[发明专利]基于经验模态分解的点云数据的处理方法及其应用方法

说明书

技术领域

本发明涉及点云数据处理的技术领域，具体涉及一种基于经验模态分解的点云数据的处理方法及其应用方法。

背景技术

经验模态分解(EmpiricalModeDecomposition，简称EMD)方法被认为是2000年来以傅立叶变换为基础的线性和稳态频谱分析的一个重大突破，该方法是依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有本质性的差别。正是由于这样的特点，EMD方法在理论上可以应用于任何类型的信号的分解，因而在处理非平稳及非线性数据上，具有非常明显的优势，适合于分析非线性、非平稳信号序列，具有很高的信噪比。所以，EMD方法一经提出就在不同的工程领域得到了迅速有效的应用，例如用在海洋、大气、天体观测资料与地震记录分析、机械故障诊断、密频动力系统的阻尼识别以及大型土木工程结构的模态参数识别方面。

该方法的关键是经验模式分解，它能使复杂信号分解为有限本征模函数(IntrinsicModeFunction，简称IMF)，所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。经验模态分解法能使非平稳数据进行平稳化处理，然后进行希尔伯特变换获得时频谱图，得到有物理意义的频率。与短时傅立叶变换、小波分解等方法相比，这种方法是直观的、直接的、后验的和自适应的，因为基函数是由数据本身所分解得到。由于分解是基于信号序列时间尺度的局部特性，因此具有自适应性。

由于上述提到的EMD方法的优点，此方法在信号分析和处理方面被认为是革命性的一种方法。EMD方法已经被广泛应用到一维和二维数据分析处理过程中，例如生物医学工程，语音处理，图像融合，图像压缩，图像分析等方面。然而，随着三维扫描获取技术的快速发展，点云数据处理研究业已成为数字几何处理研究发展过程中的研究热点，并在工业设计、艺术、文物复原与保护等领域得到了广泛的关注和应用。随着研究的深入，点云数据的多尺度分解等问题的研究具有深刻的理论意义和广泛的应用前景。但是目前点云数据的EMD方法仍处于空白状态。

针对点云数据的经验模态分解方法处于空白状态，本文提出了基于经验模态分解的点云数据的处理方法及其应用方法，以平均曲率作为点云数据的经验模态分解的输入信号，通过求解极值点和上下包络过程将点云数据的原始信号分解成不同尺度的信号。通过对得到的不同尺度的信号进行处理，在滤波器设计、细节迁移、显著特征点提取方面有很好的应用和效果。

发明内容

本发明要解决的技术问题是：将经验模态分解应用到点云数据中，提供了一种基于经验模态分解的点云数据的处理方法及其应用方法。本发明以平均曲率作为点云数据的经验模态分解的输入信号，通过求解极值点和上下包络过程将点云数据的原始信号分解成不同尺度的信号。通过对得到的不同尺度的信号进行处理，在滤波器设计、细节迁移、显著特征点提取方面有很好的应用和效果。

本发明采用的技术方案为：一种基于经验模态分解的点云数据的处理方法，包括以下步骤：

步骤(1)、构造点云拉普拉斯矩阵：以球形邻域和k近邻相结合作为邻域，计算维诺图面积权重，构造点云数据的拉普拉斯矩阵；

步骤(2)、点云数据的经验模态分解：以平均曲率作为点云数据的经验模态分解的输入信号，通过求解极值点和上下包络过程将点云数据的原始信号分解成不同尺度的信号。

本发明另外提供一种经过经验模态分解处理后的点云数据的应用方法，点云数据的经验模态分解的应用：根据步骤(2)中计算得到不同尺度的信号，在滤波器设计、细节迁移、显著特征点提取方面有很好的应用和效果。

本发明的原理在于：

(1)以每个点的球形邻域和k近邻相结合作为邻域，计算维诺图面积权重，构造点云数据的拉普拉斯矩阵，在构造过程中，参数较少，有利用控制邻域大小。

(2)该方法的关键是经验模式分解，它能使复杂信号分解为有限本征模函数IMF，所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。本发明以平均曲率作为点云数据的经验模态分解的输入信号，通过经验模态分解可以将输入信号分解为不同尺度的信号。

本发明与现有技术相比的优点在于：

1、本发明构建的点云的拉普拉斯矩阵具有参数少，容易控制邻域大小的有点，为点云数据的经验模态分解奠定了坚实的基础。

2、本发明提出的基于点云数据的经验模态分解及其应用的方法，以平均曲率作为数据信号，能使复杂信号分解为有限不同尺度的局部特征信号。