[发明专利]一种特征保持的点云数据精简方法

摘要

本发明涉及一种特征保持的点云数据精简方法，属于计算机三维建模技术领域。本发明提出的精简方法，首先按照采样率为对原始点云数据进行第一次精简；然后根据当前剩余数据点的所属类别以及该点的k阶邻域中被移除点的个数，调整剩余数据点的所属类别；再对剩余点云按照采样率为进行第二次精简。本方法对比传统方法，具有以下优点：①能够保留原始点云的细节特征；②避免繁琐的二次曲面拟合与曲率估算的时间代价；③能够有效的避免精简后的点云出现孔洞。

主权项

一种特征保持的点云数据精简方法，其特征在于：其具体操作步骤为：步骤一、对原始点云数据进行第一次精简，其操作过程包括步骤1.1至步骤1.7，具体为：步骤1.1：读取原始点云数据；步骤1.2：获取每个数据点的k阶邻域，并计算每个数据点的单位法向量；步骤1.3：获取每个数据点的法向量与该数据点的k个邻近点法向量点积的均值V；对于不同区域的数据点，若表面较平坦，则数据点的法向量方向大致相同，而在弯曲程度较大区域，数据点的法方向差别很大；两个单位向量夹角的余弦值可以用这两个单位向量的点积表示；本发明中使用数据点法向量与该数据点的k个邻近点法向量点积的均值V作为判断该点是否保留的依据；点云中的任一数据点Pi的单位法向量用(xi,yi,zi)表示，数据点Pi的k个邻近点法向量分别用(X1,Y1,Z1)，(X2,Y2,Z2)，……，(Xk,Yk,Zk)表示；每个数据点Pi的法向量与该数据点的k个邻近点法向量点积的均值V通过公式（3）得到： V = ( Σ j = 1 k | x i · X j + y i · Y j + z i · Z j | ) / k - - - ( 3 ) 其中，k的值由人为确定，k的取值为正整数，k取6～10中的任意一个值；公式（3）计算出的V值在0和1之间，V值越小表示该区域法向量方向变化大，该区域弯曲程度大，因此该区域被精简的数据点数量要少；步骤1.4：获取每个数据点所在局部区域的弯曲度V′；每个数据点的所在局部区域的弯曲度V′越小表示该点所在局部区域越平坦，V′越大表示该点所在局部区域弯曲程度越大；每个数据点的所在局部区域的弯曲度V′通过公式（4）得到；V'＝1‑V         （4）步骤1.5：对点云中的所有数据点进行分类；根据每个数据点所在局部区域的弯曲度V′将点云中的所有数据点分为F个类别，F为人为设定值，F取正整数；用符号E(V′)表示所有的数据点所在局部区域的弯曲度V′的均值，然后将[0,1]分成F个区间，F个区间分别用[0,f1)、[f1,f2)、……、[fF‑1，1]，fs∈(0,1)，1≤s≤F‑1；数据点所在局部区域的弯曲度V′在[0,f1)范围内的数据点分在第1类别；数据点所在局部区域的弯曲度V′在[f1,f2) 范围内的数据点分在第2类别；……；以此类推，数据点所在局部区域的弯曲度V′在[fF‑1，1]范围内的数据点分在第F类别；步骤1.6：确定第一次精简时每个类别的采样比，具体为：第1.6.1步：对第F类别采用公式（5）计算该类别的采样比； REM F × [ Σ s = 1 F - 1 ( C s × ( 2 × s - 1 ) / ( 2 × F - 1 ) ) + C F ] = COUNT all × 1 - SIM all - - - ( 5 ) 其中，REMF为第F类别的采样比；Cs为第s类别数据点的数量，1≤s≤F‑1；CF为第F类别的数据点数量；COUNTall为原始点云的总点数；SIMall为人为指定的点云数据的总精简率，SIMall∈(0,1)；第1.6.2步：对第1至第(F‑1)类别采用公式（6）计算该类别的采样比；REMs=REMF×((2×s‑1)/(2×F‑1))      （6）其中，REMs为第s类别的采样比；1≤s≤F‑1；此时得到的F个类别的采样率满足REM1≤REM2≤……≤REMF；第1.6.3步：依次判断REMt是否不大于1，REMt为第t类别的采样比；1≤t≤F，如果REMt均不大于1，则完成对每个类别的采样比的计算工作；否则，用REMF、REMF‑1，……，REMu表示采样比大于1的类别，1 