CN107492072A - 基于样点邻域同构曲面的散乱点云法向估计方法 - Google Patents
基于样点邻域同构曲面的散乱点云法向估计方法 Download PDFInfo
- Publication number
- CN107492072A CN107492072A CN201710540372.7A CN201710540372A CN107492072A CN 107492072 A CN107492072 A CN 107492072A CN 201710540372 A CN201710540372 A CN 201710540372A CN 107492072 A CN107492072 A CN 107492072A
- Authority
- CN
- China
- Prior art keywords
- sampling point
- neighborhood
- point
- normal direction
- sampling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000006185 dispersion Substances 0.000 title claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 230000002401 inhibitory effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010068052 Mosaicism Diseases 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 210000003765 sex chromosome Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Generation (AREA)
Abstract
本发明提供一种基于样点邻域同构曲面的散乱点云法向估计方法,属于产品数字化设计与制造领域。通过对样点邻域点集进行重建,获得拓扑同构于原表面的局部网格曲面,提取网格曲面中样点邻域面,并基于邻域面法向对样点法向进行初步估计。为实现点云法向的平滑过渡,采用高斯核函数确定样点不同邻域点权重系数,通过加权计算对样点法向进行修正。该方法具有较高的计算效率,在尖锐特征区域具有可靠的估计效果,并且对噪声具有一定的抑制作用。
Description
技术领域
本发明提供一种基于样点邻域同构曲面的散乱点云法向估计方法,属于产品数字化设计与制造领域。
背景技术
点云数据具有简洁、灵活,并且无需保持拓扑一致等特性,在工业制造、文物保护及医学等领域得到广泛的应用。法向作为点云的重要属性之一,其计算结果的准确性将直接影响点云数据后期处理效果。
目前法向估计主要可分为基于局部样本的方法和依据点云全局信息的方法两类。Hoppe等在《Surface reconstruction fromunorganized points》(ACM,1992)中采用局部表面拟合的方法,在假定采样表面平滑的前提下,利用样点局部k邻域点集进行平面拟合,以所得平面的法向作为样点法向。拟合的方法原理简单,但计算精确度较低,当采样不均匀或模型结构复杂时,其法向估计结果往往误差较大。Gouraud等《Continuousshading ofcurved surfaces》(IEEE transactions oncomputers,1971,100(6):623- 629.)中为样点构建邻域三角面片,将样点的法向定义为所构建三角面片单位法向的加权和。邻域网格能够较好反应点云局部属性,可实现样点法向的精确估计,然而计算结果的准确性依赖于三角形构建质量,并且现有算法主要局限于样点一阶邻域面,对噪声的鲁棒性较差。
Amenta等《A simple algorithm for homeomorphicsurface reconstruction》(Proceedings of the sixteenth annual symposium on Computationalgeometry.ACM,2000:213- 222.)中基于点云Delaunay网格剖分及对偶Voronoi图建立数据间拓扑关系,计算任一样点在其Voronoi单元中的极点,将极点与样点的连线作为其法向。该方法参考点云全局信息,对尖锐特征区域数据具有较好的估计效果,但易受噪声干扰,并且基于全局Delaunay网格剖分时空复杂度较高,难以适用于大规模点云数据的处理。
发明内容
本发明的目的是针对目前法向估计方法难以兼顾估算的精度与稳健性问题,提出一种基于样点邻域同构曲面的散乱点云法向估计方法,本发明的目的是通过以下技术方案实现的:
一种基于样点邻域同构曲面的散乱点云法向估计方法,其特征在于对S中任一样点pi,其法向估计步骤依次为:(1)求取pi的邻域点集并进行局部重建,获得局部重建网格 (2)依据中面片法向初步估计邻域样点法向。(3)采用Dijkstra算法计算目标样点 pi至邻域点集中任一样点的近似测地距离,并利用公式求解pi法向。式中,m为p的邻域点集数量;di表示在局部网格所构成图结构中,邻域样点qi至目标样点p的最短路径长度,可近似表示该两点间的测地距离;h为目标样点p至所有邻域样点中最短路径长度的最大值;G(x)为核函数。(4)当对S中所有样点遍历结束后,对法向进行一致化处理。
