CN116091771A - 一种复杂机匣腔体点云分割方法、装置及设备 - Google Patents

一种复杂机匣腔体点云分割方法、装置及设备 Download PDF

Info

Publication number
CN116091771A
CN116091771A CN202310066809.3A CN202310066809A CN116091771A CN 116091771 A CN116091771 A CN 116091771A CN 202310066809 A CN202310066809 A CN 202310066809A CN 116091771 A CN116091771 A CN 116091771A
Authority
CN
China
Prior art keywords
point
cavity
segmentation
point cloud
points
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
Application number
CN202310066809.3A
Other languages
English (en)
Inventor
杨吉祥
张瑾贤
丁汉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202310066809.3A priority Critical patent/CN116091771A/zh
Publication of CN116091771A publication Critical patent/CN116091771A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/26Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种复杂机匣腔体点云分割方法、装置及设备,属于点云数据分割领域。本发明首先基于常规的CAD模型的区域搜索分割方法,得到初始腔体分割点云集合C1;然后,删除集合C1中的重复坐标点,并考虑机匣腔体特性采取聚类去噪的方法,得到稀疏腔体点云分割集合C2;进一步对集合C2进行边缘轮廓估计与扩展,得到边界扩展点云集合B2;最终,根据集合B2将集合C2分割为内部点和边界带点两部分,并对内部点进行半径邻域搜索与扩充,有效增加了复杂机匣腔体分割的数据量。如此,本发明在常规的CAD模型的区域搜索分割方法的基础上,引入分割腔体点云边界估计与边界扩展以及机匣腔体点云分割数据量扩充,使得最终获得的腔体分割数据多、分割效果好。

