CN113269791A - 一种基于边缘判定与区域生长的点云分割方法 - Google Patents

Abstract

本发明公开了一种基于边缘判定与区域生长的点云分割方法，本发明结合了区域生长和边缘判定两种方法的优势，结合相似度判据和边缘判据，在选取种子点时尽可能从区域内部开始生长，然后对该种子点的邻域逐点判断是否满足法矢判据，若满足则将该邻域点加入当前区域点集，同时更新当前区域内点的平均曲率，判断其是否满足平均曲率判据，最后再判断该点是否为边缘点；若该点同时满足平均曲率判据和边缘判据，则将其加入当前种子点集。最终实现点云高精度分割。本发明原理简单，且鲁棒性较高，为点云分割、特征提取提供了一种行之有效的方法。

Description

一种基于边缘判定与区域生长的点云分割方法

技术领域

本发明属于三维点云数据处理领域，具体涉及一种基于边缘判定与区域生长的点云分割方法。

背景技术

随着三维光学测量技术的发展，点云数据处理算法成为研究的热点，点云分割技术是将点云数据分割成数个不相交的子集，主要作用是提取需要进一步处理的点云区域，其精确程度直接影响了后续特征识别、重建等效果。

目前点云分割算法除了基于人工智能的分割方法外主要还包括基于边缘信息的点云分割方法和基于区域生长的点云分割方法。基于边缘的分割方法首先需要根据阈值筛选出边缘点，再将边缘点连成边界进行分割，这种方法易受噪声和点云均匀程度的影响，导致分割结果不理想。而基于区域生长的方法则是先选取种子点，再在种子点邻域中寻找相似点加入点集，这种方法比基于边缘的方法更稳定，但种子点的选取对最终的分割结果影响很大，且确定区域边缘存在问题。综上所述，需要构建一个鲁棒性更强的分割方法以克服这些因素对分割结果的影响。

发明内容

本发明的目的在于克服上述不足，提供一种基于边缘判定与区域生长的点云分割方法，结合了边缘判定和区域生长两种方法的优点，能够高效准确的对点云数据进行区域分割、特征提取。

为了达到上述目的，本发明包括以下步骤：

S1，对测量获取到的散乱点云建立拓扑关系，构建高效灵活的点云索引；

S2，对点云索引进行降噪处理，作为分割的数据；

S3，通过降噪后的点云索引搜索计算K邻域，并以此为基础，拟合近邻平面、二次曲面，分别求取点云法向量和曲率的高维特征，作为分割的依据；

S4，采用基于边缘判定与区域生长的方法，结合S2得到的数据和S3得到的依据，对点云模型进行分割，并用平均交并比MIOU评价分割结果的准确性。

S1中，采用结合三维栅格与八叉树方法对测量获取到的散乱点云建立拓扑关系。

S2中，采用基于八叉树的多尺度滤波方法对点云进行降噪处理。

S2的具体方法如下：

选取大小在点云密度N倍的值作为初始滤波半径，在该尺度下对点云索引进行滤波去噪；

不断缩小滤波半径，并重复上述过程；

观察离群点和主体点云滤波后的情况，直到去噪效果满足设定要求，则停止迭代。

S3中，利用点云索引方法建立局部邻域，然后在邻域范围内通过PCA方法获得局部一阶平面，计算得到点云法向量n_k和平面拟合误差Re_k，进行坐标变换后通过最小二乘方法拟合局部二次曲面，求取点云的曲率值，包括高斯曲率K和平均曲率H，计算方法如下：

K＝k₁·k₂

H＝(k₁+k₂)/2

其中：K——高斯曲率；

H——平均曲率；

k₁——主曲率极大值；

k₂——主曲率极小值。

S4中，在基于边缘判定与区域生长的方法中，选取种子点时优先选取未分割区域中Re值最小的点。

采样点的相似度判据为：

待判断点与近邻点的法矢夹角θ_i,k和待判断点与近邻点平均曲率的差值，通过判定邻近点与当前种子点特征的相似程度区分生长区域；

采样点的边缘判据为：

一阶平面拟合误差Re_k，通过判断点与一阶平面的近似程度来区分边缘点和内部点；

设定阈值Re_th，Re_k＞Re_th的点为边缘点；

其中，Re_th＝mean(Re_k)+σ*std(Re_k)，mean(Re_k)表示一阶平面拟合误差的均值，std(Re_k)表示一阶平面拟合误差的标准差，σ为控制系数；

