微切平面逼近三维散乱数据的研究

提出了三维散乱数据微切平面逼近的算法．基于曲面形状信息反映在三维散乱点集中，用三维点集中某点的邻域点集构造微切平面来近似表示该点处的局部形状，所有点的微切平面集合则构成了待构曲面的近似表示．通过欧几里德最小生成树对微切平面法矢方向进行调整使其达到整体一致性，该算法在三维散乱数据曲面重构中具有重要意义．

散乱数据点云边界特征自动提取算法

提出一种散乱数据点云边界特征自动提取算法,该算法采用R*-tree动态空间索引结构组织散乱数据点云的拓扑关系,基于该结构获取采样点的k近邻点作为局部型面参考数据,以最小二乘法拟合该数据的微切平面,并将其向微切平面投影,根据采样点与其k近邻所对应投影点连线的最大夹角识别散乱点云边界特征.实例验证该算法可快速、准确地提取散乱数据点云的边界特征.

一种基于散乱点云的边界提取算法

点云边界是曲面的重要特征之一,边界线的快速准确提取对于提高曲面重构的效率和质量具有重要意义。首先,采用基于kd-tree搜索的方法建立点云空间拓补关系,进行K邻域快速搜索,以采样点及其K邻域作为局部型面参考依据拟合微切平面,将其向微切平面投影;其次,在微切平面上建立局部坐标系,并对投影点进行参数化,根据邻域点集在采样点处的场力大小之和可以表示点集的平均作用来识别点云的边界特征点;最后,从提高边界线连续性的角度,利用NURBS曲线插值方法连接边界线。实验结果表明,该算法可以快速、有效地提取出点云的边界特征点,并得到C2连续的边界线,满足曲面重构的要求。

基于神经网络的接触式测头半径三维补偿

本文探讨了基于扩展的自组织特征映射(ESOFM)神经网络的三坐标测量机接触式密集数据采集的测头半径三维补偿。构建了测头半径三维补偿神经网络模型及其训练算法。用网络神经元对曲面空间测量样本点的学习和训练来模拟曲面上的点与点之间的内在关系。按六角形阵列侧抑制邻区训练调整网络神经元权重矢量,使网络输出层结点呈六角形阵列分布,可实现测量点集压缩后的Delaunay三角逼近剖分。经过训练,神经网络将整个数字化点群数据分成许多子区域,每个子区域用一个微切平面逼近。根据微切平面的法线,对测头半径进行三维补偿。算例表明所创建的测头半径三维补偿神经网络模型有效可行。

点云数据模型特征点提取算法研究与实现

以LS方法为基础,在对已有的特征点提取方法研究的基础上,设计了一种改进的点云模型特征点提取算法。该方法以扫描到的每个数据点为中心建立一个δ-邻域,再以LS方法为基础,拟合此邻域的一个微切平面,然后将邻域内的点透视投影到此微切平面,计算这些点在微切面上的投影点的协方差值,从而构造一个协方差矩阵,并通过计算矩阵的相关值,设定阈值,把满足一定阈值范围内的点作为研究模型的边界特征点。

层次化点云边界快速精确提取方法研究

为了提高依据邻近点最大夹角提取边界点方法的提取效率,提出了一种层次化快速精确提取边界点的方法。先对任意采样点检索其R邻域内点集,依据R邻域内点集重心点坐标与采样点的距离粗提取边界点,然后将粗提取的边界点及其邻域点投影至微切平面,通过各邻近点与采样点的方向向量求取相邻向量间的最大夹角,再依据最大夹角精提取边界点。通过理论分析和点云数据实验验证了该算法的可行性。结果表明,该算法相较于传统的方法,能缩短22.11%的运行时间,但精度降低5.23%;相较于其它层次化提取方法,在缩短10.99%的运行时间的同时精度提高7.17%。该研究为点云3维重建中边界提取提供了参考。

扫描式数据采集测头半径的三维智能计算补偿

探讨了基于扩展的自组织特征映射神经网络的扫描式密集数据采集的测头半径三维补偿。构建了测头半径三维补偿神经网络模型及其训练算法。首先经过训练,神经网络将整个数字化点群数据分成许多子区域,每个子区域用一个微切平面逼近;然后对子区域的分类核心,即神经元位置权重,沿微切平面法矢方向进行修正;最后根据微切平面的法线,对测头半径进行三维补偿。算例表明所创建的测头半径三维补偿神经网络模型有效可行。