CN112634458A - 一种基于特征显著性评价的口腔模型点云精简方法 - Google Patents
一种基于特征显著性评价的口腔模型点云精简方法 Download PDFInfo
- Publication number
- CN112634458A CN112634458A CN202110011620.5A CN202110011620A CN112634458A CN 112634458 A CN112634458 A CN 112634458A CN 202110011620 A CN202110011620 A CN 202110011620A CN 112634458 A CN112634458 A CN 112634458A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- feature
- characteristic
- point
- oral cavity
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06T17/005—Tree description, e.g. octree, quadtree
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
Abstract
本发明公开了一种基于特征显著性评价的口腔模型点云精简方法,对获取的口腔模型原始点云进行降采样,并搜索每个点云的多个近邻点;利用主成分分析法计算出多个特征衡量因子,并提取出边缘点云集和非特征点云集;根据所述特征衡量因子构建对应的评价公式,并提取出对应的特征点;利用栅格法和八叉树的混合剖分法对构建包围盒进行空间剖分,得到多个子立方体;基于计算出的点云简化因子对所述非特征点云进行精简,直至所有所述子立方体遍历完成后,与所述边缘点云集和特征点集进行拼接合并,得到对应的三维点云合集,在点云简度及精度方面具有较好的表现,具有良好的精简效果,且精简后的口腔模型点云可获得较好的重建结果。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于特征显著性评价的口腔 模型点云精简方法。
背景技术
牙体、牙列缺损对口腔健康患者在食物咀嚼、发音等日常生活行为以及面 容展示方面产生巨大的影响。传统制模技术具有工序复杂、精度低下、材料消 耗大、制模耗时长等缺点,难以满足患者对牙体、牙列快速修复的急切需求。 随着逆向工程技术、3D打印技术以及计算机辅助设计与制造技术在口腔医学领 域不断地拓展和应用,新兴的口腔治疗修复工艺开始代替传统手工制模。口内 数字化印模技术能在短时间内获得患者口腔组织对应的高精度数字化口腔模 型,省却了大量繁琐的传统制模步骤,降低了材料和人工的消耗,能推动口腔 修复医学逐渐向数字化、无模化、自动化方向发展。然而,采集得到的三维原始点云中具有大量冗余点云,在三维模型进行存储、传输、重建等任务处理方 面带来巨大的挑战。
目前,三维点云精简算法研究主要为基于点云的精简方法,包括基于点云 空间位置的降采样算法、基于点云属性特征的降采样算法等等。不适用于曲面 复杂、点云数据量庞大、采样不均匀的口腔模型,精简效果差,导致点云精简 后的口腔模型的重建效果差。
发明内容
本发明的目的在于提供一种基于特征显著性评价的口腔模型点云精简方 法,提高点云精简后的口腔模型的重建效果。
为实现上述目的,本发明提供了一种基于特征显著性评价的口腔模型点云 精简方法,包括以下步骤:
利用点云降采样法对获取的口腔模型原始点云进行降采样,并通过建立对 应的拓扑关系搜索每个点云的多个近邻点;
利用主成分分析法计算出点云法向量和多个特征衡量因子,并根据点云分 布性质提取出边缘点云集和特殊点云集;
根据所述特征衡量因子构建对应的评价公式,并将计算出的特征突出值与 简化阈值进行比较,提取出对应的特征点;
基于非特征点云构建包围盒,并利用栅格法和八叉树的混合剖分法对所述 包围盒进行空间剖分,得到多个子立方体,其中,所述非特征点云包括特征点 云集和除提取出所述特征点后的点云;
基于计算出的点云简化因子对所述非特征点云进行精简,直至所有所述子 立方体遍历完成后,与所述边缘点云集和特征点集进行拼接合并,得到对应的 三维点云合集。
