[发明专利]一种点云重采样方法、系统、存储介质及设备

说明书

本发明提供了一种点云重采样方法、系统、存储介质及设备，本发明采用最优差异度数列进行降采样，并根据曲率划分点云关键与非关键区域，进行针对性处理，再对稀疏区域进行假点添加的重采样，能够有效降低采样信息损失，提升采样精度，具有较高的普适性。

技术领域

本发明属于三维点云、统计抽样技术领域，具体涉及一种点云重采样方法、系统、存储介质及设备，特别涉及一种采用最佳差异度数列的点云重采样方法、系统、存储介质及设备。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着计算机技术的发展，研究者对于三维甚至更高维的数据都有了非常成熟的处理方法，其中点云(point cloud)是一种用来描述高维信息的数据表达方式，通常可以包括点的坐标、颜色、法线等多维重要信息。研究者一般处理的都是含有坐标值的三维点云，可以通过每个点的三维坐标形成整个几何体的结构，从而代替真实世界物体进行数字化处理。

但是，目前依靠仪器获得的点云数据量十分庞大，且含有较多噪声点和离群点，特别是在工业建筑领域。因此，直接处理仪器获得的原始点云会使得算法运行效率低下，不利于实际推广应用，研究者一般通过预处理方式对原始数据进行简化提升，采样就是其中的一种有效方式。

采样(sampling)即统计学中的抽样技术，是一种用样本(sample)代替总体(population)进行分析的数据处理方法。在点云领域，采样技术主要包括降采样(downsampling，又称下采样-subsampling)、重采样(resampling)等。降采样(downsampling)是指采样后的样本数据量小于原始数据量，且样本的数据都来源于原始数据，是原始数据的子集(subset)。重采样(resampling)是一种对三维点云(point cloud)进行重新构建的采样技术，其基本思想是在原始三维点云数据的基础上，对点云的数据点位置进行变动，采样样本包含的数据点有可能不是原始数据。利用采样技术对点云进行预处理，主要是因为仪器获得的点云数据噪声较多、且数据量庞大冗杂，如果直接输入后续流程，会造成较高的计算时间成本以及较低的准确性。

因此对于原始数据的采样目的在于能够得到更加有利于描述点云对应几何体的数据——精简点云以及过滤噪声等无关点，同时方便后续工业界对于点云数据的处理和应用，提高运行效率(operation efficiency)和准确度(accuracy)。

为了得到更加可靠高效的点云数据，很多研究者都做了尝试和深入研究，但据发明人了解，这些研究虽然在一定程度上提升了采样的高效性，但在一定程度上，会损失较多数据信息，使得采样结果精度不够稳定，或者不能得到很具代表性和精度较高的采样样本，泛化能力较差，具有较大的应用限制。

发明内容

本发明为了解决上述问题，提出了一种点云重采样方法、系统、存储介质及设备，本发明采用最优差异度数列(best discrepancy sequence)进行降采样，并根据曲率划分点云关键与非关键区域，进行针对性处理，再对稀疏区域进行假点添加的重采样，能够有效降低采样信息损失，提升采样精度，具有较高的普适性。

根据一些实施例，本发明采用如下技术方案：

一种点云重采样方法，包括以下步骤：

读取原始数据，进行最优差异度数列降采样，得到第一采样结果，计算第一采样结果的曲率；

根据曲率信息进行圆柱类点云与非圆柱类点云的划分；

如果是圆柱类点云，则检测稀疏点，根据点密度进行判断，得到上采样后的稀疏点云文件，对其添加假点，得到最终的采样结果文件；

如果是非圆柱类点云，根据曲率信息划分边界点和平面点，并将两部分点进行分别保存，得到平面点云文件和边界点云文件；

对边界点云文件进行上采样得到第二采样结果；