[发明专利]实物表面采样数据边界样点识别方法

摘要

本发明提供一种实物表面采样数据边界样点识别方法，属于产品逆向工程技术领域。基于核密度估计方法计算获取目标样点邻域数据的模式点，根据目标样点与其对应模式点的偏离程度建立边界样点识别准则。构建实物表面采样数据的K‑D树空间索引，并基于该索引快速获取目标样点的k近邻数据，将其作为目标样点处的初始曲面局部样本，基于K均值聚类算法使曲面局部样本在一定程度上向目标样点邻近的采样数据稀疏区域扩展，实现对曲面局部样本的扩展优化。利用扩展优化后的曲面局部样本，根据边界样点识别准则对目标样点进行边界样点的判定。本方法可快速、准确识别任意复杂实物表面采样数据的边界样点，并且对于非均匀分布的采样数据具有良好的适应性。

主权项

1.一种实物表面采样数据边界样点识别方法，其特征在于，步骤依次为：(1)基于核密度估计方法计算获取待边界特征识别的目标样点邻域数据的模式点，根据目标样点与其对应模式点的偏离程度建立边界样点识别准则，具体为：设λ(p)为p在实物表面上相应位置的良好曲面局部样本，则基于核密度估计方法的模式点计算公式为：其中，n为λ(p)中样点的数量，qi∈λ(p)，h为带宽，G(x)为核函数，目标样点p与模式点M(λ(p))的偏离程度可基于λ(p)的标准差予以量化，若p满足：d(p,M(λ(p)))＞εs便可判定p为边界样点，其中，d(·)为样点间的欧氏距离；ε为敏感因子，用于调整边界样点识别的灵敏度，p被判定为边界样点的概率与ε值成反比；s为λ(p)的标准差，即将偏离程度大的目标样点判定为边界样点；(2)设实物表面采样数据集合为S，利用KD树对S构建样点数据动态空间索引；(3)基于KD树索引采用动态空心球扩展算法查询获取目标样点p的k近邻数据，并将其作为实物表面上目标样点所在位置的初始曲面局部样本；(4)基于K均值聚类算法使曲面局部样本在一定程度上向目标样点邻近的采样数据稀疏区域扩展，实现对曲面局部样本的扩展优化，其步骤具体是：1)i＝0，令λ_i(p)为目标样点p的k近邻点集；2)基于K均值聚类算法确定λ_i(p)的概率密度极大值点Q(λ_i(p))，具体步骤为：①对依次查询其k近邻点集{x₁,x₂,...,x_k}，η_e处的概率密度估计值的计算公式为：其中，h为带宽取值为ηe到其k近邻点集{x1,x2,...,xk}中各点距离的最大值，G(x)为高斯核函数；②令K＝2，对λi(p)中各点按其概率密度大小进行K均值聚类，从分类结果中选取聚类中心对应概率密度最大的一簇C(max)；③取C(max)中的样点定义λi(p)的概率密度极大值点，计算公式为：其中ω＝|C(max)|为C(max)中的样点数目；3)计算Q(λi(p))关于目标样点p的对称点Q′(λi(p))；4)在实物表面采样数据中查询Q′(λi(p))的k近邻点集λi′(p)；5)从λi′(p)中选择可减少λi(p)的邻域信息缺失的子集T；6)若T＝Φ，跳转至步骤9)；7)λi+1(p)＝λi(p)∪T，i＝i+1；8)重复步骤2)至7)；9)λ(p)＝λi(p)，扩展过程终止，此时λ(p)即近似为目标样点p处的拓扑邻域；上述过程的步骤5)中，从λi′(p)中选择可减少λi(p)的邻域信息缺失的子集T，具体方法为：①对λi′(p)中的样点据其至p的距离进行升序排列使之成为有序集{q1,q2,...,qk}；②j＝1，T＝Φ，d(x,y)为点x到点y的欧氏距离；③T＝T∪{qj}；④根据计算λi(p)的模式点M(λi(p))，同理可据此方法计算λi(p)∪T的模式点M(λi(p)∪T)；⑤若d(p,M(λi(p)∪T))＞d(p,M(λi(p)))，则从T中删除qj，跳转至步骤⑧；⑥j＝j+1；⑦重复步骤③至⑥；⑧返回T；(5)对扩展优化后的曲面局部样本，基于核密度估计方法进行概率密度估计，获取能反映样点分布特征的模式点,并利用边界样点识别准则对目标样点进行边界特征判定；(6)对S中的所有样点进行上述的边界特征判定，即可完成实物表面采样数据的边界样点识别。