面向大规模科学计算的三维Delaunay快速插点算法

该文提出一种快速、稳定的Delaunay插点算法.这一算法提高了单机有元建模的规模,可在PC计算机生成千万级有元四面体网格.算法通过点与点之间位置关系,建立对位置信息;据这些信息在查找BASE单元时,提高＂walk-through＂点定位算法的速度.而在生成新单元和建立邻接关系过程中,算法利用CORE表面的三角网格,在性时间内完成CORE附近的新旧单元更新操作,并出算法时间复杂度证明.本文以分别以空间任意点集、正文体删格和机械模三角面片为例,测试应用Delaunay逐点插入算法.算例表明,本算法在一台Intel（R） Core（TM）2 Duo CPU E7200@2.53GHz,1.98GB内存的PC上可生成千万单元量级四面体网格,生成速度达11-15万单元/秒.     

基于权值的散乱点云压缩算法

随着点云数据规模的不断增大,基于一定的准则对散乱点云进行压缩和简化直接决定了点云重建的效率.详细介绍了现存的点云压缩算法的原理和方法,总结这些压缩算法的特点和适用对象,并结合散乱点云密度分布特点,提出基于权值的压缩算法,根据点云密度设定不同的权阈值进行点云的自适应压缩,实现散乱点云的快速压缩.最终通过特高压南阳站点云进行算法验证,确定了最佳权阈值,同时通过分析对比证实了算法的高效性和可行性.     

散乱点云的补偿滤波

针对散乱点云的滤波问题,提出了一种体积保持的滤波方法.由于采用双边滤波器对散乱点云模型多次迭代滤波时,在高曲率区域会产生较大的形状变形,因此提出一种新的补偿量滤波算子,对滤波移动量进行平滑处理,获得形状补偿量,并依据形状补偿量将降噪点位置向原始位置方向调整,从而减少了滤波产生的形状变形.实验表明,该方法具有减小体积收缩的能力,对于噪声点云模型滤波,该方法简单、有效,与传统的双边滤波相比,能够减少滤波中的变形,获得具有更多细节特征的点模型.     

一种简单的三维地形重建方法

基于等高线地图的三维地形重建是目前的研究热点,但读懂等高线地图需要一定的专业知识,并且应用等高线地图进行地形重建需要较专业的OpenGL等工具以及很高的编程技术.提出了一种基于散乱点的三维地形重建算法:先对这些散乱点在平面内做三角剖分得到一些三角形,然后用等值线切割每个三角形得到一些内点,并计算出每一个内点的坐标及高程,最后对所有的点再次应用三角剖分方法生成空间中的三角形面片.实验结果及算法复杂度分析表明该算法既简单易行又达到了预期效果.     

点云数据三角网格生成算法及应用

在引入局部Delaunay边和局部Delaunay三角形的基础上,给出一种平面及空间散乱数据点集的三角网格生成的快速算法,实验表明本算法具有运行速度快、计算准确、存储简单等优点.     

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.     

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.     

基于形态学的散乱点云轮廓特征线提取

采用逆向工程领域切片技术和数学形态学方法提取点云的轮廓特征线.空间散乱点云密度高且无拓扑关系,通过切片分层可将空间点云转换为不同层的平面切片点云.借鉴图像处理方法,将切片点云转换成二值图像,使用形态学运算提取其轮廓像素,将轮廓像素转换为轮廓特征点并采用B样条曲线拟合成轮廓特征线.实验验证该方法可以得到高质量轮廓线,并可以有效地解决"多环"切片难以正确提取轮廓特征的问题.     

散乱点云与重构模型的误差分析

在反求工程中,对产品的实物模型进行数字化测量后,重构得到产品的CAD模型.而实物测量数据与重构模型间的误差分析是必要的,它会对原产品的仿制或重复制造等后续工作产生影响.首先时零件实物的散乱点云进行预处理,得到截平面点云,然后实现曲线拟合和重构模型,最后对散乱点云与重构模型进行误差分析,并通过误差生长线来区分误差大的区域.     

平面散乱点集的Delaunay三角剖分算法

描述了一种平面散乱点集的Delaunay三角剖分算法.首先对散乱点集预处理,保证每次插入的点落在已处理点集形成的临时边界环外;然后逐点插入预处理后的点,使临时边界环不断向外围扩展,直至点集处理完毕,形成散乱点集的三角网格;最后运用Delaunay优化准则优化.该算法由于充分利用了Visual C 语言中MFC类的数据资源,使得编程容易实现.最后举例验证了该算法的优越性.     

散乱点云数据的曲率精简算法

针对海量散乱点云数据精简问题,提出了以平均曲率为判据的精简算法.采用八叉树结构对点云数据进行空间分割,由分割结果建立k邻域.在散乱数据点参数化的基础上,对k邻域内的散乱点进行二次曲面拟合,求出拟合曲面的平均曲率,进而得出邻域内所有数据点的平均曲率均值,以此为判据进行数据精简.构造曲率差函数,识别出边界数据点,对其进行数据保护.结果表明,该算法对具有曲率多样化特点的点云数据精简具有一定的理论意义和应用价值.通过实验验证了该算法的可靠性和准确性.     

