[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

说明书

技术领域

本发明涉及计算机视觉、数据处理、计算机图形学、数值计算方法和逆向工程领域，尤其是一种点云简化处理方法。

背景技术

通过图像匹配和扫描真实物体模型技术可以获得大规模的采样点即点云。点云通常包含大量的数据点并且能很好的表达物体的表面。但是大规模的点云给点的绘制以及编辑都带来了很大的困难，另一方面，三维模型的表达通常并不需要如此多的点。为了更有效的表达和绘制三维点云模型，近年来提出的很多方法应用于点云简化。在初期对点云的研究中，多数研究是基于点的拓扑网格，有四种经典简化算法的概述见于Mark Pauly马克.波利的文章：M.Pauly，“EfficientSimplification of Point-Sampled Surfaces”，IEEE Visualization 2002Oct.27-Nov.，即马克.波利点云曲面的有效简化IEEE视觉2002.10；包括了一下四种：(1)顶点移除(2)顶点聚类(3)边收缩(4)粒子仿真。这几种算法都是基于点拓扑而需要耗费较多的内存。于是近来很多研究的重点开始放在直接对点云进行简化上。Boissonnat引入了一种逐步的由粗糙到精细的简化方法，参照文献：J.-D.Boissonnat and F.Cazals.“Coarse-to-fine surface，simplificationwith geometric guarantees”.EUROGRAPHICS 01，Conf.Proc.，Manchester，UK，2001；即伯奈特基于几何方法的细化点云简化欧洲图形学大会英国2001。11。重采样方法是通过一些定制的规则计算初始点云的子集，而聚类的含义是把数据集分割为子集并找到每一子集的代表点。大多数聚类算法都需要在初始数据集中随机的选择一些聚类中心，通常这些初始聚类中心的选择会影响到最终选出的代表点的结果。仿射聚类算法的提出克服了这一缺陷，它的主要思想是初始把每一个点都作为初始的代表点，并在点对之间发送带有点信息的消息，但是和其他聚类算法一样不适合应用于稠密的相似矩阵。

现有技术中，对点云简化的研究主要以点云的网格拓扑结构为基础，根据拓扑网格的关系进行网格简化以达到点简化的目的，这种方法的缺陷是存储大量的网格而需要较大的内存。而现在的主流方法主要是直接对点云进行简化。仿射聚类算法的主要优点是能够在点与点之间发送消息，并且拥有较快的处理速度，应用领域较为广泛，但是对于稠密的数据相似矩阵时需要较大的内存。

发明内容

为了克服已有的点云简化的处理方法的计算复杂、需要占用较大内存、有效性差的不足，本发明提供一种简化计算、减少占用的内存容量、具有良好的有效性的基于重采样方法和仿射聚类算法的点云简化处理方法。

本发明解决其技术问题所采用的技术方案是：

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，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)