基于改进自适应k均值聚类的三维点云骨架提取的研究.docx资源-CSDN文库

版权申诉

196 浏览量 2023-02-23 16:51:41 上传评论收藏 5.71MB DOCX 举报

资源推荐

资源详情

资源评论

随着三维扫描技术和建模技术的不断发展, 点云模型已经被广泛地应用于实际的生产

生活和科学研究

[1]

, 相关的模型处理技术也在不断地深入. 骨架模型

[2]

作为三维模型的概括

型表现形式, 直观地显示了模型的拓扑连接性和几何结构, 目前已有很多三维处理技术如三

维重建

[3]

、模型分割

[4−5]

、点云配准

[6−7]

和模型形状检索

[8-10]

等以此为基础实现. 因此, 三维点

云技术的飞速发展及模型种类的不断增多对骨架提取算法的准确性提出了更高的要求. L

中值骨架提取算法

[11]

因其快速高效的特点, 被广泛地应用于点云模型骨架提取中. 该算法基

于全局中值的思想, 提出应用局部中值对点云提取初始骨架, 通过不断扩大邻域半径达到针

对不同区域实现不同程度收缩的目的; 同时, 根据点分布情况引入了引力约束和斥力约束来

实现规整化, 可以快速计算出较好的一维骨架. 但该算法也存在随机采样造成的可重复性

差, 密度不均匀情况下采样很容易丢失细节, 以及基于阈值的骨架伸长导致的错误骨架连接

等问题.

本文针对以上缺点, 提出了一种基于改进的自适应 k 均值(k-means)聚类引导的 L

-中值

骨架提取算法, 主要的流程图如图 1 所示. 给定一个三维点云模型, 首先采用八叉树对散乱

点云进行组织, 每个体素基于当前密度包含的点数不一; 在此结构下完成中值采样, 并利用

采样点集自适应确定初始聚类中心实现 k 均值区域划分, 应用局部中值迭代收缩得到各区

域内的骨架分支; 最后通过对 L

局部分支拟合曲线完成骨架平滑及连接. 本算法将密度因

素及野点的影响考虑到采样问题中, 保证模型的细节不会丢失, 同时减少了后续骨架提取的

迭代次数; 区域划分约束下提取骨架, 解决了跨区域连接错误的问题. 实验结果表明, 本文

算法与 L

-中值骨架提取算法相比, 有效地提升了点云骨架的准确性与可重复性, 可以达到

更好的提取效果.

图 1 本文算法流程图

Fig. 1 Flow chart of our proposed algorithm

下载: 全尺寸图片幻灯片

1. 国内外研究现状

最经典的骨架提取技术是 Blum

[12]

在 1967 年提出的中轴变换, 该方法能够快速地提取

二维形状内部的一维骨架(中轴线), 但对形状表面的噪声十分敏感. Dey 等

[13]

首先定义了模

型中轴面的子集为三维模型的一维曲线骨架. Cornea 等

[14]

对现有的一维曲线骨架提取技术

做了很好的综述, 提出了理想骨架应该具有的属性. 虽然骨架并没有一个完全统一、标准的

定义, 但大多数骨架提取的方法都运用了中轴的概念, 满足中心性; 同时, 骨架又不同于中

轴, 中轴能够感知到模型的边界上比较微弱的扰乱, 而曲线骨架必须要具备较少的对模型边

界上的声音的感知能力, 具有鲁棒性.

近年来, 国内外学者对于点云骨架提取问题做了大量的研究工作, 可以概括为以下几

类: 1)距离变换法: 基于几何三维结构的整体分析, 对节点进行距离变换计算, 形成距离场,

通过筛选出局部极值点作为骨架点来达到构建整体骨架的目的. 此方法在解决整体性比较

好、细节不多的模型时效果明显, 对于模型重构也有着很好的借鉴意义, 但在离散域中, 节

点之间的关系无法准确定位, 得出的骨架大多不连续, 效果较差. 2) Laplace 收缩法: 由 Au

等

[15]

提出的基于网格的骨架提取代表方法之一, 运用 Laplace 算子的收敛特性, 通过反复平

衡牵引将网格收缩到模型的中间位置, 可以处理少量点云缺失问题, 目前应用较为广泛. 因

需要反复调整 Delaunay 三角网格, 故时间复杂度较高. 3)广义旋转对称轴法: 利用平滑切割

的迭代算法来计算点云的旋转对称轴, 然后对非圆柱形连接区域进行特殊处理以得到一维

曲线骨架. 该方法利用旋转对称性可以实现有效地缺失弥补, 但其前提假定模型是圆柱形

的, 并且过多的预处理操作极大地增加了时间复杂度. 4)空间中轴法: Huang 等

[11]

提出的基于

局部中值

[16]

迭代收缩实现骨架提取的算法, 可以有效抵御野点的影响, 避免了传统骨架提取

方法中的预分割和人工编辑操作, 具有较好的应用前景.

表 1 列举了这 4 类方法最近几年的代表性文章, 并分析了各自的优缺点和适用范围.

随着研究的不断深入, 学者们也结合其他方法对 L

-中值算法进行了扩展, 在适用范围内都

取得了不错的效果.

