[发明专利]一种基于最大内切球机制的L1中值骨架提取方法

说明书

本发明提供一种基于最大内切球机制的中值骨架提取方法，涉及图像处理领域，包括：获取三维物体的三维点云数据集；根据所述三维点云数据集，获取三维数据的最大内切球和球心，所述球心作为模型骨架点；对所述三维点云数据进行随机采样，对初始抽样点进行多次迭代，将排列整齐的抽样点固定为骨架分支；将所述骨架分支的头尾两端作为桥接点，通过与不断收缩的抽样点连接，生成新的骨架；扩大局部邻域范围，直到抽样点趋于稳定，生成全局的骨架。本发明提供的基于最大内切球机制的L₁中值骨架提取算法，对每个抽样点设置最大内切球拟合的邻域半径并动态扩大半径，减少了算法迭代收敛次数，提高算法效率，对提取的骨架分支连接优化增强骨架提取结果。

技术领域

本发明涉及图像处理领域，具体涉及一种基于最大内切球机制的L1中值骨架提取方法。

背景技术

L₁中值提取骨架的主要原理是通过L₁中值理论对点云数据的映射求解，获取采样点的k近邻点，引入高斯权重函数解决点云分布密度不均，多次迭代使得局部L₁中值足够小且稳定，使采样点收缩到邻域范围的局部中心，得到骨架点。

在现有技术中，L₁中值骨架提取算法对扁平曲率较低、大小分布均匀的模型骨架提取较为适用，而对模型大小分布不均曲率较大的模型算法提取结果不理想。L₁中值骨架提取算法在初始化设置时，全局抽样点领域半径相同，抽样点易受到非此区域点云的影响导致骨架点收敛不准确，对区域较小部分过度收敛拓扑结构不完整，而在区域较大部分抽样点迭代次数过多效率低增加算法的计算量。

发明内容

为克服现有技术中的问题，本发明提供一种基于最大内切球机制的L1中值骨架提取方法，包括：

步骤S1、获取三维物体的三维点云数据集；

步骤S2、根据所述三维点云数据集，获取三维数据的最大内切球和球心，所述球心作为模型骨架点；

步骤S3、对所述三维点云数据进行随机采样，对初始抽样点进行多次迭代，将排列整齐的抽样点固定为骨架分支；

步骤S4、将所述骨架分支的头尾两端作为桥接点，通过与不断收缩的抽样点连接，生成新的骨架；

步骤S5、扩大局部邻域范围，直到抽样点趋于稳定，生成全局的骨架。

在本实施例中，在步骤S2中，还包括：

步骤S21、所述三维点云数据中，所述最大内切球的提取可从所述数据模型内部一初始点出发，计算所述初始点与所述数据模型表面最近点的向量，并将所述初始点沿向量负方向延伸调整所述初始点位置；

步骤S22、将点位置从距离场低的地方往距离场高的地方移动，经过算法多次迭代调整，寻找三维数据的最大内切球和球心；

步骤S23、通过数据集内部点的欧氏距离限制球半径。

在本实施例中，所述步骤S2中，在非定向的点云数据集Q＝{q_j}中，用X＝{x_i}表示L₁中值法获取的骨架点；所述X满足通过对采样数据进行规整化，得到每个抽样点集I中点x_i的新坐标为：

所述所述{γ_i},i∈I是平衡参数，用于稳定采样数据集中各抽样点间的斥力关系；所述J为点云原始数据集，所述所述μ为一固定参数值可控制抽样点间的斥力，由实验分析取得参数值为μ＝0.35。

在本实施例中，步骤S3中包括：

逐渐扩大邻域半径，在骨架分支的头尾分配新的抽样点，直到该领域内的抽样点全部迭代收缩形成新的骨架点并连接到骨架分支中。

在本实施例中，在步骤S4中，包括：