[发明专利]一种自适应的点云数据分割方法

说明书

技术领域

本发明属于计算机图形学技术领域，涉及一种自适应的点云数据分割方法。

背景技术

随着计算机图形、图像技术的发展，虚拟可视化技术在生态学、农学以及林学等多种领域有着更为广阔的应用前景。随着激光扫描设备与技术的完善和普及，基于三维数据模型的重建方法和结构测量方法允许进行较为精准的重建三维模型，重建出的模型同时也具有真实感强和精度高以及较好的复原农作物的特征信息等优点，受到业界越来越多的研究者重视。但同一模型结构的不同会导致重构的曲线、曲面不光滑，所以对于模型的不同部位需要采用不同的建模方法。

传统的点云分割方法大多是针对结构化的点云模型或2.5D深度图像，而对于散乱的无组织点云不具有适应性，同时上述传统的点云分割方法推广应用到非结构化三维点云中的时候会遇到很多限制，对于散乱的非结构化的点云难以达到较好的分割效果。从目前国内外研究及应用来看，尽管对点云分割已经进行了大量的、面向不同应用问题的研究，但是还没有一种适合所有应用的分割算法，绝大多数算法都是针对具体问题提出的。

发明内容

针对上述现有技术中存在的问题和缺陷，本发明的目的在于，提供一种自适应的点云数据分割方法。

为了实现上述目的，本发明采用如下技术方案：

一种自适应的点云数据分割方法，具体包括以下步骤：

步骤1：获取点云数据，对点云数据进行特征提取，得到各个数据点的局部密度和近距离；

步骤2：根据步骤1得到的各个数据点的局部密度和近距离，对各个数据点进行排序，得到排序后的种子点集合；

步骤3：计算得到各个数据点对应的法向量和曲率；

步骤4：根据步骤3得到的各个数据点对应的法向量和曲率，利用区域增长算法，按照步骤2得到的种子点集合中的数据点进行种子点的自动选取，对所有数据点进行分类，实现点云数据的分割。

进一步地，所述的步骤1的对点云数据进行特征提取的实现过程包括：

步骤1.1：计算数据点x_i,1≤i≤N中任意两数据点间的距离；

步骤1.2：将步骤1.1得到的任意两数据点间的距离，按照从小到大排序生成新的集合d，计算截断距离d_c；

步骤1.3：根据步骤1.2得到的截断距离d_c，计算每个数据点x_i的局部密度ρ_i；

步骤1.4：将步骤1.3得到的局部密度ρ_i进行降序排序，重新生成一个下标序列；

步骤1.5：根据步骤1.1得到的任意两数据点间的距离，计算各个数据点的近距离Q_i表示步骤1.4所述的下标序列的下标数值。

进一步地，所述步骤2的实现过程包括：

步骤2.1:利用步骤1得到的各个数据点的局部密度ρ_i和近距离得到各个数据点的判断值PU_i；

步骤2.2:将数据点x_i按照PU_i的值进行降序排序，生成种子点集合SEEDS。

进一步地，所述步骤3的实现过程包括：

步骤3.1：对于每一个数据点x_i，利用基于FDN的邻域搜索算法得到每一个数据点x_i的邻近点；

步骤3.2：计算每一个数据点x_i的所有邻近点的三维质心；

步骤3.3：利用步骤3.2得到的质心计算各个数据点x_i对应的协方差矩阵Cov_i；

步骤3.4：根据步骤3.3的得到的协方差矩阵Cov_i计算各个数据点x_i对应的特征值和特征向量，得到数据点x_i对应的法向量

步骤3.5：根据步骤3.4得到的各个数据点x_i对应的特征值，计算各个数据点x_i的曲率Cur_i。

进一步地，所述步骤4的实现过程包括：

步骤4.1：记集合Nbhd为数据点的邻域，集合Nbhd中的元素为数据点的邻近点，集合Rc为当前区域，初始值为空，S_C为当前种子区域，初始值为空；选择种子点集合SEEDS中的第一个数据点seed₁作为初始的当前种子点，将其插入到当前种子区域S_C中；