[发明专利]基于概率论的二维点云外包轮廓处理方法、装置及介质

说明书

本发明涉及一种基于概率论的二维点云外包轮廓处理方法、装置及介质的技术方案，包括：S100，使用Bowyer‑Watson算法处理点云数据，生成Delaunay三角网；S200，计算Delaunay三角网所有边长并进行降序排列，通过概率论计算长度阈值；S300，采用迭代法循环删除可退化边，得到点云外包轮廓的多边形。本发明的有益效果为：使用概率论方法计算核心参数，不依赖于先验知识或人工干预，实际处理效果良好；计算结果具有良好的幂等性。

技术领域

本发明涉及计算机图形和空间地理信息领域，具体涉及了一种基于概率论的二维点云外包轮廓处理方法、装置及介质。

背景技术

应用于计算机图形处理、空间地理信息等值线生成。在计算机图形处理、空间数据分析过程中，经常需要通过离散的点集合，提取研究对象的外部轮廓，从而实现几何建模和有效范围界定。比如在测绘行业，为了获取复杂环境的地形图，一般通过人工或者无人机雷达的方式进行抽样测量，抽样位置点是一个个离散点，如果离散点云整体轮廓为弯曲的条带状，确定测量区边界存在一定的困难。传统方法都是采用Delaunay三角剖分等方法来处理，提取的外部轮廓存在偏差。

现有技术在二维点云外部轮廓提取和地理空间数据处理过程中，经常出现弯曲形、条带状的点云，其外部轮廓是凹多边形，直接使用Delaunay三角剖分处理方法得出的结果是凸多边形，不满足实际需求；目前主流凹多边形轮廓提取方法有滚边法、滚球法、盒的边界搜索法、行列法以及基于Delaunay三角网退化法等。目前凹多边形轮廓提取方法都涉及到一个核心的长度参数，比如滚边法的边长、滚球法的半径等，这个参数决定了生成的多边形的凸凹程度，在实际生产处理中，这些参数依赖于先验知识，需要人工判断和干预，缺乏科学明确的标准；其次，现有凹多边形提取方法不具备幂等性，计算结果有一定的随机性，对于相同的输入，同一个算法多次计算的结果可能不相同，不适用于某些强一致性领域。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种基于概率论的二维点云外包轮廓处理方法、装置及介质，不依赖于先验知识或人工干预，实际处理效果良好，计算结果具有良好的幂等性。

本发明的技术方案包括一种基于概率论的二维点云外包轮廓处理方法，其特征在于，该方法包括：S100，使用Bowyer-Watson算法处理点云数据，生成Delaunay三角网；S200，按长度计算Delaunay三角网所有边长，并进行降序排列，通过概率论计算长度阈值；S300，采用迭代法循环删除可退化边，得到点云外包轮廓的多边形。

根据所述的基于概率论的二维点云外包轮廓处理方法，其中S200包括：S210，计算Delaunay三角网中所有的边长，加入边长列表中；S220，按长度大小，对边长列表中的元素进行降序排序；S230，取边长列表第N个元素值，作为长度阈值，其中应该是N为不大于n的最大正整数，n＝0.05m，m为边长列表的元素数量。

根据所述的基于概率论的二维点云外包轮廓处理方法，其中S300包括：S310，遍历Delaunay三角网，建立三角形、边、点的拓扑关系；S320，统计边的共享关系，将不共享边加入不共享边列表，不共享边的顶点加入不共享边顶点列表；S330，遍历不共享边列表，如果边的对应顶点不在不共享边顶点中，则该边属于可退化边，将可退化边加入可退化边列表；S340，如果可退化边列表为空，则执行S360；如果可退化边列表不为空，获取其中最长边；S350，如果最长边的长度小于所述长度阈值，执行S360；否则，从不共享边中移除最长边，将最长边所属三角形的另外2条边加入不共享边列表，将最长边的对应顶点加入不共享边顶点列表，清空可退化边列表，返回S330；S360，将不共享边列表作为外部轮廓边进行连接，得到凹包多边形。

根据所述的基于概率论的二维点云外包轮廓处理方法，其中该方法还包括初始化Delaunay三角网。