[发明专利]一种应用自适应密度估计子的点云泊松表面重建方法

说明书

本发明公开了一种应用自适应密度估计子的点云泊松表面重建方法，包括如下步骤：步骤一，通过估计核函数的带宽来估计导频密度；步骤二，由导频密度估计结果，得到对应于不同样本的自适应带宽，然后由自适应带宽核函数来计算点的密度；步骤三，由点的密度确定分辨率，将法线扩散到相应的分辨率，以获得平滑的矢量场；应用此生成的矢量场代入泊松系统以求解指标函数。本发明使得生成的向量场更加平滑且更符合数据，对于噪声和离群值多，且密度变化大的点云的重建有良好的鲁棒性。

技术领域

本发明涉及计算机视觉领域，主要是涉及三维重建领域，具体来说，本发明提供了一种应用自适应密度估计子的点云泊松表面重建方法。

背景技术

目前，表面重建解决的问题是恢复由扫描仪器获得的物理形状的数字表示，该数字表示通常表示为易于渲染的多边形网格。广泛应用的技术是将表面视为指标函数的等值面，然后应用行进立方体方法提取等值面。

在现有的表面重建算法中，遮挡泊松表面重建在从有向点中获取三角形网格方面具有良好的性能。为了更好地处理非均匀点云，遮挡泊松曲面重建应用B样条函数并固定支持核密度估计，以构造向量场来求解遮挡泊松方程。

采样密度是对表面采样的点的分布，可以定义为点的邻域。在非均匀采样中，邻域的规模将适当变化以描述局部特征。一种简单的估算采样密度的方法是在给定点，或由该点的KNN确定的变化的球面邻域中应用k最近邻(KNN)。在移动最小二乘(MLS)近似中应用了更复杂的采样密度估计方法。

随机分布在表面附近的点被认为是噪声。包括SPSR在内的隐式方法将表面表示为体积函数的零级集，可以很好地处理噪声。Calakli和Taubin应用符号距离函数表示表面，该表面适合具有最小二乘方的法线，并包括筛选和正则化项。Fuhrmann和Goesele将紧凑支持的基函数用于多尺度样本，并将其组合以估计近似的多尺度有符号距离函数。Ummenhofer和Brox将重建框架视为全局优化，并应用截短的符号距离函数作为基础表示。Aroudj提取近似的表面外壳，然后迭代地精炼外壳以产生最终的表面网格。Lu等人提出了一种针对非均匀，嘈杂和稀疏数据的具有出色性能的表面重建方法，该方法可根据基于高斯引理的显式积分公式直接估算隐函数。

离群点是远离真实表面的点，不应用于推断表面。Lipman等人应用局部最佳投影算子显式检测离群值。Mullen等人通过应用无符号距离函数，然后对该函数进行全局随机签名，获得了对异常值的鲁棒性。Xiong等人将曲面重建作为字典学习的问题，提供了一种具有良好异常弹性的鲁棒算法。

遮挡泊松表面重建(SPSR)通过将其梯度拟合到矢量场并将其零电平集近似为输入采样点来恢复平滑的指标函数。可以将梯度拟合过程视为求解泊松方程，并加上逼近零级集的约束，从而形成一个经过筛选的泊松方程。通过将输入采样点的法线扩散到分辨率不同的周围空间中，可以评估在重建过程中起关键作用的矢量场。SPSR通过应用B样条核密度估计器来估计分辨率，该样条仅考虑固定范围内样本周围的局部信息，从而使重建对强噪声和离群值不具有鲁棒性。

发明内容

本发明为解决公知技术中存在的技术问题而提供一种应用自适应密度估计子的点云泊松表面重建方法。

本发明为解决公知技术中存在的技术问题所采取的技术方案是：

一种应用自适应密度估计子的点云泊松表面重建方法，包括如下步骤：

步骤一，通过估计核函数的带宽来估计导频密度；

步骤二，由导频密度估计结果，得到对应于不同样本的自适应带宽，然后由自适应带宽核函数来计算点的密度；

步骤三，由点的密度确定分辨率，将法线扩散到相应的分辨率，以获得平滑的矢量场；应用此生成的矢量场代入泊松系统以求解指标函数。

进一步地，核函数采用高斯核函数。