效率.     

基于空间网格划分的点云质量检测算法

随着三维激光扫描技术的快速发展,它以非接触性、高密度、高精度、数字化、自动化等特点,被广泛用于多个邻域,其中在建筑物变形监测领域的应用也越来越广泛。针对扫描设备获取的大量变形监测数据,快速地统计出前后两期数据变化差异值,提出了一种基于空间网格划分的点云质量检测算法,算法通过对不同期点云模型进行空间网格划分,依据网格进行点云邻域搜索,并根据点云变化差异值给点云赋予不同色谱颜色值,最后进行直观的两期点云变化差异可视化,并绘制出统计信息图。研究表明,该算法能够快速地分析对比两期点云数据,输出变化差异统计信息,能够为工程的运营提供快速的安全指导参考。     

基于点云截面数据点的多轮廓排序算法

针对使用切片技术提取的点云截面数据点的多轮廓排序问题,提出了一种简便有效的算法.该算法分为两步,首先通过最近邻域搜索,根据距离阈值依次生成各个轮廓的闭合多边形,完成多轮廓截面数据点的粗排序和轮廓分离,然后将剩余数据点依照最小夹角原则插入到相应的轮廓闭合多边形中,达成截面数据点的精确排序.实验证明,该算法可对逆向工程中各种复杂的截面数据点实现精确排序和轮廓分离,将无序数据点转化为有序数据点,排序结果稳定、准确.     

基于自适应八叉树的点云数据压缩方法研究

首先详细讨论了借助包围盒建立点云K邻域以及使用平面拟合方法获取法矢量等方法,然后根据点云数据法矢量变化程度,采用自适应八叉树得到压缩后的点云数据.对相关参数的选取以及算法步骤进行了改进.最后,使用此方法实现了点数为10000的点云模型的数据压缩.     

基于激光点云数据的活立木林学参数挖掘

借助于地面激光扫描仪,获取单株活立木空间的点云数据;并运用计算机相关理论算法得到重要的林学参数。首先针对扫描获取点云数据量大的特点,采用球邻域结合均匀栅格法以获取邻域拓扑关系。其次针对复杂结构的树木点云模型,设计了采用Hough变换提取连续的主枝干圆中心计算材积的方法,从而摒弃由于分枝树叶产生的干扰。再次,通过计算复杂点云中的特征量,如特征向量、法矢量、曲率、弯曲度等,以自动定位二级分枝。最后,通过和人工手动测量的真实数据进行比较,证明方法的有效性。     

基于三角网格曲面的环切粗加工刀轨生成算法

提出一种基于三角网格曲面的环切粗加工刀轨生成算法,该算法采用R*-tree建立三角网格曲面的动态空间索引结构,基于该结构快速建立三角网格模型的Z向包络面,采用R*-tree建立Z向包络面的索引结构,对切削平面与Z向包络面求交获取截面轮廓环,判断截面轮廓环的环向,并依据轮廓环间的拓扑关系确定切削区域,通过对轮廓环进行等距偏置获取环切粗加工刀轨.实例证明:该算法对各类复杂三角网格曲面均可准确生成无干涉环切粗加工刀轨,并可实现模型的区域性加工.     

基于邻域漂移的点云法向估计算法研究

随着三维激光扫描仪的改进和普及,获取三维点云数据的方式越来越方便.法向量作为点云数据不可或缺的属性之一,在诸多算法中具有重要作用.由于受到噪声、离群点、非均匀采样等因素的影响,准确快速估计尖锐特征点的法向量仍然是具有挑战性的.提出基于邻域漂移的点云法向估计算法,实现准确快速地对尖锐特征点的法向进行估计.首先,对当前点的近邻点构造其邻域,所有近邻点所对应的邻域构成候选邻域集.利用协方差分析对候选邻域进行评价,并选取最优邻域用于最终的法向估计.实验结果表明本算法在法向估计的质量上与前沿算法持平,在运行速度上与传统PCA算法相近,可以最大程度兼顾法向质量与计算速度.     

海量点云数据轮廓特征线的快速生成算法

从海量点云数据中快速生成轮廓特征线,是实现基于特征的模型重建的关键.提出了一种基于切片的轮廓特征线快速生成算法.该算法首先对点云数据进行切片,将数字图像的方法应用到基于切片的特征点提取中,通过设置数字栅格平面的边长快速地提取特征点,并根据提出的双向索引连通法快速构造特征线,最终实现了点云数据的曲线模型.实例证明:本算法可以快速、准确地生成海量点云数据的轮廓特征线.     

面向三维残缺点云图像的数据精简方法

为解决残缺点云模型数据精简时边界特征容易失真的问题，以汽车覆盖件中的薄壁类零件为研究对象。提出一种保留残缺点云边界特征的数据精简方法。借助KD-tree建立数据索引结构，获取数据点最近邻，并通过邻域点拟合出微切平面的方法，计算出点云数据的法向量。利用法向量夹角大小关系，选取边界以及孔洞特征点的初始种子点。再根据欧氏距离实现初始种子点的邻域搜索，从而完成边界以及孔洞邻域特征点的提取。根据曲率精简的方法，对非特征点进行数据精简，最后，合并特征点云与非特征点云，实现对残缺点云模型的数据精简。将随机精简法、曲率精简法分别用于点云模型精简处理，结果表明：相比于其他两种方法，所提方法更好地保留了模型边界以及孔洞邻域特征数据点，其标准偏差、曲面表面积变化率优于其他两种方法且变化相对稳定。