其中,根据所述特征衡量因子构建对应的评价公式,并将计算出的特征突 出值与简化阈值进行比较,提取出对应的特征点,包括:
基于曲率、平均投影距离和平均空间距离构建特征评价公式,并根据所述 特征衡量因子对应的控制参数计算出对应的特征突出值;
基于所述特征突出值构建对应的直方图;
基于设定的简化阈值对所述直方图进行划分,提取出对应的特征点。
其中,基于非特征点云构建包围盒,并利用栅格法和八叉树的混合剖分法 对所述包围盒进行空间剖分,得到多个子立方体,包括:
基于非特征点云构建对应的包围盒,并计算出对应的长、宽、高;
利用栅格法对所述包围盒进行均匀划分,并对得到的每个栅格内是否包含 点云数据进行判断;
若包含点云数据,则对对应的所述栅格进行标记,并利用八叉树法进行剖 分,得到对应的子立方体。
其中,若包含点云数据,则对对应的所述栅格进行标记,并利用八叉树法 进行剖分,得到对应的子立方体,包括:
若所述栅格包含所述点云数据,则利用所述包围盒的表面积计算出对应的 点云密度和栅格边长;
若所述点云数量大于或等于剖分阈值,则利用八叉树法对所述栅格进行剖 分,直至所述点云数量小于所述剖分阈值,得到对应的子立方体,其中,所述 点云数量为所述点云密度与所述栅格边长平方的乘积。
其中,基于计算出的点云简化因子对所述非特征点云进行精简,直至所有 所述子立方体遍历完成后,与所述边缘点云集和特征点集进行拼接合并,得到 对应的三维点云合集,包括:
计算每个所述子立方体的第一平均曲率值和非特征点云的第二平均曲率 值,并基于设定的点云降采样规则,得到对应的点云简化因子;
计算出所述子立方体内的点云分布重心的位置坐标,并根据所述位置坐标, 计算出所述子立方体内每个点云到所述位置坐标之间的空间距离,即点云降采 样位置;
根据对应的所述点云简化因子,对所述点云降采样位置上对应数量的所述 非特征点云进行降采样。
其中,计算每个所述子立方体的第一平均曲率值和非特征点云的第二平均 曲率值,并基于设定的点云降采样规则,得到对应的点云简化因子,包括:
计算每个所述子立方体的第一平均曲率值和非特征点云的第二平均曲率 值,并判断所述第一平均曲率值和所述第二平均曲率值的比值;
若所述第一平均曲率值大于或等于所述第二平均曲率值,则得到第一点云 简化因子;
若所述第一平均曲率值小于所述第二平均曲率值,则得到第二点云简化因 子。
其中,根据对应的所述点云简化因子,对所述点云降采样位置上对应数量 的所述非特征点云进行降采样,包括:
若所述点云简化因子为所述第一点云简化因子,则对所述点云降采样位置 上第一数量个的所述非特征点云进行降采样;
若所述点云简化因子为所述第二点云简化因子,则对所述点云降采样位置 上第二数量个的所述非特征点云进行降采样。
本发明的一种基于特征显著性评价的口腔模型点云精简方法,利用点云降 采样法对获取的口腔模型原始点云进行降采样,并通过建立对应的拓扑关系搜 索每个点云的多个近邻点;利用主成分分析法计算出点云法向量和多个特征衡 量因子,并根据点云分布性质提取出边缘点云集和特殊点云集;根据所述特征 衡量因子构建对应的评价公式,并将计算出的特征突出值与简化阈值进行比较, 提取出对应的特征点;基于非特征点云构建包围盒,并利用栅格法和八叉树的 混合剖分法对所述包围盒进行空间剖分,得到多个子立方体;基于计算出的点 云简化因子对所述非特征点云进行精简,直至所有所述子立方体遍历完成后, 与所述边缘点云集和特征点集进行拼接合并,得到对应的三维点云合集,在点 云简度及精度方面具有较好的表现,具有良好的精简效果,且精简后的口腔模 型点云可获得较好的重建结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述 中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付 出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于特征显著性评价的口腔模型点云精简方法的步 骤示意图。
图2是本发明提供的一种基于特征显著性评价的口腔模型点云精简方法的流 程示意图。
图3是本发明提供的计算投影距离的示意图。
