CN113469907B - 一种基于叶片型面特征的数据简化方法及系统 - Google Patents
一种基于叶片型面特征的数据简化方法及系统 Download PDFInfo
- Publication number
- CN113469907B CN113469907B CN202110722775.XA CN202110722775A CN113469907B CN 113469907 B CN113469907 B CN 113469907B CN 202110722775 A CN202110722775 A CN 202110722775A CN 113469907 B CN113469907 B CN 113469907B
- Authority
- CN
- China
- Prior art keywords
- data
- point cloud
- point
- points
- simplification
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 230000014759 maintenance of location Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000005484 gravity Effects 0.000 claims description 27
- 230000009467 reduction Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000003860 storage Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000005056 compaction Methods 0.000 description 4
- 239000000306 component Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Generation (AREA)
Abstract
本发明公开了一种基于叶片型面特征的数据简化方法及系统,使用基于坐标值的条件滤波方法对点云进行初步滤波,保留航空发动机叶片的前缘部分和后缘部分;将体素网格内数据点密度作为约束条件,对分离出的叶盆和叶背数据进行简化,使用点云配准方法拼合成完整的叶片型面数据,实现单视点云的简化处理;采用基于叶片特征点数据保留的数据精简方法得到点云数据中的特征点和非特征点中的数据集,根据点云数据中的特征点和非特征点中的数据集计算得到简化配准点云,使用配准点云简化方法除单视点云重叠部分的大量冗余数据点,完成数据简化。本发明能够最大限度的保留边缘信息,在保证叶片型面数据的完整性的同时,大幅度减少叶片型面点云数据的数量。
Description
技术领域
本发明属于点云预处理技术领域,具体涉及一种基于叶片型面特征的数据简化方法及系统。
背景技术
航空制造领域中,发动机技术占据了至关重要的位置,而叶片则是发动机的核心部件之一,被人们誉为“心脏中的心脏”,其数字模型的重构一直是逆向工程领域中的热门方向。随着光学测量技术的发展,可以采用传感器在短时间内获得海量数据,对计算机的存储容量以及处理能力提出了极大挑战。若直接采用初始数据进行三维重构建模几乎不可能实现,重构后的光顺性也无法满足建模要求。因此,为提高数据处理效率以及节省存储空间,需要在保留曲面原有特征的基础上对其进行精简。点云数据精简一般分为两种:去除冗余数据和抽稀简化点云。
冗余数据是指在点云配准后,重复区域的数据两较大,且为无效数据,对建模的速度和质量具有较为消极的影响,需要对此部分数据进行简化。抽稀简化主要应用于扫描数据密度过大,点云数据量庞大,其中一部分数据对于后期处理的贡献值不高,因此在满足精度要求和被测物体几何特征不被改变的前提下对数据进行精简。最基本的精简方法包括:随机采样法、包围盒法、角度法、三角网格法以及曲率采样法。由于叶片型面中前后缘部分的数据获取较难,使用传统的简化方法对叶片型面数据进行统一简化使得来之易的边缘信息也被部分简化了,可能出现空洞现象,不利于后续逆向重建过程。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于叶片型面特征的数据简化方法及系统,对点云数据的数量进行有效减少,并保留叶片边缘处的信息。