ADD = Σ v = u F C v × ( REM v - 1 ) - - - ( 7 ) 其中，ADD表示第一次精简时期望采样点数与按当前采样率精简后的实际采样点数之差，Cv为第v类别数据点的数量；REMv为第v类别的采样比；第1.6.5步：通过公式（8）将ADD个点分配到采样率小于1的第1到第(u‑1)个类别中； add u ′ = ADD × [ ( C u ′ × REM u ′ / REM F ) / Σ w = 1 u = 1 ( C w × REM w / REM F ) ] - - - ( 8 ) 其中，addu′表示第u′类新分配到的点数，1≤u′ REM t = 1 ( REM t > 1 ) REM t + add t / C t ( REM t ≤ 1 ) - - - ( 9 ) 其中，addt表示第t类新分配到的点数；Ct为第t类别数据点的数量；经过上述步骤的操作，即可确定第一次精简时F个类别的采样比；步骤1.7：对点云数据进行第一次精简；根据步骤1.6得到的F个类别的采样比REMt，对每个类别的点集进行第一次精简；步骤二、根据当前剩余数据点的所属类别以及该点的k阶邻域中被移除点的个数a，使用公式（10）依次调整剩余数据点的所属类别； T new = F ( T old + a - 1 > F ) T old + a - 1 ( T old + a - 1 ≤ F ) - - - ( 10 ) 其中，Told表示调整前某一数据点所属类别，Tnew表示调整后该数据点所属类别；步骤三、进行第二次精简，具体步骤为：第3.1步：重新确定每个类别的采样比，具体为：第3.1.1步：对第F类别采用公式（11）计算第F类的采样比； REM F × [ Σ s = 1 F - 1 ( C s ′ × ( 2 × s - 1 ) / ( 2 × F - 1 ) ) + C F ′ ] = COUNT all ′ × 1 - SIM all - - - ( 11 ) 其中，C′s为经过步骤二的操作后第s类别数据点的数量，1≤s≤F‑1；C′F为经过步骤二的操作后第F类别的数据点数量；COUNT′all为经过第一次精简后的剩余点云总点数；第3.1.2步：对第1至第(F‑1)类别采用公式（12）计算该类别的采样比；REMs=REMF×((2×s‑1)/(2×F‑1))             （12）第3.1.3步：依次判断REMt是否不大于1，1≤t≤F，如果REMt均不大于1，则完成对每个类别的采样比的计算工作；否则，用REMF、REMF‑1，……，REMu表示采样比大于1的类别，1 ADD ′ = Σ v = u F C v ′ × ( REM v - 1 ) - - - ( 13 ) 其中，ADD′表示第二次精简时期望采样点数与按当前采样率精简后的实际采样点数之差；C′v为经过步骤二的操作后第v类别数据点的数量；第3.1.5步：通过公式（14）将ADD′个点分配到采样率小于1的第1到第(u‑1)个类别中； add u ′ = ADD ′ × [ ( C u ′ ′ × REM u ′ / REM F ) / Σ w = 1 u - 1 ( C w ′ × REM w / REM F ) ] - - - ( 14 ) 其中，addu′表示第u′类新分配到的点数，1≤u′ REM t = 1 ( REM t > 1 ) REM t + add t / C t ′ ( REM t ≤ 1 ) - - - ( 15 ) 其中，C′t为经过步骤二的操作后第t类别数据点的数量；经过上述步骤的操作，即可确定第二次精简时F个类别的采样比；第3.2步：对点云数据进行第二次精简；根据第3.1步得到的F个类别的采样比REMt，对剩余点云中每个类别的点集进行第二次精简；经过两次精简后，剩余点数占原始点云的比例为(1‑SIMall)，这样可以有效的避免精简后的点云出现孔洞。