表 1 三维点云骨架提取方法的比较

Table 1 Comparison of three-dimensional point cloud skeleton extraction methods

骨架提取方法

代表性文章

关键点

优点

缺点

Zhou 等

[17]

提出了一种基

于距离场对三维模型

体素化编码的方法

将连续的中间点连接为

体素路径, 经过细化、

平滑操作得到骨架

计算简单, 且对边界

复杂性不敏感

离散域中得到的骨

架往往不连续

Song 等

[18]

提出了一种基

于

距离场引导的

-中值骨

架提取算法

利用距离场多尺度参数细

化方法提取初始骨架, 之

后

引入

-中值算法进行骨

架优化

利用距离场得到的初始

骨架可有效地引导

中值

算法采样点的移动, 且

弥补

了骨架不连续的缺点

对于大面积缺失的点

云

提取效果很差, 另外

计算

距离场时间复杂度高

距离变换法

Hu 等

[19]

提出了一种通过

距

离场和曲率结合捕获特

征点的三维点云曲线骨

架提取算法

为 3D 点云模型提供距离

场的替代, 通过特征点移

动和聚类形成骨架

对于数据缺失严重的点

云

模型, 仍能很好的保持

骨架

的中心性, 不产生虚假

分支

对于表面平坦的模

型,

特征点容易被识别错

误,

从而导致错误骨架

Cao 等

[20]

提出了一种基

于

Laplace 算子的收缩提

取

曲线骨架的算法

通过局部 Delaunay 三角

剖分和拓扑细化来处理点

云, 从外向内迭代收缩从

而提取骨架

具有强大的抗噪能力,

可以

处理丢失少量数据的点

云

易在局部点云上出现

过收

缩, 骨架准确性严重

依

赖于 Laplace 算子

参数

Erdal 等

[21]

提出了一种

将

Laplace 收缩与

-中

值收

缩相结合的算法

在 Laplace 迭代收缩后的

点云上应用

-中值骨

架提取算法

两种方法的收缩过程都

是基

于点的邻域完成的, 实

现了

优势互补, 减少了迭代

次数

参数设置不准确, 极

易产生错误骨架

Laplace 收缩

法

Wu 等

[22]

提出了一种基于

改

进 Laplace 实现玉米植

株

点云骨架提取的算法

应用并改进了 Laplace 骨

架

提取方法, 并通过自适应

采样

选择骨架关键点, 相邻点

连接

形成植物骨架.

能够准确提取植物骨

架,

能够逼近植株器官的几

何中心, 如叶脉和茎的

中轴

骨架结果严重依赖于

扫描点云的质量

广义旋转对

称轴法

Tagliasacchi 等

[23]

提出

了

ROSA 法来实现模型骨

架的提取

基于模型的旋转对称性,

利用邻域内点的法向量垂

直环绕于中轴伸长方

向提取骨架

对于大面积缺失的多分

支

点云, 提取的骨架仍能

正确

的表示原始模型的拓扑

结构

过多的预处理极大地

增

加了时间复杂度, 多

用

于圆柱形模型

剩余28页未读，继续阅读

评论收藏

内容反馈

版权申诉

罗伯特之技术屋

粉丝: 3550
资源: 1万+

基于改进自适应k均值聚类的三维点云骨架提取的研究.docx

基于用户评分Kmeans聚类的协同过滤推荐算法实现.docx

二分K均值聚类算法在Iris上的测试.docx

论文研究-基于优化DRG的三维人体点云骨架提取方法.pdf

三维点云的分割及骨架提取研究_范保青.pdf

一种鲁棒的三维点云骨架提取方法

论文研究-基于自适应K均值聚类的关键帧提取 .pdf

基于自适应k均值聚类的距离加权欠采样算法.docx

基于K均值聚类的SPPM分步分类检测算法.docx

一种改进模糊C均值聚类的电离层杂波分类方法.docx

基于几何对象聚类的学术文献图表定位研究.docx

基于点云内骨架的分割算法

VC实现三维网格骨架提取

面向混合型数据集自适应聚类的差分隐私保护算法.docx

基于分布信息直觉模糊c均值聚类的红外图像分割算法.docx

基于改进的路网聚类结合PSOWNN的交通流预测.docx

一种多尺度自适应点云坡度滤波算法.docx

航测遥感-LidarFeature点云处理与测图软件 宏图三维激光点云测图系统.docx

K均值聚类算法研究.docx

Kmeans.docx K均值聚类算法实验报告

基于IVCCS的三维点云配准算法.docx

基于Superpoint Graphs模型的输电线路点云自动分割方法.docx

有关k均值聚类算法的理解 (1).docx

机器学习与人工智能(聚类分析)习题与答案.docx

试验三k-均值聚类算法试验报告 (3).docx

试验三k-均值聚类算法试验报告 (2).docx

相关实用应用程序（Windows可用）

免费可用的ChatGPT网页版.zip

ChatGPT使用总结：150个ChatGPT提示词模板（完整版）

chromedriver-win64.zip

最新资源

航测遥感-LidarFeature点云处理与测图软件宏图三维激光点云测图系统.docx