若该点同时满足相似度判据和边缘判据，则将其加入当前种子点集，最终实现点云分割。

平均交并比MIOU的计算方法如下：

其中：P₁₁——本属于1类且被预测为1类的点数；

X₁——本属于1类的点数；

Y₁——被预测为1类的点数；

n——分割后的类别数。

与现有技术相比，本发明结合了区域生长和边缘判定两种方法的优势，结合相似度判据和边缘判据，在选取种子点时尽可能从区域内部开始生长，然后对该种子点的邻域逐点判断是否满足法矢判据，若满足则将该邻域点加入当前区域点集，同时更新当前区域内点的平均曲率，判断其是否满足平均曲率判据，最后再判断该点是否为边缘点；若该点同时满足平均曲率判据和边缘判据，则将其加入当前种子点集。最终实现点云高精度分割。本发明原理简单，且鲁棒性较高，为点云分割、特征提取提供了一种行之有效的方法。

附图说明

图1为本发明的分割算法流程图；

图2为实施例中的测量实物图；其中(a)为汽轮机叶片局部，(b)为弹簧底座；

图3为实施例中测量点云图；其中(a)为汽轮机叶片局部，(b)为弹簧底座；

图4为实施例中分割后各特征点云图；其中(a)为汽轮机叶片局部，(b)为弹簧底座。

具体实施方式

下面结合附图对本发明做进一步说明。

参见图1，本发明包括以下步骤：

S1，采用结合三维栅格和八叉树的方法，对测量获取到的散乱点云建立拓扑关系，构建高效灵活的点云索引；采用基于八叉树的多尺度滤波方法对点云进行多尺度降噪处理，为后续分割提供较高质量数据；降噪处理的具体方法如下：

选取大小在点云密度N倍(根据经验，N的取值为3～4最佳)的值作为初始滤波半径，在该尺度下对点云索引进行滤波去噪；不断缩小滤波半径，并重复上述过程；观察离群点和主体点云滤波后的情况，直到去噪效果满足设定要求，则停止迭代，为后续点云分割的数据质量奠定基础。

融合三维栅格和八叉树索引方法不仅可以弥补栅格法内存占用多，查询效率低的缺点，又可以控制八叉树中叶子节点的大小，从而构建高效灵活的点云索引。

S2，利用三维栅格与八叉树方法构建的点云索引快速建立局部邻域，然后在邻域范围内通过PCA方法得到局部一阶平面，计算得到点云法向量n_k和平面拟合误差Re_k，作为后续边缘判据；进行坐标变换后通过最小二乘方法拟合局部二次曲面，求取点云的曲率值，包括高斯曲率K和平均曲率H，作为后续相似度判据。利用点云索引方法建立局部邻域，然后在邻域范围内通过PCA方法获得局部一阶平面，计算得到点云法向量n_k和平面拟合误差Re_k，进行坐标变换后通过最小二乘方法拟合局部二次曲面，求取点云的曲率值，包括高斯曲率K和平均曲率H，计算方法如下：

K＝k₁·k₂

H＝(k₁+k₂)/2

其中：K——高斯曲率；

H——平均曲率；

k₁——主曲率极大值；

k₂——主曲率极小值。

这些参数将用于后续的点云分割判据之中。

S3，在选取种子点时优先选取未分割区域中Re值最小的点，尽可能从区域内部开始生长。相似度判据为：待判断点与近邻点的法矢夹角θ_i,k和待判断点与近邻点平均曲率的差值，通过判定邻近点与当前种子点特征的相似程度区分生长区域。边缘判据为一阶平面拟合误差Re_k，通过判断点与一阶平面的近似程度来区分边缘点和内部点；设定阈值Re_th，Re_k＞Re_th的点为边缘点。其中，Re_th＝mean(Re_k)+σ*std(Re_k)，mean(Re_k)表示一阶平面拟合误差的均值，std(Re_k)表示一阶平面拟合误差的标准差，σ为控制系数，范围为0～1。若该点同时满足相似度判据和边缘判据，则将其加入当前种子点集，最终实现点云高精度分割。

在基于边缘判定与区域生长的方法中，选取种子点时优先选取未分割区域中Re值最小的点。种子点的相似度判据为：

待判断点与近邻点的法矢夹角θ_i,k和待判断点与近邻点平均曲率的差值，通过判定邻近点与当前种子点特征的相似程度区分生长区域；边缘判据为一阶平面拟合误差Re_k，通过判断点与一阶平面的近似程度来区分边缘点和内部点；设定阈值Re_th，Re_k＞Re_th的点为边缘点；其中，Re_th＝mean(Re_k)+σ*std(Re_k)，mean(Re_k)表示一阶平面拟合误差的均值，std(Re_k)表示一阶平面拟合误差的标准差，σ为控制系数；若该点同时满足相似度判据和边缘判据，则将其加入当前种子点集，最终实现点云分割。

S4，基于最小二乘方法对分割区域进行特征拟合，得到特征尺寸，然后与实际尺寸进行比较是否满足要求。并通过计算平均交并比MIOU衡量分割的准确度。平均交并比MIOU的计算方法如下：

