散乱点云数据处理相关算法的研究

论文摘要

随着三维激光扫描技术的发展,人们可以快速准确的获得物体表面大量的采样点。但是这些数据非常庞大,对后续的实时和高效的处理带来了很大的挑战,因此准确且高效的处理这些点云数据,并最终生成逼真的实物模型成为研究的一个重点。本文在此背景之下,对散乱点云数据处理的相关算法进行了研究,其主要研究内容有以下几个方面：1.对空间包围盒分块中栅格边长的计算方法进行了改进。首先以给定边长进行首次划分,计算出划分栅格的黑体占有率；然后综合考虑数据集的范围、点的总数、最近点数k以及黑体占有率的情况下进行第二次划分,使得对不同点云数据的最佳边长计算更为精确。2.在分析了基于点距与基于曲率的精简方法的基础上,综合考虑了数据简化速度与简化精度的前提下给出了一种基于向量夹角的数据简化算法。算法首先计算出采样点及其邻域点的重心点,再计算采样点指向邻域点的向量与采样点指向重心点的向量的夹角,取这些夹角的平均值作为采样点的夹角,依据采样点的夹角值大小来识别特征点；实验结果表明该算法策略能够较好的识别特征点,既提高了简化的速度,又很好的保持了物体表面的几何特征。3.分析了各种已有散乱数据边界点提取算法。在此基础上根据边界点与其邻域点的分布特征,给出了一种基于点距的边界点快速提取算法。算法首先计算采样点及其邻域点的重心点,跟据采样点到重心点的距离与采样到最远邻域点的距离的比值来识别边界点。实验表明该算法能够快速准确的提取三维散乱数据点的边界点。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外发展现状
• 1.3 点云数据分类
• 1.4 点云数据采集
• 1.4.1 接触法
• 1.4.2 非接触法
• 1.5 点云数据处理
• 1.5.1 点云数据邻域搜索
• 1.5.2 点云数据去噪
• 1.5.3 点云数据简化
• 1.5.4 点云数据分块
• 1.5.5 点云数据光顺
• 1.6 表面重建
• 1.7 本文的研究内容及结构安排
• 第二章 点云数据拓扑关系的建立
• 2.1 引言
• 2.2 三维数据的空间划分
• 2.2.1 八叉树划分
• 2.2.2 k-d tree
• 2.2.3 栅格划分
• 2.3 基于有点区域的K近邻搜索算法
• 2.3.1 栅格划分相关概念
• 2.3.2 栅格边长确定
• 2.3.3 算法原理
• 2.3.4 黑体率计算
• 2.3.5 算法步骤
• 2.3.6 实验结果
• 2.4 本章小结
• 第三章 点云数据的简化
• 3.1 引言
• 3.2 点云数据简化算法
• 3.2.1 包围盒法
• 3.2.2 随机采样法
• 3.2.3 均匀网格法
• 3.2.4 曲率采样法
• 3.3 点云数据简化结果的评定
• 3.4 基于向量夹角的数据简化算法
• 3.4.1 点的几何特征分析
• 3.4.2 点的特征描述
• 3.4.3 空间剖分与邻域搜索
• 3.4.4 基于包还点的栅格化
• 3.4.5 基于向量夹角的精简原则
• 3.4.6 算法步骤
• 3.4.7 实验结果
• 3.5 本章小结
• 第四章 点云数据边界特征点的提取
• 4.1 引言
• 4.2 基于"网孔法"边界提取算法
• 4.3 三角网格曲面边界提取算法
• 4.4 基于局部型面参考点集的提取算法
• 4.5 散乱点云快速边界提取算法
• 4.5.1 点的几何特征分析
• 4.5.2 点的特征描述
• 4.5.3 算法描述
• 4.5.4 算法步骤
• 4.5.5 实验结果
• 4.6 本章小结
• 第五章 总结与展望
• 5.1 全文工作总结
• 5.2 今后研究的展望
• 参考文献
• 攻读硕士学位期间取得的科研成果
• 致谢