图4是本发明提供的口腔模型边缘点检测原理的示意图。
图5是本发明提供的口腔模型边缘保留处理效果的示意图。
图6是本发明提供的口腔模型最小包围盒的示意图。
图7是本发明提供的利用栅格法进行口腔模型包围盒剖分的示意图。
图8是本发明提供的在较高降采样度条件下口腔模型精简结果的示意图。
图9是本发明提供的在较低降采样度条件下口腔模型精简结果的示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自 始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元 件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不 能理解为对本发明的限制。
在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具 体的限定。
请参阅图1和图2,本发明提供一种基于特征显著性评价的口腔模型点云精 简方法,包括以下步骤:
S101、利用点云降采样法对获取的口腔模型原始点云进行降采样,并通过 建立对应的拓扑关系搜索每个点云的多个近邻点。
具体的,获取口腔模型原始点云,利用点云降采样法对获取的口腔模型原 始点云进行初次降采样,有效保持模型特征的前提下可有效提高降采样效率; 建立k-d树以形成散乱点云的拓扑关系,搜索每个点云的k近邻点。
S102、利用主成分分析法计算出点云法向量和多个特征衡量因子,并根据 点云分布性质提取出边缘点云集和特殊点云集。
具体的,利用经典主成分分析方法计算点云法向量,以及对曲率、平均投 影距离、平均空间距离和局部分布密度等特征衡量因子及其控制参数进行计算。 具体为:
曲率和平均投影距离可较好地体现曲面凹凸状况,而平均空间距离和局部 分布密度则可较好地体现空间区域点云疏密情况。本发明根据口腔模型点云实 际特性,选用合适特征衡量因子构建特征显著性评价公式以实现特征点提取。 设样本点为p,其k个近邻点为pi(i=1,2,…,k),Np是样本点p的近邻点集合,p 是Np的重心。利用公式(1)求取拟合平面F,通过公式(2)求得协方差矩阵C计算 出特征值λj(j=0,1,2),最小特征值λ0对应特征向量v0为样本点的估计法向量。
曲率cp、平均投影距离ip、平均空间距离dp、局部分布密度ρp等特征衡量 因子计算对应如下:
其中,式(3)解释:通过式(2)的协方差矩阵C计算求解后可得到不同 的特征值,最小特征值设为λ1,最大特征值设为λ3。
曲面变分表示点云所在曲面的弯曲程度,具体求解如式子(3)。根据外文 文献可得出结论:曲率cp可近似等于曲面变分cp=τp。因此,曲率cp可用曲面变 分τp表示。
式(4)中:ni为样本点p的第i个近邻点的法向量(即带方向的向量),(p-pi) 为样本点p与近邻点pi两点的三维坐标进行相减(x1-x2,y1-y2,y1-y2),从 而确定一向量。然后,两向量相乘得到样本点到近邻点所拟合平面的投影距离 (即垂直距离),具体表达为|ni(p-qi)|。然后,求取样本点到每个近邻点所在拟 合平面的投影距离,最后进行求平均:(分子)所有投影距离进行累加/(分母) k个近邻点。
式(5)中:|p-pi|为两点之间的空间距离,两点之间的空间距离实际公式为:
式(6):构建一个包围球体,能包围k个近邻点,其中,k为近邻点的个 数,r为包围球体的半径,π为圆周率。因此,计算密度公式如式子(6),密 度ρp等于近邻点的个数k(分子)/包围球体的体积(分母)。
根据边缘点分布均匀性准则,对k个所述近邻点在样本点拟合平面对应投 影点的坐标值进行比较判断,提取边缘点;针对牙齿间隙区域点云较为密集的 情况,根据局部分布密度对牙齿间隙点云进行提取,得到对应的边缘点云集和 特殊点云集。包括:
投影点检测原理如图3,利用边缘点分布均匀性准则,对k个近邻点在样本 点最小二乘平面上对应的投影点进行坐标值比较,以检测提取边缘点并保存为 边缘点云集,具体为:通过搜索样本点得到的k个近邻点,构造最小二乘平面 (拟合平面),然后并将k个近邻点投影到所述最小二乘平面上,得到对应的 投影点。基于样本点p的创建三个参考平面xpy、xpz和ypz,且分别平行于xoy、 xoz和yoz平面。通过k个近邻点对应的投影点在所述任一个的参考平面两侧 的数量之差及k近邻点数量之间的比值,与设定阈值进行比较,从而判断该样 本点是否为边缘点。若比值大于设定阈值,该点被判断为边缘点,进而得到边 缘点云集合。
