[发明专利]一种用于点云简化的K近邻搜索方法

说明书

技术领域

本发明涉及模式识别和图像处理领域，尤其是对三维扫描获得点云数据进行简化的技术，具体地说是一种用于点云简化的K近邻搜索方法。

背景技术

三维扫描能够直接获得物体表面的采样点信息，即点云数据，利用点云数据可以重构任意表面。在点云数据处理中，点云网格化和点云简化等都需要K近邻信息。由于K近邻反映散乱点云的重要局部拓扑关系，并且在表面重构前就要做K近邻搜索，因此，K近邻搜索的效率和准确性直接关系到点云建模的效率和准确性。

K近邻分类法是最近邻分类法的改进，取未知样本x的K个近邻，看这K个近邻中多数属于哪一类，就把x归为哪一类。K近邻分类法的主要缺点是计算量大，所以模式识别中发明了很多方法来克服这个缺点，如近邻法的快速搜索法、剪辑近邻法和压缩近邻法等。这些方法有很多值得借鉴之处，但它们并不是针对点云数据提出的，在面对庞大的点云数据时，其运行效率较低。

通过三维扫描获得的点云数据量是极其庞大的，如果直接计算一个点到其它所有点的距离，再按照距离排序取前K个，在计算复杂度上显然是无法接受的。必须先对点云数据进行分块，按照邻近的原则设定一个点的近邻区域，在这个区域中计算距离并排序，得到其K近邻点。

发明内容

1.三维物体的八叉树表示

如图1所示，三维物体的八叉树表示是将研究的空间递归地划分成八个卦限，从而组成八分支树的形式。如果某个卦限内的物体属性相同或相近似就不再细分，否则就将该卦限再细分为八个卦限。通过循环递归的划分办法，使得每个体元都属于同一属性或者达到规定的分辨率为止。

采用八叉树表示三维物体的最大缺点是占用内存很大，为了解决这个问题，可用线性八叉树的方法。线性八叉树模型是在普通八叉树模型的基础上进一步压缩数据存储量，由于不记录中间节点的编码及层次关系，大大节省了存储空间，特别适合对海量点云数据的处理。

2.线性八叉树与Morton码

线性八叉树是用一个可变长度的一维数组来存储一棵八叉树，数组中仅存储八叉树的叶子结点，即描述一个物体的大大小小的体元。每个结点在八叉树中的位置可用八进制数表示为：

Q＝q_m-18^m-1+q_m-28^m-2+…+q₀8⁰        (1)

其中，q_i(i＝0，1，2，…，m-1)为八进制数码，q₀为该结点在其兄弟间的顺序编号，q₁为其父结点在同辈中的顺序编号，以此类推。

如图2所示，其中的物体可用线性八叉树表示为：

{01，10，11，12，13，14，15，16，17，35，51}

其中，{10，11，12，…，17}同属于一个父结点，可予合并，得{01，1×，35，51}。这里的“1×”表示原八叉树根第二个子结点相应体元，“×”可用一个大于7的整数预先存储。

任取空间一点P(x，y，z)，其x，y，z坐标分别表示为二进制数为：