-
题名自适应K-means聚类的散乱点云精简
被引量:20
- 1
-
-
作者
陈龙
蔡勇
张建生
-
机构
西南科技大学制造科学与工程学院
西南科技大学制造过程测试技术省部共建教育部重点实验室
-
出处
《中国图象图形学报》
CSCD
北大核心
2017年第8期1089-1097,共9页
-
基金
四川省教育厅科研基金项目(14ZB0111)
教育部共建重点实验室"制造过程测试技术实验室"开放基金项目(14tdzk06)~~
-
文摘
目的点云精简是曲面重建等点云处理的一个重要前提,针对以往散乱点云精简算法的精简结果存在失真较大、空洞及不适用于片状点云的问题,提出一种自适应K-means聚类的点云精简算法。方法首先,根据k邻域计算每个数据点的曲率、点法向与邻域点法向夹角的平均值、点到邻域重心的距离、点到邻域点的平均距离,据此运用多判别参数混合的特征提取方法识别并保留特征点,包括曲面尖锐点和边界点;然后,对点云数据建立自适应八叉树,为K-means聚类提供与点云密度分布相关的初始化聚类中心以及K值;最后,遍历整个聚类,如果聚类结果中含有特征点则剔除其中的特征点并更新聚类中心,计算更新后聚类中数据点的最大曲率差,将最大曲率差大于设定阈值的聚类进行细分,保留最终聚类中距聚类中心最近的数据点。结果在聚类方面,将传统的K-means聚类和自适应K-means聚类算法应用于bunny点云,后者在聚类的迭代次数、评价函数值和时间上均优于前者;在精简方面,将提出的精简算法应用于封闭及片状两种不同类型的点云,在精简比例为1/5时fandisk及saddle模型的精简误差分别为0.29×10^(-3)、-0.41×10^(-3)和0.037、-0.094,对于片状的saddle点云模型,其边界收缩误差为0.030 805,均小于栅格法和曲率法。结论本文提出的散乱点云精简算法可应用于封闭及片状点云,精简后的数据点分布均匀无空洞,对片状点云进行精简时能够保护模型的边界数据点。
-
关键词
点云精简
八叉树
K—means聚类
片状点云
边界点
-
Keywords
point cloud simplification
octree
K-means clustering
flake point cloud
boundary points
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-