口腔模型边缘点提取如图4和图5,利用局部分布密度提取牙齿间隙点云并 归类为非特征点云集,具体为:计算口腔模型点云的局部分布密度情况,利用 统计直方图进行阈值设置,以准确提取牙齿间隙点云,得到特殊点云集。
S103、根据所述特征衡量因子构建对应的评价公式,并将计算出的特征突 出值与简化阈值进行比较,提取出对应的特征点。
具体的,分别利用曲率、平均投影距离、平均空间距离及局部分布密度等 单因素进行口腔模型点云特征分析,得到口腔模型各区域点云在其所在曲面区 域凹凸状况及分布疏密情况的具体情况分析。
本发明选用合适的特征衡量因子构建特征显著性评价公式,合理利用曲率、 平均投影距离、平均空间距离构造特征显著性评价公式:
其中,1)f(p)为特征显著性值的表达符号;
2)cp为公式(3)求得的曲率,ip为公式(4)求得的平均投影距离,dp为公式 (5)求得的平均空间距离。
3)分子中的控制参数αβ都是小于0大于1的因子,两者相加之和一定等于 1!
确定各特征衡量因子对应的控制参数,计算出对应的特征突出值。
基于所述特征突出值构建对应的直方图,基于设定的简化阈值对所述直方 图进行划分,提取出对应的特征点,将大于所述简化阈值的点云作为特征点, 以实现特征点提取。
S104、基于非特征点云构建包围盒,并利用栅格法和八叉树的混合剖分法 对所述包围盒进行空间剖分,得到多个子立方体。
具体的,如图6所示,基于非特征点云构建对应的包围盒,即设生成包围 口腔模型非特征点的最小包围盒,包围盒的长、宽、高分别为L,W,H,体积为V, 表面积为S。
V=L*H*W (8)
S=2(LW+LH+WH) (9)
口腔模型非特征点在x,y,z轴方向的最值分别为:xmax、xmin、ymax、ymin、zmax、zmin,则有:
如图7所示,利用栅格法对所述包围盒进行均匀划分,得到许多边长为Ls的 小栅格,并对得到的每个栅格内是否包含点云数据进行判断和标记。若所述栅 格包含部分模型点云数据,则对其进行标记。
由三维模型的点云分布情况可知,点云仅存在于模型的表面,因此包围盒 内的大部分空间没有点云或者存在极少数量的点云。如果用体积V估计点云密 度,使用栅格法进行剖分所得到小栅格的边长Ls会有很大偏差。因此,本发明 计算分布密度使用表面积S,而不是体积V。由公式(10)计算得到点云密度ρ, 由公式(11)计算得到小栅格边长Ls。N为口腔模型的点云总数量,M为每个栅格 的点云数量。
设置八叉树终止剖分条件为立方体内点云数量小于剖分阈值u。利用八叉树 对标记的小栅格进行剖分,基于细分原则不断分割,得到各子立方体,即若所 述点云数量大于或等于剖分阈值,则利用八叉树法对所述栅格进行剖分,直至 所述点云数量小于所述剖分阈值,得到对应的子立方体,其中,所述点云数量 为所述点云密度与所述栅格边长平方的乘积。
S105、基于计算出的点云简化因子对所述非特征点云进行精简,直至所有 所述子立方体遍历完成后,与所述边缘点云集和特征点集进行拼接合并,得到 对应的三维点云合集。
具体的,点云降采样规则设定为:当子立方体内点云的第一平均曲率值Cnon-i大于口腔模型非特征点云(待精简点云或待精简点云集)的第二平均曲率值Cnon时,该立方体得到较小的第一点云简化因子,保留更多数量的点云;反之,该 立方体得到较大的第二点云简化因子,保留较少数量的点云。
计算各子立方体内点云的第一平均曲率值Cnon-i与口腔模型非特征点云的第 二平均曲率值Cnon,并将两者进行比较,根据点云降采样规则得到该子立方体的 点云简化因子,即若所述第一平均曲率值大于或等于所述第二平均曲率值,则 得到第一点云简化因子;若所述第一平均曲率值小于所述第二平均曲率值,则 得到第二点云简化因子。计算立方体内所有点云的第三平均曲率,并确定立方 体内所有点云中最接近平均曲率的点云的位置。优先精简距离平均曲率点云位 置较远的点云,即对对应的点云降采样位置进行优先精简,利用降采样因子降 采样对应数量的非特征点。若Cnon-i大于或等于Cnon,则该子立方体被认定为具有 一定量(较小数量)的非特征点,确定较低的点云简化因子,即所述点云简化 因子为所述第一点云简化因子,降采样第一数量个的所述非特征点云;反之, 反之,则该子立方体被认定为具有较多数量的非特征点,由此确定较高的降采 样因子,即所述点云简化因子为所述第二点云简化因子,对第二数量个的所述 非特征点云进行精简,能有效实现口腔模型非特征点云的非均匀降采样。
