[发明专利]一种基于散乱点云特征的网格重建方法

说明书

技术领域

本发明涉及计算机图形处理领域，具体涉及一种基于散乱点云特征的网格重建方法。

背景技术

随着三维扫描技术的不断发展，可以用激光扫描仪等三维测量仪器精确的得到物体曲面的三维点云数据。通过散乱的点云数据进行曲面的重建，成为重要的研究内容。曲面重建在逆向工程、医学影像处理、虚拟现实、机械产品测量造型等领域中具有重要的应用。

目前，网格重构算法有Hoppe等人提出的基于等值面抽取的隐式曲面重建算法；Edelsbrunner等人提出α-shape方法来重建曲面；王青等人提出基于投影的局部二维快速增量算法；Kazhan等人提出基于Possion方程的曲面重构方法。上述算法，生成曲面质量较低，曲面尖锐细节部分会丢失，并且计算复杂度较高。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于散乱点云特征的网格重建方法。

技术方案：本发明的一种基于散乱点云特征的网格重建方法，包括以下步骤：

(1)获取点云的高斯权图拉普拉斯算子，根据算子模长大小，从点云中提取备选种子点；

(2)基于所提取的备选种子点，从点云中提取种子点，并由种子点构造出特征线和种子三角面片；

(3)根据点云的局部平坦信息，从特征线和种子三角面片中选择活动边；

(4)从候选点区域选择最佳点与活动边组成新面片，经过拓扑正确性检查，然后加入到网格中，迭代后构建出二维流形网格。

进一步的，所述步骤(1)中提取备选种子点的具体过程为：

在三维扫描仪扫描所得散乱点集P＝{p_i|i＝1,…,n}中，若点集P中某一点到其中任意一点P_i的欧式距离小于半径r，则该点为P_i的邻近点，P_i所有邻近点集 合用N(P_i)表示；然后计算点集P中每个点的图拉普拉斯算子L_n,t；

点集P上的坐标函数为作用于点p_i∈P，有X(p_i)＝p_i.x，Y(p_i)＝p_i.y，Z(p_i)＝p_i.z，其中为一组n×3维向量，将图拉普拉斯算子L_n,t作用于得一组新的向量其中表示的第i个向量，即L_n,t作用于p_i∈P后生成的向量，该即表示向量的模长，其中模长大于指定阈值的点即为备选种子点。

进一步的，所述阈值根据采样带宽而定，而采样带宽为扫描仪物理参数，若采样带宽为t,则阈值取值为

进一步的，所述步骤(2)的具体过程为：给定阈值τ₁、τ₂，并为点集P中每个点指定一个新的空领域N_new(P_i)，若p_i∈P领域中点p_j的大于给定阈值τ₁，则p_j成为p_i新领域N_new(P_i)中成员；计算p_i新领域中N_new(P_i)所有点p_j的均值 若均值w_i大于给定阈值τ₂，则p_i为种子点；根据上述方法为点集P中所有的点重构新领域，生成种子点集S；从点集S中选择Z坐标值最大的点p_i∈S，利用K-d树在S中查找距离p_i最近的点p_j，连接p_i、p_j组成边p_ip_j，||p_ip_j||＝len，以len为短半轴长和焦矩长，作以p_i、p_j为两个焦点的椭圆，椭圆绕p_i、p_j所在直线，旋转一周形成椭球，其中椭球中所有点组成点集E(p_ip_j)，p_k为E(p_ip_j)中任意点，且若椭球中无点，对len以的比例放大，直到椭球中含有点；