Description

一种复杂机匣腔体点云分割方法、装置及设备
技术领域
本发明属于点云数据分割领域,更具体地,涉及一种复杂机匣腔体点云分割方法、装置及设备。
背景技术
点云分割是从一副完整的点云数据中分割出某一指定的区域,这个区域可以是某一场景点云中指定物体的形貌点云,也可以是某一物体点云中指定的特征面。通过运用点云分割算法,能够便捷的提取出所需要的部分进行分析,从而得出正确的结果。特别是在航空航天领域,诸如复杂机匣这类有着多个深腔特征的曲面零件,只有单独分割出每个腔体的数据进行分析才能获取到正确的加工余量。
针对点云数据分割,主流的方法有随机采样一致性(RANSAC)分割算法、欧式聚类分割算法以及基于CAD模型的区域搜索分割算法。其中随机采样一致性(RANSAC)分割算法,需要已知要进行分割特征的数学方程,并通过不断迭代查找符合这个数学方程的最佳系数,从而实现分割。因此,该方法只适用于分割一些规则的特征,如平面、圆柱面等等。欧式聚类分割算法则是以相邻点之间的欧式距离为标准进行聚类,完成后可得到多个聚类集合,从而实现分割。该方法要求被分割区域与整体之间有着明显的隔断,不适用于连通区域的分割。而基于CAD模型的区域搜索分割算法,首先将CAD模型与物体点云进行配准,对于要分割的特征面将其离散成点,后续对于每个离散点在物体完整点云中进行对应点近邻搜索并将搜索点加入到分割集合中,从而完成分割。该方法由于有CAD模型进行支撑因此可以分割任意类型的特征面,然而该方法由于在对应点搜索过程中,会搜索到大量的重复点加入到分割集合中,因此存在分割数据稀疏、分割效果差的缺点。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种复杂机匣腔体点云分割方法、装置及设备,方法主要包括CAD离散点云与对应点近邻搜索、分割腔体点云重复点删除与欧式聚类去噪、分割腔体点云边界估计与边界扩展以及机匣腔体点云分割数据量扩充,旨在解决采用基于CAD模型的区域搜索分割算法存在的分割数据少、分割效果差的问题。
为实现上述目的,第一方面,本发明提供了一种复杂机匣腔体点云分割方法,包括:
S1,将待分割腔体对应的CAD曲面离散采样成N个点,以机匣整体点云集合W为搜索空间,以离散的N个点为种子点进行对应点近邻搜索得到初始腔体分割点云集合C1
S2,删除集合C1中的重复坐标点,并对剩余点进行聚类得到多个聚类集合;选取聚类点数最多的前M个聚类集合,作为稀疏腔体点云分割集合C2
S3,对集合C2进行边界估计得到待分割腔体的边界点集合B1;以集合C2为搜索空间,以集合B1中每个点为种子点进行半径邻域搜索,将搜索到的点和种子点一同合并为边界扩展点云集合B2
S4,以集合W为搜索空间,迭代遍历集合C2中的每一个点,若该点位于集合B2中则直接将其加入到最终腔体分割点云集合F中;否则,对该点进行半径邻域搜索,并将该点以及搜索到的邻域点全部加入到集合F中。
进一步地,所述S1中,机匣单腔体CAD模型为三角网格模型,对于任意一个三角面片,在该三角面片内随机采样生成一点pr-n表示为:
Figure BDA0004073615500000031
其中,p1-nd,p2-nd,p3-nd为该三角面片的三个顶点坐标,λ12为满足0-1正态分布的随机值。
进一步地,所述S2中,删除集合C1中的重复坐标点,具体为:
以集合C1为搜索空间,对集合C1中每一个点进行近邻搜索,若该点与其最近邻点距离小于重复点距离判定阈值τrepeat,则将该点删除。
进一步地,所述S2中,对剩余点进行聚类得到多个聚类集合,具体为:
S21,在删除重复坐标点后的集合C'1中随机选取一点pc1-s,搜索得到其k1个近邻点,若近邻点到点pc1-s的距离小于聚类阈值τcluster,则将该点加入到聚类es中;1≤s≤S,S为集合C'1中点的总数量;
S22,选择es中其他一点重新进行k1近邻搜索并进行判定,直到没有符合要求的点加入到聚类es中,则完成1次聚类,并将聚类es中的点从集合C'1中删除;
S23,重复S21和S22,直至集合C'1中没有剩余的点,最终得到多个聚类集合E={e1,e2,…,es,…}。
进一步地,所述S3中,对集合C2进行边界估计得到待分割腔体的边界点集合B1,具体为:
对集合C2中每一个坐标点pc2-i,搜索得到其k2个近邻点pc2-j(1≤j≤k2),并利用点pc2-i和其近邻点坐标进行最小二乘平面拟合;
将点pc2-i以及其k2个近邻点pc2-j(1≤j≤k2)向拟合平面进行投影得到平面投影坐标p'c2-i和p'c2-j
完成平面点投影后,以p'c2-i为原点,点p'c2-i与第一个近邻投影点p'c2-1构建的向量
Figure BDA0004073615500000032
为x轴,拟合平面的法线为y轴,向量
Figure BDA0004073615500000033
与拟合平面法线的向量积为z轴,构建局部坐标系;对于剩下的近邻投影点pc2-j(2≤j≤k2)分别与点p'c2-i构建向量
Figure BDA0004073615500000041
分别求解向量
Figure BDA0004073615500000042
与x轴、y轴之间的夹角αtt(t=1,2…k2-1);
根据βt的值对αt进行修正:
Figure BDA0004073615500000043
对修正后的αt进行排序,排序后求解相邻αt之间的夹角差γt,并获取最大夹角差γmax;若最大夹角差γmax大于边界点判定阈值τθ,则点pc2-i判定为边界点,并保留该点至边界点集合B1中。
进一步地,所述S4中,得到最终腔体分割点云集合F后,还包括:删除集合F中的重复坐标点。
为实现上述目的,第二方面,本发明提供了一种复杂机匣腔体点云分割装置,包括:
初始腔体分割点云集合C1确定模块,用于将待分割腔体对应的CAD曲面离散采样成N个点,以机匣整体点云集合W为搜索空间,以离散的N个点为种子点进行对应点近邻搜索得到初始腔体分割点云集合C1
稀疏腔体点云分割集合C2确定模块,用于删除集合C1中的重复坐标点,并对剩余点进行聚类得到多个聚类集合;选取聚类点数最多的前M个聚类集合,作为稀疏腔体点云分割集合C2
边界扩展点云集合B2确定模块,用于对集合C2进行边界估计得到待分割腔体的边界点集合B1;以集合C2为搜索空间,以集合B1中每个点为种子点进行半径邻域搜索,将搜索到的点和种子点一同合并为边界扩展点云集合B2
最终腔体分割点云集合F确定模块,用于以集合W为搜索空间,迭代遍历集合C2中的每一个点,若该点位于集合B2中则直接将其加入到最终腔体分割点云集合F中;否则,对该点进行半径邻域搜索,并将该点以及搜索到的邻域点全部加入到集合F中。
为实现上述目的,第三方面,本发明提供了一种电子设备,包括:处理器;存储器,其存储有计算机可执行程序,所述程序在被所述处理器执行时,使得所述处理器执行如第一方面所述的复杂机匣腔体点云分割方法。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
本发明首先基于常规的CAD模型的区域搜索分割方法,得到初始腔体分割点云集合C1;然后,删除集合C1中的重复坐标点,并考虑机匣腔体特性采取聚类去噪的方法,有效去除了原始分割结果中的离群、孤立点,得到稀疏腔体点云分割集合C2;进一步对集合C2进行边缘轮廓估计与扩展,得到边界扩展点云集合B2;最终,根据集合B2将集合C2分割为内部点和边界带点两部分,并对内部点进行半径邻域搜索与扩充,有效增加了复杂机匣腔体分割的数据量。如此,本发明在常规的CAD模型的区域搜索分割方法的基础上,引入分割腔体点云边界估计与边界扩展以及机匣腔体点云分割数据量扩充,使得最终获得的腔体分割数据多、分割效果好。
附图说明
图1为本发明实施例提供的一种复杂机匣腔体点云分割方法的流程图;
图2(a)和图2(b)分别为完整机匣点云模型和单腔体CAD模型;
图3为采用原始分割方法得到的稀疏腔体点云分割结果;
图4为对稀疏腔体点云进行边缘轮廓估计的结果;
图5为对腔体点云边缘轮廓进行扩展的结果;
图6为采用改进分割方法得到的机匣腔体点云分割结果;
图7为采用原始和改进分割方法得到的分割数据量对比图;
图8(a)和图8(b)分别为采用原始和改进分割方法得到的分割效果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中,本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
实施例一