其中：P₁₁——本属于1类且被预测为1类的点数；

X₁——本属于1类的点数；

Y₁——被预测为1类的点数；

n——分割后的类别数。

实施例：

为了验证基于边缘判定与区域生长的点云分割方法的有效性，对基于结构光三维测量技术的汽轮机叶片和弹簧底座数据进行实验。通过本申请的方法分割、拟合，并与各特征尺寸的实际值进行比较。

表1标准球与汽轮机叶片数据分割对比

表2弹簧底座数据对比

两组测量模型的三维点云经过区域分割和特征拟合后，结果如表1、表2所示，对于标准球与汽轮机叶片数据，三颗标准球最大误差为0.156mm，最小误差为0.003mm，满足后续点云拼接时的要求。对于弹簧底座数据，圆柱面1的直径误差为-0.269mm，圆柱面2的直径误差为0.119mm，圆锥面的锥度误差为-0.202mm，均满足尺寸要求。

另外，采用平均交并比MIOU作为分割准确度的衡量指标，MIOU表示分割结果与真值的交叠率，是分割任务的标准度量方法，其计算方法为每一类IOU(交并比)的平均值，范围为0～100％。基于结构光三维测量技术的汽轮机叶片和弹簧底座数据的MIOU如下表。

表3分割结果

根据上表可以看出分割的类别数目接近真实情况，且具有较高的分割准确度，从而验证了基于边缘判定与区域生长的点云分割方法的有效性。

Claims (8)

1.一种基于边缘判定与区域生长的点云分割方法，其特征在于，包括以下步骤：

S1，对测量获取到的散乱点云建立拓扑关系，构建高效灵活的点云索引；

S2，对点云索引进行降噪处理，作为分割的数据；

S3，通过降噪后的点云索引搜索计算K邻域，并以此为基础，拟合近邻平面、二次曲面，分别求取点云法向量和曲率的高维特征，作为分割的依据；

S4，采用基于边缘判定与区域生长的方法，结合S2得到的数据和S3得到的依据，对点云模型进行分割，并用平均交并比MIOU评价分割结果的准确性。

2.根据权利要求1所述的一种基于边缘判定与区域生长的点云分割方法，其特征在于，S1中，采用结合三维栅格与八叉树方法对测量获取到的散乱点云建立拓扑关系。

3.根据权利要求1所述的一种基于边缘判定与区域生长的点云分割方法，其特征在于，S2中，采用基于八叉树的多尺度滤波方法对点云进行降噪处理。

4.根据权利要求1所述的一种基于边缘判定与区域生长的点云分割方法，其特征在于，S2的具体方法如下：

选取大小在点云密度N倍的值作为初始滤波半径，在该尺度下对点云索引进行滤波去噪；

不断缩小滤波半径，并重复上述过程；

观察离群点和主体点云滤波后的情况，直到去噪效果满足设定要求，则停止迭代。

5.根据权利要求1所述的一种基于边缘判定与区域生长的点云分割方法，其特征在于，S3中，利用点云索引方法建立局部邻域，然后在邻域范围内通过PCA方法获得局部一阶平面，计算得到点云法向量n_k和平面拟合误差Re_k，进行坐标变换后通过最小二乘方法拟合局部二次曲面，求取点云的曲率值，包括高斯曲率K和平均曲率H，计算方法如下：

K＝k₁·k₂

H＝(k₁+k₂)/2

其中：K——高斯曲率；

H——平均曲率；

k₁——主曲率极大值；

k₂——主曲率极小值。

6.根据权利要求1所述的一种基于边缘判定与区域生长的点云分割方法，其特征在于，S4中，在基于边缘判定与区域生长的方法中，选取种子点时优先选取未分割区域中Re值最小的点。

7.根据权利要求6所述的一种基于边缘判定与区域生长的点云分割方法，其特征在于，

采样点的相似度判据为：

待判断点与近邻点的法矢夹角θ_i,k和待判断点与近邻点平均曲率的差值，通过判定邻近点与当前种子点特征的相似程度区分生长区域；

采样点的边缘判据为：

一阶平面拟合误差Re_k，通过判断点与一阶平面的近似程度来区分边缘点和内部点；

设定阈值Re_th，Re_k＞Re_th的点为边缘点；

其中，Re_th＝mean(Re_k)+σ*std(Re_k)，mean(Re_k)表示一阶平面拟合误差的均值，std(Re_k)表示一阶平面拟合误差的标准差，σ为控制系数；

若该点同时满足相似度判据和边缘判据，则将其加入当前种子点集，最终实现点云分割。

8.根据权利要求1所述的一种基于边缘判定与区域生长的点云分割方法，其特征在于，平均交并比MIOU的计算方法如下：

其中：P₁₁——本属于1类且被预测为1类的点数；

X₁——本属于1类的点数；

Y₁——被预测为1类的点数；

n——分割后的类别数。

Images