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.

基于一种新的曲率分析算法对散乱数据点云分块(英文)

给出了数据分块系统性方案 ,即从仅含有三维坐标的散乱的点云中自动提取几何曲面特性 .首先基于局部基面参数化估算散乱数据点云的局部表面曲率分析是其方案的关键性技术 .再采用由高斯曲率和平均曲率的记号得到的 8种曲面类型 ,就形成初始数据分块 .通过区域增长法可以使粗略数据分块进一步被提取 ,得到更小的噪声影响及更精确的区域划分 .其方案得到了实例验证 ,具有较强的可操作性和实用性 .基于新曲率算法的分块方案使数据分块技术能够直接运用于散乱数据点云 .

一种由最大允差确定的散乱数据点云采样网格大小的算法

在逆向工程中,散乱数据点云获取后如何预处理(滤波、压缩和网格大小的划分)是关键,它的处理得当与否直接关系到后续的曲面重构工作.鉴于此,该文提出了一种基于最大允许误差而确定的散乱数据点云采样网格大小的算法,在实践中已取得良好的效果.

快速成型中散乱数据点云的自适应分层算法研究

提出了一种快速成型中散乱数据点云的自适应分层算法,该算法根据分层厚度阈值对散乱数据点云进行空间栅格划分,采用八叉树组织其空间拓扑结构,基于该结构获取层面邻域数据,通过其曲率分布特征自适应调整分层厚度,根据层面邻域数据与分层平面的交点获取分层数据。实验证明,该算法数据适应性强,分层数据获取准确性高,可快速有效地实现散乱数据点云的自适应分层处理。

快速成型中散乱数据点云的自适应分层算法研究

提出了一种快速成型中散乱数据点云的自适应分层算法，该算法根据分层厚度阖值对散乱数据点云进行空间栅格划分，采用八叉树组织其空间拓扑结构，基于该结构获取层面领域数据，通过其曲率分布特征自适应调整分层厚度，根据层面领域数据与分层平面的交点获取分层数据。实验证明，该算法数据适应性强，分层数据获取准备性高，可快速有效地实现散乱数据点云的自适应分层处理。

散乱点云数据配准算法

提出一种以物体表面上不附加任何几何和拓扑信息的散乱点集为处理对象,自动进行点云数据配准的算法·该算法针对待配准的2组点云数据,根据测点及其邻域点估算每个点的曲面法矢,并对法矢方向进行调整,使其指向曲面的同一侧;然后计算各个测点的曲率·根据每个测点的曲率来识别出2组点云数据中可以匹配的点对集合,计算将每一个点对的法矢方向映射为一致的三维空间变换,采用几何哈希方法找出使得最多数量的点对法矢一致的变换,运用该变换将散乱点云作初次配准·以初次配准后的结果作为新的初始位置,将匹配点对集合中的所有点对采用最近点迭代法进行二次配准,从而实现了2组散乱数据的精确配准·应用实例表明,该算法效果良好·

分布式环境下散乱点云数据挖掘改进算法

在分布式云计算环境下,传统方法采用散乱点云数据模糊C均值聚类挖掘算法,在受到较强的数据特征干扰时,数据挖掘精度不高.为此,提出一种基于分布式云数据传输信道的散乱点云数据挖掘改进算法.通过构建散乱点云数据的存储结构,对数据传输信道进行多普勒扩展,降低数据挖掘过程中传输衰减损失;采用级联滤波算法进行数据干扰滤波,实现散乱点云数据的滤波提取,完成数据挖掘算法改进.仿真结果表明,采用改进的算法进行分布式环境下散乱点云数据挖掘,能有效提高散乱点云数据挖掘精度,频谱特征聚敛性能较好,抗干扰能力较强.

基于多尺度核函数的散乱点云数据过滤方法

针对光滑曲面采样散乱点云含有噪声及异常数据的问题,提出了一种基于多尺度核函数的过滤处理方法。采用核密度估计技术及均值漂移跟踪算法对原始点云数据进行聚类,结合局部似然函数来测度一个三维点位于采样曲面上的概率,利用过滤后的极大似然点集精确地逼近采样曲面,最后结合经典网格化算法能够获得较好的曲面重构效果。处理实例证明,该方法实用性好,不仅能够很好地抑制不同幅值的噪声,同时也能够探测到异常数据并进行自动清除。

海量散乱点云数据的模糊聚类挖掘方法研究

物联网和云计算环境下海量散乱点云数据挖掘容易受到关联规则项的干扰,数据挖掘的模糊聚类不好。为了提高海量散乱点云数据挖掘能力,提出一种基于支持向量机的大数据分类挖掘技术。采用分段向量量化编码技术进行海量散乱点云数据空间存储结构分析,结合闭频繁项集检测方法进行海量散乱点云数据的信息融合处理,对高维融合数据进行语义特征分析和关联规则特征提取,对提取的海量散乱点云数据的关联规则采用支持向量机分类器进行模式识别,结合尺度分解方法对分类输出的海量散乱点云数据进行降维处理,采用模糊聚类方法实现对海量散乱点云数据的分类挖掘。仿真结果表明,采用该方法进行海量散乱点云数据挖掘的聚类性能较好,数据挖掘的精度较高。

浅析散乱点云数据的三角网格面重构

逆向工程的研究有着重大的现实意义。本文先对逆向工程技术进行概述,然后介绍了散乱点云数据三角网格面重构的分类和经典算法,以及逆向工程的常用软件,最后对全文进行了总结。

一种改进Ball Pivoting的散乱点云数据重建算法

Ball Pivoting算法主要是用来对点云数据进行表面重建,算法是从一个种子三角形开始的,球沿着这个种子三角形的一个边进行旋转,直到这个球接触到下一个点,该边与该点组成一个三角形。该算法主要的缺点是当点云数据不均匀的时候球在滚动的过程当中不会接触到点,因此会产生洞。提出了一种对散乱点云数据进行重建的改进的Ball Pivoting算法;对初始点云数据构建k-d树,使得搜索区域算法时间效率提高;使用可变半径搜索改进算法,使得算法能够处理不均匀的点云数据而不会产生洞;优化了网格的拓扑结构。实验结果证明该算法相对于Ball Pivoting算法效率高,且不会生成洞,三角网格的拓扑结构好。

逆向工程中三维离散点云的平滑整定新算法

目前逆向工程中关于三维数据的平滑整定一般都是建立在三维数据之间的拓扑关系上的.提出一种平滑整定新算法,该算法是针对散乱、无序的,没有任何拓扑关系的三维离散点云数据.根据概率统计学中的频数法从大量的离散三维数据点云中找到噪声点,然后基于三维数据点云所建立的K-D树空间数据结构,找到噪声点周围的k个最近点,根据噪声点周边k个最近点的信息对噪声点处的真实信息进行恢复.基于激光三维平面扫描机器人系统证明该算法对离散三维数据点云的平滑整定的效果是令人满意的,在逆向工程中对数据预处理是切实可行的.

基于CEGI和Fourier变换的全自动点云配准算法

针对没有任何几何和拓扑信息的散乱点云,提出一种全自动点云数据配准算法。针对待配准的2组点云数据,首先通过局部最小二乘曲面拟合,估计每个点的法向和曲率,其次计算点云的扩展高斯图(EGI)和复扩展高斯图(CEGI),然后根据EGI和CEGI利用球面调和函数计算旋转欧拉角,构造相关函数,通过Fourier变换估计平移向量,完成粗配准,把粗配准结果作为新的初始位置,采用最近点迭代算法(ICP)进行精确配准,从而实现2组散乱点云的精确配准。实例分析表明该算法配准速度较快,效果良好。