所述的基于样点邻域同构曲面的散乱点云法向估计方法,其特征在于步骤(1)中,为获得插值于采样点集的高质量Delaunay三角网格曲面,本文依据局部平坦程度,采用二维Delaunay网格剖分与三维Delaunay网格过滤相结合的策略重建局部样本。对于采样点集S中目标样点p,将p的k邻域点集作为局部重建样本λ(p),通过适度扩大邻域搜索范围对该样本进行辅助点添加。设k(η)为获取λ(p)时所需的邻域点集数量,为辅助点添加过程中邻域点集数量,局部重建算法的具体流程如下:(1)搜索p的k(η)邻域,获得局部重建样本λ(p)。(2)搜索p的邻域点集,获得在中,若且则将pi标记为辅助点。(3)对中样点进行共面检测,若共面,则对进行二维Delaunay网格剖分,输出剖分的局部重建网格,程序结束。(4)对进行三维Delaunay网格剖分,获得四面体集合并求出对应的Voronoi图(5) 对中任一面片T2进行夹角检测,若检测未通过,则将T2从中删除,否则保留。(6)对进行流形提取,输出局部重建网格,程序结束。
在上述步骤(5)中,对T2进行夹角检测的具体流程如下:(1)提取面片T1的顶点{p1,p2,p3}。(2)检测每个顶点的标记。若三个顶点中存在辅助点,则该面片未通过检测,程序结束。(3)获取面片T1对偶Voronoi边的端点V1、V2。(4)对于顶点p1,计算Voronoi 单元中与其距离最远的Voronoi顶点,并将由p1指向该顶点的向量记为(5)计算pγ1和pγ2与的夹角θ1和θ2,其中对于给定阈值θρ,若θ1与θ2均小于θρ,或θ1与θ2均大于π-θρ,则该面片未通过检测。对p2和p3进行相同操作。
本发明与现有技术相比,具有以下优点:
(1)该方法仅依赖少量局部样本的Delaunay网格剖分结果,避免了全局Delaunay网格剖分带来的高复杂度问题,可实现样点法向的快速准确估计。
(2)局部重建所得网格曲面插值于采样点集,并且当采样密度符合要求时,与原表面拓扑同构,使得样点在尖锐特征和采样不均区域都具有较好的法向估计结果。
(3)通过对k(η)、和θρ合理取值,并基于高斯核函数对目标样点法向进行修正可实现法向的平滑过渡,有效提高了处理含有噪声点云数据时的稳定性。
附图说明
图1是本发明基于样点邻域同构曲面的散乱点云法向估计方法的程序实现流程图;
图2是曲面局部重建示意图;
图3样点p与样点qi的近似测地距离示意图;
图4是刀模型点云数据;
图5是刀模型点云数据法向估计结果;
图6风扇盘点云数据;
图7风扇盘点云数据基于本文方法所得法向的特征识别结果。
具体实施方式
下面结合附图及实施例对本发明作进一步说明。图1是本发明基于样点邻域同构曲面的散乱点云法向估计方法的程序实现流程图,通过对样点邻域点集进行重建,获得拓扑同构于原表面的局部网格曲面,提取网格曲面中样点邻域面,并基于邻域面法向对样点法向进行初步估计。为实现点云法向的平滑过渡,采用高斯核函数确定样点不同邻域点权重系数,通过加权计算对样点法向进行修正。
为获得插值于采样点集的高质量Delaunay三角网格曲面,本文依据局部平坦程度,采用二维Delaunay网格剖分与三维Delaunay网格过滤相结合的策略重建局部样本。对于采样点集S中目标样点p,将p的k邻域点集作为局部重建样本λ(p),通过适度扩大邻域搜索范围对该样本进行辅助点添加。设k(η)为获取λ(p)时所需的邻域点集数量,为辅助点添加过程中邻域点集数量,局部重建效果如图2所示。
获得局部重建网格后,先对邻域样点法向进行初步估计。由于重建所得网格由Delaunay三角形构成,形状质量最优,因此将样点一阶邻域面法向的矢量和作为该点法向的初步估计结果,并将目标样点p的法向定义为其邻域样点法向的加权和。目标样点p的法向可表示为:式中,m为p的邻域点集数量;di表示在局部网格所构成图结构中,邻域样点qi至目标样点p的最短路径长度,可近似表示该两点间的测地距离,如图3所示;h为目标样点p至所有邻域样点中最短路径长度的最大值;G(x)为核函数。
本文算法所需主要参数有w、k(η)和m,其中w为局部样本共面性检测过程中的浮点舍入误差,可根据具体使用的数据类型及算法运行环境确定。参数k(η)、和 m可根据点云密度及噪声情况来选取。当采样密度分布均匀且不含噪声时,建议k(η)、取值为25、40,m取值为15。当采样分布不均或含有噪声时,可适当增大取值范围,建议k(η)、取值为40、55,m取值为35。
实施例一:图4所示刀模型点云数据含有尖锐特征区域,本文方法的法向估计结果如图5所示。由于本文方法基于局部网格构建,并且所得网格均有Delaunay三角形构成,能够较好反映局部属性,因此具有较好的法向估计效果。