遍历所有子立方体进行非特征点云的降采样,实现非特征点云的非均匀精 简,得到精简后的非特征点云后,并将其与边缘点云集、特征点集进行拼接合 并,输出精简后的三维点云模型,其中,所述特征点集为所有的所述特征点集 合。
下面通过实验对上述过程及结果进行说明。
表1为不同算法的降采样率和运行时间。算法包括本发明算法、基于八叉 树的降采样方法、点云迭代降采样算法及基于多特征参数的降采样算法。
本发明算法根据口腔模型点云特性,选用合适的特征衡量因子,以更准确 地提取牙齿轮廓及牙齿结构等细节特征点云,并合理对包括牙齿间隙点云的非 特征点云进行非均匀高效降采样。对图8和图9分别为在较高点云降采样度条 件下相应的口腔模型精简结果及重建结果。
表1不同算法的降采样率和运行时间
图8为在较高点云降采样度条件下口腔模型的精简结果。图8中,a为本文 算法,b为基于八叉树的降采样算法,c为点云迭代降采样算法,d为基于多特 征参数的降采样算法。
由表1和图8可知:在相近的点云降采样度情况下,本发明算法能准确地 提取牙齿轮廓、牙齿结构等区域点,很好地保留口腔模型的细节特征。同时, 对牙齿间隙点云的非均匀降采样及对平坦区域点云的合理降采样。
在图8(a)中,牙齿间隙点云保留数量较少,而牙齿轮廓及牙齿结构等特征 区域的点云保留数量更多。相比于图8(b)、图8(c)和图8(d),图8(b)的本发 明算法能更为准确地提取特征点,更为合理地降采样非特征点。
由于本发明算法时根据口腔模型点云特性进行算法步骤设计的,因此,相 较于其他对比算法所存在的不能很好地适用于口腔模型的情况,本发明算法具 有一定的有效性及优越性。
图9为在较低点云降采样度条件下口腔模型的重建结果。图9中,a为本文 算法,b为基于八叉树的降采样算法,c点云迭代降采样算法,d为基于多特征 参数的降采样算法。
在图9b中,模型轮廓边缘点没有提取完整,且各牙齿间隙的点云保留较多。 在较低点云简度情况下,图9a、图9c及图9d对应的点云精简算法都能较好第 提取牙齿结构、牙齿轮廓等口腔模型细节特征区域点云,但图9a对口腔模型的 牙齿轮廓和牙齿结构等细节特征的保持效果更好。
综上所述,当点云具有较高降采样度时,本发明算法能更好地保持口腔模 型的细节特征,具有明显的优越性;在点云具有较低降采样度时,本发明算法 所得口腔模型整体重建结果皆优于其他对比算法。
本发明算法适用于点云采样不均匀、点云量大、表面特征复杂的口腔模型, 能较好地解决现有其他算法应用在口腔模型所存在的问题。因此,本发明算法 具有较高的实际应用价值。
本发明的一种基于特征显著性评价的口腔模型点云精简方法,利用点云降 采样法对获取的口腔模型原始点云进行降采样,并通过建立对应的拓扑关系搜 索每个点云的多个近邻点;利用主成分分析法计算出点云法向量和多个特征衡 量因子,并根据点云分布性质提取出边缘点云集和非特征点云集;根据所述特 征衡量因子构建对应的评价公式,并将计算出的特征突出值与简化阈值进行比 较,提取出对应的特征点;基于非特征点云构建包围盒,并利用栅格法和八叉 树的混合剖分法对所述包围盒进行空间剖分,得到多个子立方体;基于计算出 的点云简化因子对所述非特征点云进行精简,直至所有所述子立方体遍历完成 后,与所述边缘点云集和特征点集进行拼接合并,得到对应的三维点云合集, 在点云简度及精度方面具有较好的表现,具有良好的精简效果,且精简后的口 腔模型点云可获得较好的重建结果。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发 明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流 程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (7)
