[发明专利]基于重采样方法和仿射聚类算法的点云简化处理方法

权利要求书

1、一种基于重采样方法和仿射聚类算法的点云简化处理方法，其特征在于：所述点云简化处理方法包括以下步骤：

步骤1：设定简化目标点数目的阈值；

步骤2：对初始点云D均匀采样获得其子点集SD，对子集SD中的每一个点搜索k最近邻近点，即数据点q的k个最近的点：

KNN(q)＝{|p_i-q |≤|p-q|，p_i∈D}，p_i(i＝1，2...k)是点q的邻近点；

步骤3：利用步骤2获得的k最近邻近点计算SD中每一个点的曲率CV，设点i有k个邻近点p_ik(k＝1，2...k)，k+1个点的坐标平均值为ap_i，点i的协方差矩阵为C；相互关系表示如下：

ap_i＝(p_i1+p_i2+...p_ik)/(k+1)

C=pi1-apipi2-api..............pik-apiTpi1-apipi2-api..............pik-api]]>

C*＝λ*V

其中，C是一个对称的半正定矩阵，特征值为实值，V是协方差矩阵的特征向量，λ₁，λ₂，λ₃是C的对应特征向量的特征值；取λ_i是最小特征值，用特征值来表示点i的曲率变化值：cv_i＝λ₁/(λ₁+λ₂+λ₃)；

步骤4：计算SD中点与点之间的相似度，得到相似度矩阵S，具体有：点i和点k的相似度标记为S(i，k)，相似度能够反映两点间的亲密关系，相似度值选取两点之间距离平方的负值，如

S(i，k)＝-(||x_i-x_k||²+||y_i-y_k||²+||z_i-z_k||²)                (1)

(x_i，y_i，z_i)为数据点i的三维坐标值；

步骤5：运用AP聚类算法，S和CV作为AP算法输入，计算点间的代表度矩阵和适选度矩阵，具体有：

对于任意点来说，计算代表度和适合度之和R+A：

R(i，k)+A(i，k)＝S(i，k)+A(i，k)-{A(i，j)+S(i，j)}.

R+A的值表示点作为类代表点的有效性以及能够表征点被选中的概率；

A(k，k)和R(k，k)的增长与偏向参数P即S(k，k)有关；引入了一个衰减因子λ进行迭代，加入此参数后，R，S，A三个矩阵之间关系变化为如下：

R(t)(i,k)=(1-λ)*{S(i,k)-max{A(i,j)+S(i,j)}}+λ*R(t-1)(i,k)]]>

A(t)(i,k)=(1-λ)*{0,R(k,k)+Σj∉{i,k}j≠kmax{0,R(j,k)}}}+λ*A(t-1)(i,k)]]>

A(t)(k,k)=(1-λ)*{Σj≠kmax{0,R(j,k)}}+λ*A(t-1)(k,k)]]>

依照迭代结果选出代表点，如代表点的数目D小于阈值，即D＝D-SD，返回到步骤2；

每次选出的代表点标号加入到同一个矩阵中，直到达到目标值得到最终点集FD。

2、如权利要求1所述的基于重采样方法和仿射聚类算法的点云简化处理方法，其特征在于：在所述步骤2中，首先把点云所在空间每一维中计算最大的坐标值，构成空间外接包围盒，然后在包围盒内划分小区间，给每一个小区间编码用哈希表来表示，以保证每一个点能够索引到其所在的小区间，然后在均匀的再小区间内取中心点作为此次采样点。