散亂點云特征提取和聚類精簡技術研究.pdf

1、近年來，反求工程技術在汽車制造、航天航空和醫(yī)學等領域得到了廣泛的應用，而隨著三維掃描技術的進步，通過三維掃描獲取的點云數(shù)據(jù)量十分龐大，在實際的應用中存在著數(shù)據(jù)冗余的問題，因此對點云數(shù)據(jù)的精簡成為了當前的熱點研究問題。本文的研究內(nèi)容主要分為點云特征提取、點云聚類和點云精簡三個方面，具體內(nèi)容如下：
　　首先，在點云特征提取方面，針對以往散亂點云特征提取算法存在尖銳特征點提取不完整以及無法保留模型邊界點的問題，提出了一種基于多判別參數(shù)混

2、合方法的散亂點云特征提取算法。該方法對于每個k鄰域計算數(shù)據(jù)點曲率、點法向與鄰域點法向夾角的平均值、點到鄰域重心的距離、點到鄰域點的平均距離，據(jù)此四個參數(shù)定義特征閾值和特征判別參數(shù)，特征判別參數(shù)大于閾值的點即為特征點。以上四個參數(shù)中，曲率、法矢夾角和數(shù)據(jù)點到其鄰域點的平均距離三個參數(shù)參與檢測曲面的尖銳點，而點到鄰域重心的距離則主要用于識別邊界數(shù)據(jù)點，同時也能為檢測曲面尖銳點提供一定的作用。實驗結(jié)果表明，與已有算法相比，該算法不僅可以有效提

3、取尖銳特征點，而且能夠識別邊界點。
　　其次，在點云聚類方面，針對傳統(tǒng)K-means聚類算法應用于點云數(shù)據(jù)時存在迭代收斂時間長、多次運行的聚類結(jié)果具有隨機性以及聚類效果較差的問題，提出了一種基于自適應八叉樹的點云K-means聚類算法。該方法利用自適應八叉樹為K-means聚類提供與點云密度分布相關的初始化聚類中心和K值，然后迭代輸出聚類結(jié)果。實驗表明該方法在聚類的評價函數(shù)值和運行時間上都優(yōu)于傳統(tǒng)的K-means聚類，而且消除了多

4、次運行時聚類結(jié)果的隨機性。
　　最后，在點云精簡方面，首先利用本文提出的散亂點云特征檢測方法提取點云特征點，然后對點云進行基于自適應八叉樹的K-means聚類操作，最后在不包含特征點的聚類中以距離聚類重心最近的數(shù)據(jù)點代替整個聚類，其他數(shù)據(jù)點刪除。為了保留模型的細節(jié)特征，在包含特征點的聚類中，選擇該聚類所包含數(shù)據(jù)點中曲率差值最大的兩個點作為新的初始化聚類中心再次進行聚類細分，直到聚類中數(shù)據(jù)點的最大曲率差小于閾值或者聚類中只有一個數(shù)據(jù)