基于Hausdorff距离的点云分片精简算法

提出一种基于Hausdorff距离的点云分片精简算法。对点云模型进行X-Y边界获取,保留形状特征;计算除边界外其余数据点对应的曲率,根据平均曲率构造点云模型的模糊集,引入模糊集合理论得到曲率分片的最佳阈值;以曲率最大、最小值差值的1%作为点云的曲率间隔,依次对点云数据进行分片,使某一数据点对当前分片点云的归属程度达到最大;计算各分片内数据点主曲率的Hausdorff距离,获取并保留特征点。实验结果表明,该算法提高了点云精简率,有效缩短了精简时间,较好保留了点云细节特征。

一种基于映射法的散乱点云Delaunay三角剖分算法

针对直接在三维空间构建海量点云的Delaunay三角网格效率低下,提出一种新的基于映射法的Delaunay三角网格构建算法。首先提出一种基于区域增长法的点云分片方法,能够保证对分片后的点云数据进行映射而不产生重叠;然后保持空间点云之间的距离特性,将三维点云映射到二维平面;在二维平面内进行Delaunay三角剖分,再将结果返回到三维空间内。实验结果表明,算法能够构建质量较好的三角网格。由于该算法将点云的三角剖分转换到低维空间,通过实验结果对比本算法与其他算法效果,证明该方法能够更快地完成重构。