本发明采用以下技术方案:
一种基于叶片型面特征的数据简化方法,包括以下步骤:
S1、使用基于坐标值的条件滤波方法对点云进行初步滤波,保留航空发动机叶片的前缘部分和后缘部分;将体素网格内数据点密度作为约束条件,使用基于体素栅格密度的包围盒方法对分离出的叶盆和叶背数据进行简化,使用点云配准方法拼合成完整的叶片型面数据,实现单视点云的简化处理;
S2、采用基于叶片特征点数据保留的数据精简方法得到点云数据中的特征点和非特征点中的数据集,根据点云数据中的特征点和非特征点中的数据集计算得到简化配准点云,对完整的叶片型面点云,使用配准点云简化方法除单视点云重叠部分的大量冗余数据点,完成数据简化。
具体的,步骤S1具体为:
S101、设定基于单视点云坐标值的约束条件,保留叶片型面前缘和后缘部分的所有数据点,对叶盆和叶背部分的数据点进行筛选,完成单视点云的初步数据简化;
S102、根据X、Y、Z坐标的最大值和最小值Xmin、Xmax、Ymin、Ymax、Zmin和Zmax确定包含所有点云数据的最小长方体,得到最小长方体内小包围盒的大小和数量,内部的小包围盒称为体素;给每个体素分配一个索引值,根据点云的坐标值将索引值分配到对应体素栅格中,每个体素内包含n个点云数据,利用离重心最近的点代替包围盒内所有点以实现点云个数的精简。
进一步的,步骤S101中,约束条件为:
其中,l为叶片的宽度,ε为条件简化因子,x,y,z为点云中数据点的坐标值。
进一步的,步骤S102中,最小长方体的体积V为:
V=(Xmax-Xmin)(Ymax-Ymin)(Zmax-Zmin)
进一步的,步骤S102中,通过K-D数方法对体素内点云进行搜素,得到离重心最近的数据点N;将离重心最近的数据点N和离重心最远的数据点F均作为保留数据以记录体素栅格内的细节信息,引入体素内点云密度ρ,除离重心最近的数据点N和离重心最远的数据点F外的数据点选取体素内曲率变化最大的ns-2个数据点。
更进一步的,引入体素内点云密度ρ后,体素内保留的点的个数ns为:
其中,α为简化调节因子。
更进一步的,体素栅格的重心计算如下:
具体的,步骤S2具体为:
S201、使用K-D树法建立点云数据的邻域关系,构建点云数据的空间拓扑结构;根据建立的空间拓扑关系,使用移动最小二乘法拟合邻域范围内的局部曲面,并求出点的曲率;
本发明的另一技术方案是,一种基于叶片型面特征的数据简化系统,包括:
单视点云模块,使用基于坐标值的条件滤波方法对点云进行初步滤波,保留航空发动机叶片的前缘部分和后缘部分;将体素网格内数据点密度作为约束条件,使用基于体素栅格密度的包围盒方法对分离出的叶盆和叶背数据进行简化,使用点云配准方法拼合成完整的叶片型面数据,实现单视点云的简化处理;
配准点云模块,采用基于叶片特征点数据保留的数据精简方法得到点云数据中的特征点和非特征点中的数据集,根据点云数据中的特征点和非特征点中的数据集计算得到简化配准点云,对完整的叶片型面点云,使用配准点云简化方法除单视点云重叠部分的大量冗余数据点,完成数据简化。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于叶片型面特征的数据简化方法,针对单视点云先采用基于坐标值的条件简化算法分割出边缘信息和较为平缓的叶盆、叶背信息,保留全部边缘信息;然后采用基于体素密度的包围盒法对平缓部分数据进行简化,通过体素栅格内点云密度的引入使叶型面的细节特征得到保留。采用基于坐标值的条件简化算法分割出边缘信息和较为平缓的叶盆叶背信息,保留全部边缘信息,并采用改进的包围盒法对平缓部分数据进行简化。在拼接后采用基于曲率变化的简化算法对冗余数据进行简化;针对配准后的点云,采用曲率简化法对数据进行精简;能够最大限度的保留边缘信息,保证叶片型面数据的完整性,也能大幅度减少叶片型面点云数据的数量。
进一步的,通过坐标值条件约束简化和基于体素栅格密度的简化方法可实现保留叶片型面边缘特征的点云数据精简。该方法不仅能够大幅度减少点云的数据量还能够保留完整的边缘信息。
进一步的,通过设置条件简化因子,可动态调节叶片型面的简化效果。
进一步的,得到点云数据的最小外包围长方体,便于后期对点云数据进行体素划分。