参阅图1,本发明提供了一种复杂机匣腔体点云分割方法,该方法包括操作S1至S4。
操作S1,将待分割腔体对应的CAD曲面离散采样成N个点,以机匣整体点云集合W为搜索空间,以离散的N个点为种子点进行对应点近邻搜索得到初始腔体分割点云集合C1
在操作S1之前,还包括将机匣零件CAD模型与点云模型进行配准。
如图2(a)和图2(b)所示,本实施例以机匣单腔体CAD模型为三角网格模型为例,实际上还可以是多边形、曲面等,设单腔体三角面片集合为V={v1,v2…vm}。设定离散采样的目标点数为N,每次随机采样生成一点,重复迭代N次。在第n(1≤n≤N)次离散的过程中根据三角面片集合的下标范围随机提取一个索引值id(1≤id≤m),获取到要进行离散的目标面片vid。根据目标面片的三个顶点坐标p1-nd,p2-nd,p3-nd,在该三角形内随机采样生成一点pr-n
Figure BDA0004073615500000061
上式中,λ12为满足0-1正态分布的随机值。
完成机匣单腔体CAD模型离散后便得到离散点云集合Τ,将实际扫描测量的机匣整体点云集合W作为搜索空间构建kdtree,对集合T中每一个点在W中搜索距离最近的对应点并进行保留,得到初始腔体分割点云集合C1
操作S2,删除集合C1中的重复坐标点,并对剩余点进行聚类得到多个聚类集合;选取聚类点数最多的前M个聚类集合,作为稀疏腔体点云分割集合C2
在重复点删除过程中,将C1作为搜索空间构建kdtree,同时对集合C1中每一个点进行近邻搜索,若该点与其最近邻点距离小于重复点距离判定阈值τrepeat,则将该点删除;其中,τrepeat取较小值,通常取τrepeat=1×10-5
删除完重复点后的分割集合内仍然存在一些离群、孤立点。若不进行剔除会影响整个腔体内外壁、支板面余量计算结果。由于腔体内外壁、支板面构成了三个大的连通域,因此,采用聚类去噪的方法可以很好的完成孤立、离群点的去除。具体的去噪流程为:
S21,在删除重复坐标点后的集合C'1中随机选取一点pc1-s,搜索得到其k1个近邻点,若近邻点到点pc1-s的距离小于聚类阈值τcluster,则将该点加入到聚类es中;1≤s≤S,S为集合C'1中点的总数量;
S22,选择es中其他一点重新进行k1近邻搜索并进行判定,直到没有符合要求的点加入到聚类es中,则完成1次聚类,并将聚类es中的点从集合C'1中删除;
S23,重复S21和S22,直至集合C'1中没有剩余的点,最终得到多个聚类集合E={e1,e2,…,es,…}。
进一步,根据聚类点数大小对聚类集合E进行降序排列,根据单腔体特性(内外壁、左右支板面三个连通域),选取聚类集合中点数前3的聚类作为稀疏腔体点云分割集合C2={e1,e2,e3},如图3所示。
操作S3,对集合C2进行边界估计得到待分割腔体的边界点集合B1;以集合C2为搜索空间,以集合B1中每个点为种子点进行半径邻域搜索,将搜索到的点和种子点一同合并为边界扩展点云集合B2
对C2中每一个坐标点pc2-i判定其是否为边界点时,先搜索该点的k2个近邻点pc2-j(1≤j≤k2)。接着用该点和其近邻点坐标进行最小二乘平面拟合,得到拟合平面方程:
Ax+By+Cz+D=0
上式中A,B,C,D分别为拟合平面方程系数,且平面单位法向量为
Figure BDA0004073615500000081
将点pc2-i=(xc2-i,yc2-i,zc2-i)以及其k2个近邻点pc2-j=(xc2-j,yc2-j,zc2-j)向拟合平面进行投影得到平面投影坐标p'c2-i=(x'c2-i,y'c2-i,z'c2-i)和p'c2-j=(x'c2-j,y'c2-j,z'c2-j):
Figure BDA0004073615500000082
上式为求投影点p'c2-i具体公式,投影点p'c2-j的求解同理。
完成平面点投影后,以p'c2-i为原点,点p'c2-i与第一个近邻投影点p'c2-1构建的向量
Figure BDA0004073615500000083
为x轴,拟合平面的法线为y轴,向量
Figure BDA0004073615500000084
与平面法线的向量积为z轴,构建局部坐标系。对于剩下的近邻投影点pc2-j(2≤j≤k2)分别与点p'c2-i构建向量