实施例二:图6所示风扇盘模型样点分布不均匀,并且在棱边处含有噪声。为验证本文方法该模型的法向估计效果,以所得法向信息作为输入,利用文献《Detection ofclosed sharp edges in point clouds using normal estimation and graph theory》(Computer-Aided Design,2007,39(4):276-283.)中算法识别该模型中特征样点,依据识别效果判断法向估计结果的准确性,识别结果如图7所示。从图7中可以看出,基于本文方法所得法向信息,能够较为准确的识别出该模型中特征样点,由此可知本文方法对噪声具有一定的抑制作用。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (2)
1.一种基于样点邻域同构曲面的散乱点云法向估计方法,其特征在于对S中任一样点pi,其法向估计步骤依次为:(1)求取pi的邻域点集并进行局部重建,获得局部重建网格(2)依据中面片法向初步估计邻域样点法向;(3)采用Dijkstra算法计算目标样点pi至邻域点集中任一样点的近似测地距离,并基于高斯核函数求解pi法向;(4)当对S中所有样点遍历结束后,对法向进行一致化处理。
2.根据权利要求1所述的基于样点邻域同构曲面的散乱点云法向估计方法,其特征在于步骤(3)中,pi法向的求解公式为其中,m为p的邻域点集数量;di表示在局部网格所构成图结构中,邻域样点qi至目标样点p的最短路径长度,可近似表示该两点间的测地距离;h为目标样点p至所有邻域样点中最短路径长度的最大值;G(x)为核函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710540372.7A CN107492072A (zh) | 2017-07-05 | 2017-07-05 | 基于样点邻域同构曲面的散乱点云法向估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710540372.7A CN107492072A (zh) | 2017-07-05 | 2017-07-05 | 基于样点邻域同构曲面的散乱点云法向估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107492072A true CN107492072A (zh) | 2017-12-19 |
Family
ID=60644644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710540372.7A Pending CN107492072A (zh) | 2017-07-05 | 2017-07-05 | 基于样点邻域同构曲面的散乱点云法向估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107492072A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833666A (zh) * | 2009-03-11 | 2010-09-15 | 中国科学院自动化研究所 | 一种对离散点云数据微分几何量的估计方法 |
CN102074052A (zh) * | 2011-01-20 | 2011-05-25 | 山东理工大学 | 基于样点拓扑近邻的散乱点云曲面拓扑重建方法 |
CN103065354A (zh) * | 2012-12-24 | 2013-04-24 | 中国科学院深圳先进技术研究院 | 点云优化方法及其装置 |
US20130321393A1 (en) * | 2012-05-31 | 2013-12-05 | Microsoft Corporation | Smoothing and robust normal estimation for 3d point clouds |
CN104200507A (zh) * | 2014-08-12 | 2014-12-10 | 南京理工大学 | 一种三维点云点法向量估计方法 |
CN106600622A (zh) * | 2016-12-06 | 2017-04-26 | 西安电子科技大学 | 一种基于超体素的点云数据分割方法 |
-
2017
- 2017-07-05 CN CN201710540372.7A patent/CN107492072A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833666A (zh) * | 2009-03-11 | 2010-09-15 | 中国科学院自动化研究所 | 一种对离散点云数据微分几何量的估计方法 |
CN102074052A (zh) * | 2011-01-20 | 2011-05-25 | 山东理工大学 | 基于样点拓扑近邻的散乱点云曲面拓扑重建方法 |
US20130321393A1 (en) * | 2012-05-31 | 2013-12-05 | Microsoft Corporation | Smoothing and robust normal estimation for 3d point clouds |
