[发明专利]复杂型面点云法向特征聚类分级估计方法

权利要求书

1.一种复杂型面点云法向特征聚类分级估计方法，其特征在于依次包含以下步骤：(1)基于复杂型面点云局部平坦性将复杂型面点云分为平坦区域和特征区域；(2)对特征区域进行聚类分析，基于贝叶斯信息准则将特征区域分为特征边缘、棱边区域和尖角区域；(3)估计平坦区域样点的法向，向邻近特征区域样点分级传播，实现特征样点法向估计。

2.如权利要求1所述的复杂型面点云法向特征聚类分级估计方法，其特征在于：步骤(1)中，基于复杂型面点云局部平坦性将复杂型面点云分为平坦区域和特征区域，具体步骤为：1)设S为复杂型面点云，p_i∈S，λ(p_i)为S中以p_i为中心的k个样点组成的局部样本，i←1；2)构造λ(p_i)的拟合平面γ(p_i)；3)计算λ(p_i)中所有样点到γ(p_i)的残差平方和χ(p_i)，将其作为λ(p_i)的形貌特征值；4)设阈值为ε，当χ(p_i)≤ε时，λ(p_i)形貌为平坦，将其存入S₁，否则存入S₂；5)i←i+1；6)重复步骤2)到步骤5)，直到i＝n，其中n为S的样点个数。

3.如权利要求1所述的复杂型面点云法向特征聚类分级估计方法，其特征在于：步骤(2)中，对特征区域进行聚类分析，基于贝叶斯信息准则将特征区域分为特征边缘、棱边区域和尖角区域，具体步骤为：1)设p_j∈S₂，j←1；2)剔除λ(p_j)中形貌特征值大于ε的样点，获得点集λ′(p_j)；3)若λ′(p_j)为空集，则执行步骤8)，否则执行步骤4)；4)对λ′(p_j)进行k＝m(m＝1,2,3)的k均值聚类；5)基于贝叶斯信息准则计算任一聚类结果C_l＝{C_l1,C_l2,…,C_lm}(l＝1,2,3)的聚类优性，其计算公式为B(C_l)＝2logL(m_l|C_l)-dlog|λ′(p_j)|，其中d为样点数据维度(d＝3)，|λ′(p_j)|为λ′(p_j)包含样点的个数，L(m_l|C_l)为似然函数，其公式为其中l²(p_hf,c_hf)表示p_hf到C_hf的核心点c_hf的欧氏距离，表示C_hf的方差；6)选择聚类优性值最大的聚类结果作为最优聚类结果，记为其所含分类数量记为7)当时，p_j处于特征边缘，当时，p_j处于棱边区域，当时，p_j处于尖角区域；8)j←j+1；9)重复步骤2)到步骤8)，直到j＝n₁，其中n₁为S₂的样点个数。

4.如权利要求1所述的复杂型面点云法向特征聚类分级估计方法，其特征在于：步骤(3)中，估计平坦区域样点的法向，向邻近特征区域样点分级传播，实现特征样点法向估计，具体步骤为：1)估计S₁中的样点法向，并将S₂中的特征边缘样点、棱边区域样点和尖角区域样点分别赋以级别编号1,2,3；2)h←1；3)从S₂中任取级别为h的样点p，将其分配至λ′(p)的最优聚类结果中距离最近的分类；4)设分配结果为m′个分类构成的集合基于中的每个分类估计p点法向，获得法向集{a₁,a₂,…,a_m′}；5)从S₂中剔除点p；6)重复步骤3)到步骤5)，直至S₂中不存在级别为h的样点；7)h←h+1；8)重复步骤2)到步骤7)，直至S₂为空集，完成全部样点的法向估计。