Figure BDA0004073615500000085
分别求解向量
Figure BDA0004073615500000086
与x轴、y轴之间的夹角αtt(t=1,2…k2-1)。
为了保证
Figure BDA0004073615500000087
与x轴夹角为顺时针夹角,需要进一步根据βt的值对αt进行修正:
Figure BDA0004073615500000088
进一步的对修正后的αt进行升序排序,排序后求解相邻αt之间的夹角差γt
Figure BDA0004073615500000091
设定边界点判定阈值τθ,对夹角差γt进行升序排序,获取最大夹角差γmax。若最大夹角差γmax大于边界点判定阈值τθ则该点判定为边界点,并保留该点至边界点集合B1中,如图4所示。
边界点集合B1中的点仅仅为腔体最边缘一圈轮廓,进一步的以稀疏腔体点云分割集合C2作为搜索空间,取合适的扩展半径rk对B1中每一点bi进行半径邻域搜索,若C2中点到bi的距离小于扩展半径rk,则将其加入到扩展边界带B2中。完成每个点的迭代搜索后,就得到了具有一定宽度的腔体边界轮廓带,如图5所示。
操作S4,以集合W为搜索空间,迭代遍历集合C2中的每一个点,若该点位于集合B2中则直接将其加入到最终腔体分割点云集合F中;否则,对该点进行半径邻域搜索,并将该点以及搜索到的邻域点全部加入到集合F中。
根据前面腔体边界扩展点云集合B2可以将稀疏腔体点云分割集合C2分割为内部点和边界带点两部分。对C2中每一个点,以完整的机匣点云W作为搜索空间,若C2中某一点位于边界带则不进行扩充,直接将该点加入到单腔体完整分割集合F中。反之,若位于内部点,则取合适的扩充搜索半径re进行空间半径邻域搜索,将该点以及搜索到的半径re内所有邻域点全部加入到分割集合F中。
完成C2中所有点的扩充后,得到的腔体完整点云数据F中仍会包含一定量的重复坐标点。同样的采取删除重复点操作,进行滤除后即可得到最终的机匣腔体点云数据,如图6所示。
为了验证所提机匣改进分割方法的有效性,采用原始分割方法与改进分割方法进行分割对比。原始分割方法为基于CAD模型的区域搜索分割方法,其主要的分割流程为对腔体CAD模型进行离散,然后开展最近邻搜索分割。实验数据为某型号航空发动机机匣仿制件,其扫描测量的机匣完整点云数量为3799887,用于分割的CAD离散点云数量为200000。图7为两种方法分割机匣单个腔体的结果比较,基于CAD模型的区域搜索分割方法(原始分割方法)仅能够分割出的有效数据量为111870,而所提改进分割方法能够分割出的数据量为250915,相比于原始分割方法数据量提升了约2.2倍。图8(a)和图8(b)为两种分割方法结果的可视化对比,可以明显看出原始分割方法得到的腔体点云存在大量的稀疏孔洞,表面形貌残缺,而改进分割方法得到的腔体点云数据密集,表面形貌完整。
实施例二
一种复杂机匣腔体点云分割装置,包括:
初始腔体分割点云集合C1确定模块,用于将待分割腔体对应的CAD曲面离散采样成N个点,以机匣整体点云集合W为搜索空间,以离散的N个点为种子点进行对应点近邻搜索得到初始腔体分割点云集合C1
稀疏腔体点云分割集合C2确定模块,用于删除集合C1中的重复坐标点,并对剩余点进行聚类得到多个聚类集合;选取聚类点数最多的前M个聚类集合,作为稀疏腔体点云分割集合C2
边界扩展点云集合B2确定模块,用于对集合C2进行边界估计得到待分割腔体的边界点集合B1;以集合C2为搜索空间,以集合B1中每个点为种子点进行半径邻域搜索,将搜索到的点和种子点一同合并为边界扩展点云集合B2
最终腔体分割点云集合F确定模块,用于以集合W为搜索空间,迭代遍历集合C2中的每一个点,若该点位于集合B2中则直接将其加入到最终腔体分割点云集合F中;否则,对该点进行半径邻域搜索,并将该点以及搜索到的邻域点全部加入到集合F中。
相关技术方案同实施例一,在此不再赘述。
实施例三
一种电子设备,包括:处理器;存储器,其存储有计算机可执行程序,所述程序在被所述处理器执行时,使得所述处理器执行如实施例一所述的复杂机匣腔体点云分割方法。
相关技术方案同实施例一,在此不再赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