1.一种基于特征显著性评价的口腔模型点云精简方法,其特征在于,包括以下步骤:
利用点云降采样法对获取的口腔模型原始点云进行降采样,并通过建立对应的拓扑关系搜索每个点云的多个近邻点;
利用主成分分析法计算出点云法向量和多个特征衡量因子,并根据点云分布性质提取出边缘点云集和特殊点云集;
根据所述特征衡量因子构建对应的评价公式,并将计算出的特征突出值与简化阈值进行比较,提取出对应的特征点;
基于非特征点云构建包围盒,并利用栅格法和八叉树的混合剖分法对所述包围盒进行空间剖分,得到多个子立方体,其中,所述非特征点云包括特征点云集和除提取出所述特征点后的点云;
基于计算出的点云简化因子对所述非特征点云进行精简,直至所有所述子立方体遍历完成后,与所述边缘点云集和特征点集进行拼接合并,得到对应的三维点云合集。
2.如权利要求1所述的基于特征显著性评价的口腔模型点云精简方法,其特征在于,根据所述特征衡量因子构建对应的评价公式,并将计算出的特征突出值与简化阈值进行比较,提取出对应的特征点,包括:
基于曲率、平均投影距离和平均空间距离构建特征评价公式,并根据所述特征衡量因子对应的控制参数计算出对应的特征突出值;
基于所述特征突出值构建对应的直方图;
基于设定的简化阈值对所述直方图进行划分,提取出对应的特征点。
3.如权利要求1所述的基于特征显著性评价的口腔模型点云精简方法,其特征在于,基于非特征点云构建包围盒,并利用栅格法和八叉树的混合剖分法对所述包围盒进行空间剖分,得到多个子立方体,包括:
基于非特征点云构建对应的包围盒,并计算出对应的长、宽、高;
利用栅格法对所述包围盒进行均匀划分,并对得到的每个栅格内是否包含点云数据进行判断;
若包含点云数据,则对对应的所述栅格进行标记,并利用八叉树法进行剖分,得到对应的子立方体。
4.如权利要求3所述的基于特征显著性评价的口腔模型点云精简方法,其特征在于,若包含点云数据,则对对应的所述栅格进行标记,并利用八叉树法进行剖分,得到对应的子立方体,包括:
若所述栅格包含所述点云数据,则利用所述包围盒的表面积计算出对应的点云密度和栅格边长;
若所述点云数量大于或等于剖分阈值,则利用八叉树法对所述栅格进行剖分,直至所述点云数量小于所述剖分阈值,得到对应的子立方体,其中,所述点云数量为所述点云密度与所述栅格边长平方的乘积。
5.如权利要求1所述的基于特征显著性评价的口腔模型点云精简方法,其特征在于,基于计算出的点云简化因子对所述非特征点云进行精简,直至所有所述子立方体遍历完成后,与所述边缘点云集和特征点集进行拼接合并,得到对应的三维点云合集,包括:
计算每个所述子立方体的第一平均曲率值和非特征点云的第二平均曲率值,并基于设定的点云降采样规则,得到对应的点云简化因子;
计算出所述子立方体内的点云分布重心的位置坐标,并根据所述位置坐标,计算出所述子立方体内每个点云到所述位置坐标之间的空间距离,即点云降采样位置;
根据对应的所述点云简化因子,对所述点云降采样位置上对应数量的所述非特征点云进行降采样。
6.如权利要求5所述的基于特征显著性评价的口腔模型点云精简方法,其特征在于,计算每个所述子立方体的第一平均曲率值和非特征点云的第二平均曲率值,并基于设定的点云降采样规则,得到对应的点云简化因子,包括:
计算每个所述子立方体的第一平均曲率值和非特征点云的第二平均曲率值,并判断所述第一平均曲率值和所述第二平均曲率值的比值;
若所述第一平均曲率值大于或等于所述第二平均曲率值,则得到第一点云简化因子;
若所述第一平均曲率值小于所述第二平均曲率值,则得到第二点云简化因子。
7.如权利要求6所述的基于特征显著性评价的口腔模型点云精简方法,其特征在于,根据对应的所述点云简化因子,对所述点云降采样位置上对应数量的所述非特征点云进行降采样,包括:
若所述点云简化因子为所述第一点云简化因子,则对所述点云降采样位置上第一数量个的所述非特征点云进行降采样;