进一步的,通过引入离重心最近和最远的点,以及体素栅格的密度可保留更多的点云描述细节,使精简后的点云能够更好的描述点云表面的轮廓形状。
进一步的,通过点云的密度设置简化因子,密度越大简化因子越大,保留的数目越多,密度越小简化因子越小,保留的数目较少。这种参数设置可保证点云密度较大的部位保留更多的数据点,不丢失表面形状细节。
进一步的,根据体素栅格内的数据点计算重心,以便于筛选离重心较近的数据点。
进一步的,简化处理配准后的点云数据,通过曲率阈值的设置可以筛选出曲率大的前后缘数据予以保留,曲率小的叶盆叶背部分进行大幅度精简,实现了保留叶片型面边缘特征的数据精简算法。
综上所述,本发明能够最大限度的保留边缘信息,在保证叶片型面数据的完整性的同时,也能大幅度减少叶片型面点云数据的数量。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为单视点云条件简化效果图,其中,(a)为原始点云,(b)为条件简化;
图2为改进包围盒算法简化效果图,其中,(a)为输入点云,(b)为体素栅格,(c)为包围盒法简化,(d)为输入点云细节,(e)为包围盒法结果细节,(f)为单视点云简化结果;
图3为点云型面全数据图,其中,(a)为配准后的点云数据,(b)为精简的叶片全数据。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种基于叶片型面特征的数据简化方法,针对单片点云数据的抽稀首先使用基于坐标的条件简化算法将前后缘数据进行分离,其次使用改进的包围盒算法对分离出来的叶盆叶背数据进行简化。针对配准后的冗余点云去除使用一种基于曲率变化的数据简化方法。使用这样的处理方法不仅能够对点云数据的数量进行有效减少,而且能够尽可能多的保留叶片边缘处的信息。
本发明一种基于叶片型面特征的数据简化方法,包括以下步骤:
S1、简化单视点云;
由于在叶片型面前后缘数据获取的难度较大,需将前后缘部分的数据最大化保留下来,因此首先使用基于坐标值的条件滤波方法对点云进行初步滤波将叶片前后缘部分保留下来,随后采用包围盒算法对叶盆和叶背部分进行简化。
S101、基于坐标值的条件简化;
条件简化即根据预设的约束条件对点云进行数据精简,满足条件的数据被保留下来,不满足条件的数据将从点云中剔除掉,通过此方法能够快速筛选出指定区域的数据点。
本发明基于单视点云的坐标值设定约束条件,如式:
其中,Xmin、Xmax、Ymin、Ymax、Zmin和Zmax分别表示X、Y、Z坐标的最大值和最小值,而l=Xmax-Xmin为叶片的宽度,ε为条件简化因子,通过使用设定的条件将叶片型面前缘和后缘部分的所有数据点均保留下来,而位于叶盆和叶背部分的数据点需要经过进一步的筛选,最终完成单视点云的数据简化。
S102、改进的包围盒法
传统的包围盒法适用于分布均匀且规则的点云数据,但在点云曲率变化较大或者点云分布密集的位置容易丢失细节。
针对包围盒法现存的问题,将体素网格内数据点密度作为新增约束条件以保留点云细节,使其适用于叶盆和叶背数据的精简。
根据Xmin、Xmax、Ymin、Ymax、Zmin和Zmax确定包含所有点云数据的最小长方体,则最小长方体的体积为:
V=(Xmax-Xmin)(Ymax-Ymin)(Zmax-Zmin) (2)
在最小长方体建立完成后,通过设定小包围盒的长l,宽w和高h即可得到长方体内小包围盒的大小和数量,内部的小包围盒称为体素。
给每个体素分配一个索引值记为τ(i,j,k),其中1<i<(Xmax-Xmin)/l,1<j<(Ymax-Ymin)/w,1<k<(Zmax-Zmin)/h,根据点云的坐标值可将其分配到对应体素栅格中,每个体素内包含n个点云数据,记为B={xi,yi,zi}(i=1,2,…,n)。
传统包围盒法计算每个体素内所有数据点的重心,利用离重心最近的点代替该包围盒内所有点以实现点云个数的精简,其中重心计算公式为:
随后通过K-D树方法对体素内点云进行搜素,得到离重心最近的数据点N。
本发明除最近点外,将最远点F也作为保留数据以记录体素栅格内更多的细节信息。此外,引入体素内点云密度ρ,则体素内保留下来点的个数ns为:
除最近点和最远点外的数据点选取体素内曲率变化最大的ns-2个数据点。
S2、简化配准点云;
由于传感器的测量范围的限制,无法仅通过一次测量获取叶片型面的完整数据,一般采用多个位置测量的方式来采集数据,随后进行拼合,拼合后的点云数据会有大量的重叠性冗余数据,该部分数据对后续处理的用处较小,且会严重影响建模效率,因此在数据重构前需对该部分数据进行精简。
本发明采用的是基于叶片特征点数据保留的数据精简方法,具体步骤如下所示:
S201、使用K-D树法建立点云数据的邻域关系,构建其空间拓扑结构;根据建立的空间拓扑关系,使用移动最小二乘法拟合邻域范围内的局部曲面,并求出点的曲率;
S203、除特征点外的数据即为非特征点数据集,使用基于体素栅格密度的包围盒法对其进行精简,根据保留程度设置精简参数,得到非特征点中的数据集计算即为最后的简化点云,精简参数根据密度进行设定,密度较大的体素栅格中精简参数越大,可以保留更多的点,更能体验点云的细节。密度较小的体素栅格中精简参数越小,精简参数的设定跟随体素栅格的密度变化而变化。
本发明再一个实施例中,提供一种基于叶片型面特征的数据简化系统,该系统能够用于实现上述基于叶片型面特征的数据简化方法,具体的,该基于叶片型面特征的数据简化系统包括单视点云模块以及配准点云模块。
其中,单视点云模块,使用基于坐标值的条件滤波方法对点云进行初步滤波,保留航空发动机叶片的前缘部分和后缘部分;将体素网格内数据点密度作为约束条件,使用基于体素栅格密度的包围盒方法对分离出的叶盆和叶背数据进行简化,使用点云配准方法拼合成完整的叶片型面数据,实现单视点云的简化处理;
配准点云模块,采用基于叶片特征点数据保留的数据精简方法得到点云数据中的特征点和非特征点中的数据集,根据点云数据中的特征点和非特征点中的数据集计算得到简化配准点云,对完整的叶片型面点云,使用配准点云简化方法除单视点云重叠部分的大量冗余数据点,完成数据简化。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于基于叶片型面特征的数据简化方法的操作,包括:
使用基于坐标值的条件滤波方法对点云进行初步滤波,保留航空发动机叶片的前缘部分和后缘部分;将体素网格内数据点密度作为约束条件,使用基于体素栅格密度的包围盒方法对分离出的叶盆和叶背数据进行简化,使用点云配准方法拼合成完整的叶片型面数据,实现单视点云的简化处理;采用基于叶片特征点数据保留的数据精简方法得到点云数据中的特征点和非特征点中的数据集,根据点云数据中的特征点和非特征点中的数据集计算得到简化配准点云,对完整的叶片型面点云,使用配准点云简化方法除单视点云重叠部分的大量冗余数据点,完成数据简化。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关基于叶片型面特征的数据简化方法的相应步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤:
使用基于坐标值的条件滤波方法对点云进行初步滤波,保留航空发动机叶片的前缘部分和后缘部分;将体素网格内数据点密度作为约束条件,使用基于体素栅格密度的包围盒方法对分离出的叶盆和叶背数据进行简化,使用点云配准方法拼合成完整的叶片型面数据,实现单视点云的简化处理;采用基于叶片特征点数据保留的数据精简方法得到点云数据中的特征点和非特征点中的数据集,根据点云数据中的特征点和非特征点中的数据集计算得到简化配准点云,对完整的叶片型面点云,使用配准点云简化方法除单视点云重叠部分的大量冗余数据点,完成数据简化。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合测量实例验证算法的有效性。
1.单视点云
(1)基于坐标值的条件简化
通过使用线激光扫描传感器对某型号航空发动机压气机四级叶片进行扫描,获得的单视点云数据如图1(a)所示。图1(b)是对图1(a)点云使用条件简化算法筛选出的边缘信息点,其中条件简化因子ε=0.08。条件简化的目的是尽可能保留处于叶片前后缘处的数据点,以保证前后缘的重构精度。
(2)改进的包围盒法
在上一步中将点云数据中间的部分过滤掉了,而改进的包围盒法的处理对象即为中间的叶盆部分信息。图2为改进的包围盒算法的运算结果,其中图2(a)为条件简化去除掉的数据集,此处作为包围盒算法的输入点云,图2(b)是8×8×8个体素栅格的示例图像,本发明设置的栅格数量是50×20×100,将输入点云中的所有数据点按照其坐标值的大小分配到对应的体素内,并对每个栅格内的数据进行精简,此处α为简化调节因子取值0.0823,简化后的结果如图2(c)所示。图2(d)和图2(e)分别显示了输入点云和包围盒法简化点云的局部放大图,对比可知虽然简化后在整体上与输入点云的差异较小,保留的信息较为完整,但点云数目得到大幅度简化。图2(f)为单视点云经过条件简化和包围盒法简化后的最终结果,结果说明本文使用的简化方法不仅能够保留全部的叶片的特征信息,并能够大幅度减少点云数量。与传统包围盒法进行对比,本发明的精简算法更适合点云的分布特征,精简后的点云数据依然能完整的描述叶片型面的特征,而传统包围盒算法的精简度过高,易失去前后缘部分的型面特征,表1对比了两种算法各步骤的点云数目、精简度及运行时间。
表1简化过程的点云数目
2.配准后点云数据的简化
通过使用基于曲率的点云数据精简算法对配准后的叶片型面数据进行简化,结果如图3所示。图(a)为配准后的叶片型面数据,数据量为6115653,图(b)为简化后的点云数据,点云数目为152543,减少了97%,虽然数据量大幅度减少但是简化后的点云数据依然能够准确地描述叶片型面特征,无孔洞缺陷存在。
综上所述,本发明一种基于叶片型面特征的数据简化方法,由于叶片型面中前后缘部分的数据获取较难,使用传统的简化方法对叶片型面数据进行统一操作使得来之易的边缘信息也被部分简化,可能出现孔洞现象,不利于后续逆向重建过程。本发明提出了一种适用于叶片型面特征的点云简化方法,针对单视点云先采用基于坐标值的条件简化算法分割出边缘信息和较为平缓的叶盆、叶背信息,保留全部边缘信息。然后采用基于体素密度的包围盒法对平缓部分数据进行简化,通过体素栅格内点云密度的引入使叶型面的细节特征得到保留。针对配准后的点云,采用曲率简化法对数据进行精简。本发明所用方法能够最大限度的保留边缘信息,在保证叶片型面数据的完整性的同时,也能大幅度减少叶片型面点云数据的数量。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (6)
1.一种基于叶片型面特征的数据简化方法,其特征在于,包括以下步骤:
S1、使用基于坐标值的条件滤波方法对点云进行初步滤波,保留航空发动机叶片的前缘部分和后缘部分;将体素网格内数据点密度作为约束条件,使用基于体素栅格密度的包围盒方法对分离出的叶盆和叶背数据进行简化,使用点云配准方法拼合成完整的叶片型面数据,实现单视点云的简化处理,步骤S1具体为:
S101、设定基于单视点云坐标值的约束条件,保留叶片型面前缘和后缘部分的所有数据点,对叶盆和叶背部分的数据点进行筛选,完成单视点云的初步数据简化;
S102、根据X、Y、Z坐标的最大值和最小值Xmin、Xmax、Ymin、Ymax、Zmin和Zmax确定包含所有点云数据的最小长方体,得到最小长方体内小包围盒的大小和数量,内部的小包围盒称为体素;给每个体素分配一个索引值,根据点云的坐标值将索引值分配到对应体素栅格中,每个体素内包含n个点云数据,利用离重心最近的点代替包围盒内所有点以实现点云个数的精简,通过K-D数方法对体素内点云进行搜素,得到离重心最近的数据点N;将离重心最近的数据点N和离重心最远的数据点F均作为保留数据以记录体素栅格内的细节信息,引入体素内点云密度ρ,除离重心最近的数据点N和离重心最远的数据点F外的数据点选取体素内曲率变化最大的ns-2个数据点,引入体素内点云密度ρ后,体素内保留的点的个数ns为:
其中,α为简化调节因子;
S2、采用基于叶片特征点数据保留的数据精简方法得到点云数据中的特征点和非特征点中的数据集,根据点云数据中的特征点和非特征点中的数据集计算得到简化配准点云,对完整的叶片型面点云,使用配准点云简化方法除单视点云重叠部分的大量冗余数据点,完成数据简化。
3.根据权利要求1所述的方法,其特征在于,步骤S102中,最小长方体的体积V为:
V=(Xmax-Xmin)(Ymax-Ymin)(Zmax-Zmin)。
6.一种基于叶片型面特征的数据简化系统,其特征在于,包括:
单视点云模块,使用基于坐标值的条件滤波方法对点云进行初步滤波,保留航空发动机叶片的前缘部分和后缘部分;将体素网格内数据点密度作为约束条件,使用基于体素栅格密度的包围盒方法对分离出的叶盆和叶背数据进行简化,使用点云配准方法拼合成完整的叶片型面数据,实现单视点云的简化处理,具体为:
设定基于单视点云坐标值的约束条件,保留叶片型面前缘和后缘部分的所有数据点,对叶盆和叶背部分的数据点进行筛选,完成单视点云的初步数据简化;根据X、Y、Z坐标的最大值和最小值Xmin、Xmax、Ymin、Ymax、Zmin和Zmax确定包含所有点云数据的最小长方体,得到最小长方体内小包围盒的大小和数量,内部的小包围盒称为体素;给每个体素分配一个索引值,根据点云的坐标值将索引值分配到对应体素栅格中,每个体素内包含n个点云数据,利用离重心最近的点代替包围盒内所有点以实现点云个数的精简,通过K-D数方法对体素内点云进行搜素,得到离重心最近的数据点N;将离重心最近的数据点N和离重心最远的数据点F均作为保留数据以记录体素栅格内的细节信息,引入体素内点云密度ρ,除离重心最近的数据点N和离重心最远的数据点F外的数据点选取体素内曲率变化最大的ns-2个数据点,引入体素内点云密度ρ后,体素内保留的点的个数ns为:
其中,α为简化调节因子;
配准点云模块,采用基于叶片特征点数据保留的数据精简方法得到点云数据中的特征点和非特征点中的数据集,根据点云数据中的特征点和非特征点中的数据集计算得到简化配准点云,对完整的叶片型面点云,使用配准点云简化方法除单视点云重叠部分的大量冗余数据点,完成数据简化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110722775.XA CN113469907B (zh) | 2021-06-28 | 2021-06-28 | 一种基于叶片型面特征的数据简化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110722775.XA CN113469907B (zh) | 2021-06-28 | 2021-06-28 | 一种基于叶片型面特征的数据简化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469907A CN113469907A (zh) | 2021-10-01 |
CN113469907B true CN113469907B (zh) | 2023-04-07 |
Family
ID=77873453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110722775.XA Active CN113469907B (zh) | 2021-06-28 | 2021-06-28 | 一种基于叶片型面特征的数据简化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469907B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147471A (zh) * | 2022-06-28 | 2022-10-04 | 兰州交通大学 | 一种基于曲率密度特征的激光点云自动配准方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199742A (zh) * | 2014-09-05 | 2014-12-10 | 河海大学常州校区 | 一种叶片截面特征点云的精确划分方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100495442C (zh) * | 2007-03-23 | 2009-06-03 | 东南大学 | 三维扫描的点云精简方法 |
US9796400B2 (en) * | 2013-11-27 | 2017-10-24 | Solfice Research, Inc. | Real time machine vision and point-cloud analysis for remote sensing and vehicle control |
CN105654460A (zh) * | 2014-12-03 | 2016-06-08 | 富泰华工业(深圳)有限公司 | 点云拼接系统及方法 |
CN105761206A (zh) * | 2014-12-16 | 2016-07-13 | 富泰华工业(深圳)有限公司 | 点云拼接方法及系统 |