Claims (8)

1.一种复杂机匣腔体点云分割方法,其特征在于,包括以下步骤:
S1,将待分割腔体对应的CAD曲面离散采样成N个点,以机匣整体点云集合W为搜索空间,以离散的N个点为种子点进行对应点近邻搜索得到初始腔体分割点云集合C1
S2,删除集合C1中的重复坐标点,并对剩余点进行聚类得到多个聚类集合;选取聚类点数最多的前M个聚类集合,作为稀疏腔体点云分割集合C2
S3,对集合C2进行边界估计得到待分割腔体的边界点集合B1;以集合C2为搜索空间,以集合B1中每个点为种子点进行半径邻域搜索,将搜索到的点和种子点一同合并为边界扩展点云集合B2
S4,以集合W为搜索空间,迭代遍历集合C2中的每一个点,若该点位于集合B2中则直接将其加入到最终腔体分割点云集合F中;否则,对该点进行半径邻域搜索,并将该点以及搜索到的邻域点全部加入到集合F中。
2.根据权利要求1所述的复杂机匣腔体点云分割方法,其特征在于,所述S1中,机匣单腔体CAD模型为三角网格模型,对于任意一个三角面片,在该三角面片内随机采样生成一点pr-n表示为:
Figure FDA0004073615490000011
其中,p1-nd,p2-nd,p3-nd为该三角面片的三个顶点坐标,λ12为满足0-1正态分布的随机值。
3.根据权利要求1所述的复杂机匣腔体点云分割方法,其特征在于,所述S2中,删除集合C1中的重复坐标点,具体为:
以集合C1为搜索空间,对集合C1中每一个点进行近邻搜索,若该点与其最近邻点距离小于重复点距离判定阈值τrepeat,则将该点删除。
4.根据权利要求1或3所述的复杂机匣腔体点云分割方法,其特征在于,所述S2中,对剩余点进行聚类得到多个聚类集合,具体为:
S21,在删除重复坐标点后的集合C'1中随机选取一点pc1-s,搜索得到其k1个近邻点,若近邻点到点pc1-s的距离小于聚类阈值τcluster,则将该点加入到聚类es中;1≤s≤S,S为集合C'1中点的总数量;
S22,选择es中其他一点重新进行k1近邻搜索并进行判定,直到没有符合要求的点加入到聚类es中,则完成1次聚类,并将聚类es中的点从集合C'1中删除;
S23,重复S21和S22,直至集合C'1中没有剩余的点,最终得到多个聚类集合E={e1,e2,…,es,…}。
5.根据权利要求1所述的复杂机匣腔体点云分割方法,其特征在于,所述S3中,对集合C2进行边界估计得到待分割腔体的边界点集合B1,具体为:
对集合C2中每一个坐标点pc2-i,搜索得到其k2个近邻点pc2-j(1≤j≤k2),并利用点pc2-i和其近邻点坐标进行最小二乘平面拟合;
将点pc2-i以及其k2个近邻点pc2-j(1≤j≤k2)向拟合平面进行投影得到平面投影坐标p'c2-i和p'c2-j
完成平面点投影后,以p'c2-i为原点,点p'c2-i与第一个近邻投影点p'c2-1构建的向量
Figure FDA0004073615490000021
为x轴,拟合平面的法线为y轴,向量
Figure FDA0004073615490000022
与拟合平面法线的向量积为z轴,构建局部坐标系;对于剩下的近邻投影点pc2-j(2≤j≤k2)分别与点p'c2-i构建向量
Figure FDA0004073615490000023
分别求解向量
Figure FDA0004073615490000024
与x轴、y轴之间的夹角αtt(t=1,2…k2-1);
根据βt的值对αt进行修正:
Figure FDA0004073615490000025
对修正后的αt进行排序,排序后求解相邻αt之间的夹角差γt,并获取最大夹角差γmax;若最大夹角差γmax大于边界点判定阈值τθ,则点pc2-i判定为边界点,并保留该点至边界点集合B1中。
6.根据权利要求1所述的复杂机匣腔体点云分割方法,其特征在于,所述S4中,得到最终腔体分割点云集合F后,还包括:删除集合F中的重复坐标点。
7.一种复杂机匣腔体点云分割装置,其特征在于,包括:
初始腔体分割点云集合C1确定模块,用于将待分割腔体对应的CAD曲面离散采样成N个点,以机匣整体点云集合W为搜索空间,以离散的N个点为种子点进行对应点近邻搜索得到初始腔体分割点云集合C1
稀疏腔体点云分割集合C2确定模块,用于删除集合C1中的重复坐标点,并对剩余点进行聚类得到多个聚类集合;选取聚类点数最多的前M个聚类集合,作为稀疏腔体点云分割集合C2
边界扩展点云集合B2确定模块,用于对集合C2进行边界估计得到待分割腔体的边界点集合B1;以集合C2为搜索空间,以集合B1中每个点为种子点进行半径邻域搜索,将搜索到的点和种子点一同合并为边界扩展点云集合B2
最终腔体分割点云集合F确定模块,用于以集合W为搜索空间,迭代遍历集合C2中的每一个点,若该点位于集合B2中则直接将其加入到最终腔体分割点云集合F中;否则,对该点进行半径邻域搜索,并将该点以及搜索到的邻域点全部加入到集合F中。
8.一种电子设备,其特征在于,包括:
处理器;
存储器,其存储有计算机可执行程序,所述程序在被所述处理器执行时,使得所述处理器执行如权利要求1-6中任一项所述的复杂机匣腔体点云分割方法。
CN202310066809.3A 2023-01-12 2023-01-12 一种复杂机匣腔体点云分割方法、装置及设备 Pending CN116091771A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310066809.3A CN116091771A (zh) 2023-01-12 2023-01-12 一种复杂机匣腔体点云分割方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310066809.3A CN116091771A (zh) 2023-01-12 2023-01-12 一种复杂机匣腔体点云分割方法、装置及设备