基于k-邻域密度的离散点云简化算法与实现

提出一种基于k-邻域密度(即k-邻域中的点云密度)的离散点云简化算法, 并给出了在三角网格重构中的实现. 该方法不仅可以保证实物模型重建后的整体轮廓, 而且在细节部分也较好地保持了局部形状特征. 三角网格重构的实验结果表明, 所给方法简单、 高效, 同时, 在实物模型平滑处与曲率变化较大处均取得了理想效果.     

基于点云数据的杂乱场景分割算法研究

目前处理桌面上单个对象已经被解决,然而处理复杂的场景时由于杂乱和遮挡而引起相当多的问题。虽然当前最先进的方法在基准性能上继续逐渐提高,但是它们也变得越来越复杂。针对杂乱场景中多个物体的分割问题,提出了一种基于RGB-D点云数据的分割方法。该方法先将场景点云超体聚类分解为基于体素网格的邻接图,然后对邻接图的边缘进行分类创建凸度图,再通过区域生长合并具有凸关系的分块从而得到未知物体。此外,提出用欧几里得算法对区域生长进行改进,发现对于碗和杯子这类具有内部凹面的物体有较好地分割效果。我们在对象分割数据库和手动提取场景中的实验结果,表明该方法可以在杂乱的桌面场景中分割各种形状的对象。     

基于中轴线的隧道点云去噪算法

隧道作为一个狭长的封闭空间,其点云内部噪声影响点云分析精度,有效去除隧道点云内部的噪声是基于点云隧道形变分析的关键.提出一种基于中轴线的隧道点云去噪算法.通过对点云双向投影获取隧道在水平和垂直方向的姿态变化,根据高阶多项式拟合两条平面曲线并插值中轴线控制点,通过定义空间线段的夹角加密控制点以表达中轴线.通过计算各控制点处的切平面实现对隧道点云的分割,计算各分块内点到中轴线的距离,并根据给定的距离阈值实现隧道内部点云噪声的过滤.通过两组实验分析证实该方法的可行性与精确性.第一组通过模拟隧道点云数据并采用该方法拟合中轴线,比较分析其与已知中轴线的精度.第二组通过分析处理实际的隧道点云数据,实现隧道点云内部噪声的去除.     

高斯函数约束下的多判别参数散乱点云边缘检测

设计一种散乱点云数据边缘检测算法,从而快速、精确地提取边缘特征.该算法以点云的局部特征为基础,通过分析点云数据各点的法向特性,构建各点k近邻法向夹角特征、曲率特征、距离特征,并在高斯函数的约束下完成点云边缘特征的检测.利用公共数据进行多组实验,对比不同算法下的检测效果.结果表明:该算法提取点云边缘特征的速度更快、效果更好.     

基于经纬网格的点云孔洞填补算法

为解决三维点云数据存在复杂的点云孔洞、对后续处理造成影响的问题,提出一种基于经纬网格的点云修补算法。首先将点云的三维坐标转换到球坐标系,形成三维球体,并对球体进行经纬网格的区域划分;然后找出每一个网格区域对应的点云三维坐标点,并求出点的密度;最后,利用密度较小区域邻近区域的点进行样条插值,来填补孔洞,实验证明了该算法的稳健性,恢复复杂物体的表面信息效果较好。     

基于密度自适应深度网络的点云场景语义分割算法

由于传感器噪声干扰,点云密度不均匀,场景复杂多样以及物体之间存在遮挡现象等问题,使得三维点云场景语义分割问题的研究工作极具挑战性。针对三维点云数据采样密度不均匀以及图卷积网络深度有限的问题,提出一种密度自适应的方法。该方法通过多层感知器学习一个权重函数,利用核密度估计学习一个密度函数,对非均匀采样的点云数据进行卷积操作。同时,受深度学习在图像领域的启发,引入残差连接、空洞卷积等结构,训练更深层的点云分割网络。该算法在多个点云分割的标准数据集上取得了优秀的性能。     

采用局部凸性和八叉树的点云分割算法

针对粗糙点云分割效果差的问题,提出了一种采用八叉树和局部凸性的点云分割算法.该算法首先通过仪器扫描得到仅包含坐标信息的点云数据,然后对点云进行法向量估算,并根据点云的法向量信息进行八叉树初始分割得到面片,最后根据面片之间的局部凸性特征进行融合,得到最终的分割结果.与其他同类算法相比,采用八叉树和局部凸性的点云分割算法不仅能有效地减少曲面数量,而且在曲面质量上也优于同类算法.采用塔身震落石块的点云数据进行的实验表明,该算法在处理分布较均匀的闭合点云数据时,能够有效减少最终的曲面个数,且面片的质量与手工分割拟合度达到90 ％以上.     

基于密度噪声应用空间聚类算法的机载激光雷达建筑物点云提取与单体化

针对机载激光雷达建筑物点云提取过程中自动化提取困难,以及提取后的建筑物单体化过程烦琐等问题,提出一种基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的机载雷达建筑物点云提取与单体化的方法.该方法对预处理后...     

基于遗传算法的点云注册技术研究

提出了一种基于遗传算法的点云配准技术,将点云数据与3D模型进行配准,对模型建立KD树,进行最近邻搜索,获取点云到3D模型中最近的点,根据各点到模型的距离来作为适应度判断依据.仿真结果表明:该算法达到一定的配准精度,具有全局收敛、配准时间短、对初始位置要求不高的特点.