[发明专利]基于Gaussian球的三维点采样数据简化方法

摘要

一种基于Gaussian球的三维点采样数据简化方法，包括：1）将三维采样点数据上的L2,1形状度量定义为采样点法向量场Gaussian映射像之间的Euclidean距离，将Gaussian球进行正则三角化；2）以大规模离散面元作为输入数据，所述输入数据包括采样点的位置和法向信息，根据采样点的法向偏差确定每一个采样点的邻域；3）利用索引扩散技术和堆栈数据结构进行初始聚类；4）将非正则的聚类分开生成正则聚类，并将其法向量投影位于Gaussian三角形顶点处的孤立采样点吸入具有最小偏差法向量的相邻聚类中去。本发明简化计算、减少计算时间、降低近似误差。

主权项

一种基于Gaussian球的三维点采样数据简化方法，其特征在于：所述简化方法包括：1）将三维采样点数据上的L2,1形状度量定义为采样点法向量场Gaussian映射像之间的Euclidean距离，根据用户指定的细分层次，Gaussian球的正则三角化通过对单位球的内接正则多面体进行递归细分得到；2）以大规模离散面元作为输入数据，所述输入数据包括采样点的位置和法向信息，根据采样点的法向偏差确定每一个采样点的邻域；3）首先选取一个种子采样点，并赋以一个索引值，该索引被传递扩散到其法向量位于同一Gaussian三角形中的相邻采样点，在索引扩散过程中采用一个堆栈数据结构，堆栈元素记录了采样点的索引值和其邻域信息，开始时堆栈用一个无索引种子点初始化，随着索引扩散过程的进行，每一次都弹出栈顶元素作为当前元素进行处理，若此当前元素有一个直接相邻但未索引的邻域点而且其法向量位于同一Gaussian三角形中，则该邻域点的索引被标记为当前元素的索引值；同时，该邻域点被压入堆栈中并继续进行我们的索引扩散过程；如果堆栈元素为空，选取剩下的未索引采样点的作为种子点压入堆栈并继续进行索引扩散过程；直到所有采样点都被赋予相应的索引值，完成初始聚类；4）计算初始聚类的协方差矩阵，确定特征值和特征向量，并取两个较大特征值的特征向量v1和v2表示面元主轴，利用相应的两个较大特征值λ1≥λ2估计聚类的正则性程度如下：Normalization degree=λ1/λ2；如果一个聚类的正则性程度超过给定的阈值，则该聚类被一分为二，其分裂平面为过聚类中心点并垂直于聚类中的最大特征值的特征向量；接着，对其法向量投影位于Gaussian三角形顶点处的孤立采样点，搜索出其相邻的所有聚类，并计算孤立采样点的法向量和每一相邻聚类的法向量之间的偏差，将孤立采样点吸入具有最小偏差法向量的相邻聚类中去。