若所述点云简化因子为所述第二点云简化因子,则对所述点云降采样位置上第二数量个的所述非特征点云进行降采样。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011620.5A CN112634458B (zh) | 2021-01-06 | 2021-01-06 | 一种基于特征显著性评价的口腔模型点云精简方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011620.5A CN112634458B (zh) | 2021-01-06 | 2021-01-06 | 一种基于特征显著性评价的口腔模型点云精简方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112634458A true CN112634458A (zh) | 2021-04-09 |
CN112634458B CN112634458B (zh) | 2023-06-20 |
Family
ID=75291460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110011620.5A Active CN112634458B (zh) | 2021-01-06 | 2021-01-06 | 一种基于特征显著性评价的口腔模型点云精简方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634458B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034682A (zh) * | 2021-04-13 | 2021-06-25 | 阿波罗智联(北京)科技有限公司 | 点云数据处理方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830931A (zh) * | 2018-05-23 | 2018-11-16 | 上海电力学院 | 一种基于动态网格k邻域搜索的激光点云精简方法 |
CN111667506A (zh) * | 2020-05-14 | 2020-09-15 | 电子科技大学 | 一种基于orb特征点的运动估计方法 |
CN111981983A (zh) * | 2020-08-27 | 2020-11-24 | 苏州飞特西普三维科技有限公司 | 一种复杂形貌物体三维测量的扫描仪精度评价方法 |
-
2021
- 2021-01-06 CN CN202110011620.5A patent/CN112634458B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830931A (zh) * | 2018-05-23 | 2018-11-16 | 上海电力学院 | 一种基于动态网格k邻域搜索的激光点云精简方法 |
CN111667506A (zh) * | 2020-05-14 | 2020-09-15 | 电子科技大学 | 一种基于orb特征点的运动估计方法 |
CN111981983A (zh) * | 2020-08-27 | 2020-11-24 | 苏州飞特西普三维科技有限公司 | 一种复杂形貌物体三维测量的扫描仪精度评价方法 |
Non-Patent Citations (7)
Title |
---|
KUN ZHANG: "Feature-Preserved Point Cloud Simplification Based on Natural Quadric Shape Models", vol. 9, no. 10, pages 1 - 27, XP055849580, DOI: 10.3390/app9102130 * |
何家文: "基于特征衡量的数字化牙颌模型三维重建算法研究", no. 01, pages 074 - 170 * |
宋雅丽;李佳;高平;李晓萌;: "基于特征的义齿固定桥设计方法", 组合机床与自动化加工技术, no. 11, pages 23 - 32 * |
崔成日;李佳;李河林;: "牙齿预备体洞缘线的截面析构提取方法", no. 12, pages 14 - 18 * |
方源敏;夏永华;陈杰;宋炜炜;杨永明;左小清;: "基于改进的角度偏差法的采空区点云数据精简", no. 02, pages 110 - 114 * |