CN103065354A (zh) * | 2012-12-24 | 2013-04-24 | 中国科学院深圳先进技术研究院 | 点云优化方法及其装置 |
CN104200507A (zh) * | 2014-08-12 | 2014-12-10 | 南京理工大学 | 一种三维点云点法向量估计方法 |
CN106600622A (zh) * | 2016-12-06 | 2017-04-26 | 西安电子科技大学 | 一种基于超体素的点云数据分割方法 |
Non-Patent Citations (6)
Title |
---|
JI MA ET AL: "《Normal Vector Estimation for Point Clouds via Local Delaunay Triangle Mesh Matching》", 《JOURNAL COMPUTER-AIDED DESIGN AND APPLICATIONS》 * |
南艳艳: "基于尖锐特征样点法向优化的实物表面采样数据保形精简", 《万方数据知识服务平台》 * |
李延瑞等: "《曲面边界样点逆向均值漂移识别》", 《计算机集成制造系统》 * |
王兆丰等: "《自适应邻域尺寸选择的点云法向量估计算法》", 《红外与激光工程》 * |
王醒策等: "《局部表面拟合的点云模型法向估计及重定向算法》", 《计算机辅助设计与图形学学报》 * |
魏亮: "《基于局部样本增益优化的曲面重建研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104715509A (zh) | 一种基于散乱点云特征的网格重建方法 | |
CN104318622B (zh) | 一种室内场景非均匀三维点云数据的三角网格建模方法 | |
CN106780458B (zh) | 一种点云骨架提取方法及装置 | |
CN103544697B (zh) | 一种基于超图谱分析的图像分割方法 | |
CN107610228A (zh) | 基于海量点云的曲面增量拓扑重建方法 | |
WO2021203711A1 (zh) | 一种基于几何重建模型的等几何分析方法 | |
CN110659693A (zh) | 基于k近邻分类的配电网快速拓扑识别方法、系统及可读存储介质 | |
CN104123746A (zh) | 一种三维扫描点云中实时法向量的计算方法 | |
CN106886980A (zh) | 一种基于三维激光雷达目标识别的点云密度增强的方法 | |
CN111710022A (zh) | 一种避免轮廓相交的快速成型切片处理方法 | |
CN103810756A (zh) | 基于不规则区域的自适性的Loop细分曲面的绘制方法 | |
Xu et al. | Robust surface segmentation and edge feature lines extraction from fractured fragments of relics | |
Ramanathan et al. | Interior medial axis transform computation of 3D objects bound by free-form surfaces | |
Liu et al. | Error-bounded edge-based remeshing of high-order tetrahedral meshes | |
CN106355641B (zh) | 三维粗糙目标雷达散射截面的仿真方法 | |
CN107492072A (zh) | 基于样点邻域同构曲面的散乱点云法向估计方法 | |
Geng et al. | Approximate poisson disk sampling on mesh | |
Lee et al. | The DSO feature based point cloud simplification | |
Ma et al. | Normal vector estimation for point clouds via local delaunay triangle mesh matching | |
Tang et al. | A repair method of point cloud with big hole | |
CN114119628B (zh) | 一种基于特征模板的点云精确分割方法 | |
CN102855624B (zh) | 一种基于广义数据场和Ncut算法的图像分割方法 | |
CN107610232A (zh) | 基于样点邻域同构曲面的散乱点云曲率估算方法 | |
Qi et al. | Robust slicing procedure based on surfel-grid | |
Livesu et al. | Loopy cuts: Surface-field aware block decomposition for Hex-meshing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171219 |