Publications (1)

Publication Number Publication Date
CN116091771A true CN116091771A (zh) 2023-05-09

Family

ID=86187919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310066809.3A Pending CN116091771A (zh) 2023-01-12 2023-01-12 一种复杂机匣腔体点云分割方法、装置及设备

Country Status (1)

Country Link
CN (1) CN116091771A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740101A (zh) * 2023-05-16 2023-09-12 中国信息通信研究院 用于点云对象的平面分割算法
CN116910888A (zh) * 2023-09-08 2023-10-20 临沂大学 一种装配式建筑bim模型构件生成方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740101A (zh) * 2023-05-16 2023-09-12 中国信息通信研究院 用于点云对象的平面分割算法
CN116740101B (zh) * 2023-05-16 2024-03-12 中国信息通信研究院 用于点云对象的平面分割方法
CN116910888A (zh) * 2023-09-08 2023-10-20 临沂大学 一种装配式建筑bim模型构件生成方法及系统
CN116910888B (zh) * 2023-09-08 2023-11-24 临沂大学 一种装配式建筑bim模型构件生成方法及系统

Similar Documents

Publication Publication Date Title
CN116091771A (zh) 一种复杂机匣腔体点云分割方法、装置及设备
CN109859114B (zh) 基于局域平滑性和非局域相似性的三维点云修复方法
CN115222625A (zh) 一种基于多尺度噪声的激光雷达点云去噪方法
CN113538264B (zh) 一种点云数据的去噪方法、装置及存储介质
CN112396133B (zh) 基于多尺度空间的城市区域空地一体融合点云分类方法
CN111275724A (zh) 一种基于八叉树和边界优化的机载点云屋顶平面分割方法
CN111128301A (zh) 一种基于模糊聚类的重叠蛋白质复合物识别方法
CN111340723A (zh) 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法
CN111062960A (zh) 基于散乱点云的飞机蒙皮对缝特征线提取方法
CN117132630A (zh) 一种基于二阶空间兼容性度量的点云配准方法
CN116523898A (zh) 一种基于三维点云的烟草表型性状提取方法
CN114898118A (zh) 基于多源点云的输电线路房屋拆迁量自动统计方法及系统
CN108765445B (zh) 一种肺气管分割方法及装置
CN110781943A (zh) 一种基于毗邻网格搜索的聚类方法
CN113409332A (zh) 一种基于三维点云的建筑物平面分割方法
CN109241628B (zh) 基于图谱理论和聚类的三维cad模型分割方法
Li A voxel graph-based resampling approach for the aerial laser scanning of urban buildings
CN107492101B (zh) 基于自适应构造最优图的多模态鼻咽肿瘤分割算法
CN112884884A (zh) 一种候选区域生成方法及系统
CN111986223A (zh) 一种基于能量函数的室外点云场景中树木提取方法
Yu et al. GCA: A real-time grid-based clustering algorithm for large data set
Hyunki et al. A noble Image segmentation using local area splitting and merging method based on intensity change
CN117710717B (zh) 超体聚类点云分割方法、装置、设备和存储介质
CN108898558A (zh) 一种保特征网格的曲面去噪方法
Skála et al. Clustering geometric data streams

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