赵浩杰;谭骏祥;雷杰;束子贤;: "基于几何特征的无人机激光雷达电力线提取", no. 1, pages 150 - 155 * |
郭闯;戴宁;田素坤;孙玉春;俞青;刘浩;程筱胜;: "高分辨率深度生成网络的缺失牙体形态设计", no. 10, pages 303 - 312 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034682A (zh) * | 2021-04-13 | 2021-06-25 | 阿波罗智联(北京)科技有限公司 | 点云数据处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112634458B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nan et al. | Polyfit: Polygonal surface reconstruction from point clouds | |
CN107123164B (zh) | 保持锐利特征的三维重建方法及系统 | |
Di Angelo et al. | A new mesh-growing algorithm for fast surface reconstruction | |
CN103679807B (zh) | 一种带边界约束的散乱点云重构方法 | |
CN111696210A (zh) | 一种基于三维点云数据特征轻量化的点云重构方法及系统 | |
CN109726509B (zh) | 一种面向飞机装配的零件几何特征表达模型及构建方法 | |
CN106780458B (zh) | 一种点云骨架提取方法及装置 | |
WO2014117447A1 (zh) | 一种图像与视频的虚拟发型建模方法 | |
Javidrad et al. | Contour curve reconstruction from cloud data for rapid prototyping | |
CN108629838B (zh) | 三维牙冠网格模型的孔洞修补方法及装置 | |
CN106548484A (zh) | 基于二维凸包的产品模型散乱点云边界特征提取方法 | |
CN111581776B (zh) | 一种基于几何重建模型的等几何分析方法 | |
CN107886569B (zh) | 一种基于离散李导数的测度可控的曲面参数化方法及系统 | |
CN107545602B (zh) | 基于LiDAR点云的空间拓扑关系约束下的建筑物建模方法 | |
CN113724401B (zh) | 一种三维模型切割方法、装置、计算机设备和存储介质 | |
CN103310481A (zh) | 一种基于模糊熵迭代的点云精简方法 | |
CN112634458A (zh) | 一种基于特征显著性评价的口腔模型点云精简方法 | |
CN111080653A (zh) | 一种用区域分割和分组随机精简法精简多视角点云的方法 | |
Nieser et al. | Patch layout from feature graphs | |
Gong et al. | Three-dimensional reconstruction of medical image based on improved marching cubes algorithm | |
JP2003330976A (ja) | 境界データの内外判定方法とそのプログラム | |
Jeong et al. | Neural meshes: Statistical learning based on normals | |
CN113469907B (zh) | 一种基于叶片型面特征的数据简化方法及系统 | |
CN111696111B (zh) | 一种基于ssdf衰减图聚类的3d模型网格分割方法 | |
JP2006277713A (ja) | 3次元メッシュモデルの特徴稜線抽出装置、プログラム及び方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |