[发明专利]基于Gaussian球的三维点采样数据简化方法

说明书

技术领域

本发明涉及一种三维点采样数据的简化方法。

背景技术

在三维大规模点采样数据的获取中，利用三维扫描设备获取的均匀采样点数据通常并不依赖于模型的内在特征，使得获取的三维采样点数据通常具有许多冗余信息。从而在诸如三维模型的远程传输，隐式曲面的快速重建，数字娱乐和虚拟现实中的实时显示等实际应用中，通常需要对原始三维采样点数据进行简化和重采样。同时由于三维大规模点采样数据处理所需要的大量内存需求和高度的时间复杂性，对有效处理大规模采样数据在形状建模和实时绘制等带来了巨大的挑战。如何有效地实现点采样数据的简化和重采样是一项重要的工作，能够提供了解决上述难点的一条途径。

   通常认为，一个有效的三维点采样数据模型的简化和重采样方法应该具有如下一些特点：(1)方法的有效性：针对大规模模型的简化方法在时间和空间上是高效的；(2)方法保持模型的几何特征：简化方法应该尽可能好的保持数据模型的内在几何特征；(3)模型简化的质量和用户可控的简化误差：简化模型的质量应是较高的，并能够提供比较方便的方法控制简化过程产生的几何误差。

   针对三维点采样数据的简化和重采样，Pauly et al.提出了一种基于均匀聚类和层次聚类的点模型简化方法。他们的方法由于聚类过程简单，是一种高效的聚类简化方法，但难以控制简化模型的近似误差，产生的简化模型具有较大的误差。为了控制简化过程所产生的误差，类似于三维网格模型的简化方法，Pauly et al进一步提出了一种在误差控制下的迭代简化，在简化过程的每一步去除具有较大误差的采样点以实现模型的简化。但是该方法在有关模型的采样密度的控制方面并不理想。

   针对简化模型的误差度量，Cohen-Steiner et al基于形状近似误差的两种度量—L²度量和L^2,1度量，提出了误差可控的k-means聚类简化方法。该方法依次迭代进行几何分片和子片拟合两个过程，通过将面片依次加入最佳拟合子片的迭代过程减少简化模型的近似误差。基于Cohen-Steiner et al中提出的L²和L^2,1误差度量，Wu et al将网格表示下的简化方法推广为面元表示下的误差可控的聚类简化方法。利用基于误差度量的面元优先队列，通过迭代地进行面元合并过程生成累进的面元表示，得到模型的误差可控的简化。然而，他们的方法通常比较费时，而且产生的近似误差较大。这些针对三角网格的重采样方法完全依赖于网格上的拓扑连接关系，难以直接推广到离散点采样几何上。

发明内容

为了克服已有三维点采样数据简化方法的计算复杂、比较费时、近似误差较大的不足，本发明提供一种简化计算、减少计算时间、降低近似误差的基于Gaussian球的三维点采样数据简化方法。

本发明解决其技术问题所采用的技术方案是： 

一种基于Gaussian球的三维点采样数据简化方法，所述简化方法包括：

1）将三维采样点数据上的L^2,1形状度量定义为采样点法向量场Gaussian映射像之间的Euclidean距离，根据用户指定的细分层次，Gaussian球的正则三角化通过对单位球的内接正则多面体进行递归细分得到；

2）以大规模离散面元作为输入数据，所述输入数据包括采样点的位置和法向信息，根据采样点的法向偏差确定每一个采样点的邻域；

3）首先选取一个种子采样点，并赋以一个索引值，该索引被传递扩散到其法向量位于同一Gaussian三角形中的相邻采样点，在索引扩散过程中采用一个堆栈数据结构，堆栈元素记录了采样点的索引值和其邻域信息，开始时堆栈用一个无索引种子点初始化，随着索引扩散过程的进行，每一次都弹出栈顶元素作为当前元素进行处理，若此当前元素有一个直接相邻但未索引的邻域点而且其法向量位于同一Gaussian三角形中，则该邻域点的索引被标记为当前元素的索引值；同时，该邻域点被压入堆栈中并继续进行我们的索引扩散过程；如果堆栈元素为空，选取剩下的未索引采样点的作为种子点压入堆栈并继续进行索引扩散过程；直到所有采样点都被赋予相应的索引值，完成初始聚类；