CN107833181B (zh) * | 2017-11-17 | 2023-04-11 | 沈阳理工大学 | 一种基于变焦立体视觉的三维全景图像生成方法 |
CN114942453A (zh) * | 2019-03-08 | 2022-08-26 | 欧司朗股份有限公司 | Lidar传感器系统、用于该系统的光学部件、传感器和方法 |
CN111199549B (zh) * | 2019-12-17 | 2022-08-16 | 西安交通大学 | 基于叶片型面测量点云的叶型提取方法 |
-
2021
- 2021-06-28 CN CN202110722775.XA patent/CN113469907B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199742A (zh) * | 2014-09-05 | 2014-12-10 | 河海大学常州校区 | 一种叶片截面特征点云的精确划分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113469907A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113178014B (zh) | 场景模型渲染方法、装置、电子设备和存储介质 | |
US8711143B2 (en) | System and method for interactive image-based modeling of curved surfaces using single-view and multi-view feature curves | |
CN110368694B (zh) | 游戏场景的数据处理方法、装置、设备及可读存储介质 | |
CN107123164A (zh) | 保持锐利特征的三维重建方法及系统 | |
CN107680168B (zh) | 三维重建中基于平面拟合的网格简化方法 | |
CN103970949B (zh) | 一种快速成型中三角面片模型的逐边分层方法 | |
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 | |
CN112669462B (zh) | 一种适用于扫描点云的模型处理方法及系统 | |
CN116071519B (zh) | 基于调和映射生成网格模型的图像处理方法和装置 | |
CN113469907B (zh) | 一种基于叶片型面特征的数据简化方法及系统 | |
CN112651889A (zh) | 一种适用于slam点云去噪的融合滤波方法、电子设备、存储介质 | |
CN114332291A (zh) | 一种倾斜摄影模型建筑物外轮廓规则提取方法 | |
CN113468286A (zh) | 一种基于三角面片个数划分的三维金字塔构建方法 | |
CN115984476A (zh) | 一种基于纹理的三维模型裁切方法 | |
CN114494641B (zh) | 一种三维模型轻量化方法及装置 | |
CN103679814A (zh) | 一种三角形网格模型的处理方法及装置 | |
JP2021185473A (ja) | トポロジー最適化中の材料配分時にソリッドモデルにおいて形状を保持する方法 | |
CN115294277B (zh) | 一种物体的三维重建方法、装置、电子设备及存储介质 | |
CN112819108B (zh) | 一种多源异构模型的切片融合方法、系统及存储介质 | |
Jeong et al. | Neural meshes: Statistical learning based on normals | |
CN112634458B (zh) | 一种基于特征显著性评价的口腔模型点云精简方法 | |
CN111047687B (zh) | 一种基于三维t样条的异质材料实体建模方法 | |
JP2021179977A (ja) | 距離フィールドを用いた、トポロジー最適化中の材料配分時にソリッドモデルにおいて形状を保持する方法 | |
CN107481314B (zh) | 一种基于kd树的阴影体优化方法 |
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 |