没有合适的资源?快使用搜索试试~ 我知道了~
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
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 196 浏览量
2023-02-23
16:51:41
上传
评论
收藏 5.71MB DOCX 举报
温馨提示
试读
29页
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
1
-
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
1
-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
1
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
1
-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
1
-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
L
1
-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
L
1
-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
L
1
-
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
L
1
-中
值收
缩相结合的算法
在 Laplace 迭代收缩后的
点云上应用
L
1
-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
骨架提取方法
代表性文章
关键点
优点
缺点
Jayadevan 等
[24]
提出了
一种
形状分解的方法对三维
点云模型进行骨架提取
充分运用通用圆柱体的
平移对称属性对三维点云
模
型进行形状分解, 分别提
取
骨架再进行连接
可以很好地处理平面点
云,得
到直线骨架; 可通过可
视化
调整参数以得到更好的
效果
骨架连接有时较为死
板, 导致不自然的骨
架
Fu 等
[25]
提出了一种利用
圆柱形先验约束优化
提取骨架的算法
通过八叉树和水平集方法
提取初始骨架点, 之后采
用
圆柱形先验约束优化来提
高骨架的中心性
使用关于树枝半径的先
验
知识来改进关节点的不
正确
定位, 有效的提高了拓
扑正
确性和树骨架的中心性
专门为树点云设计,
无法
拓展到其他类型的点
云
Huang 等
[11]
提出了基于
L
1
-中值实现骨架提
取的算法
对点云应用局部中值提
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
可以在原始扫描数据上
进行
操作, 即不需要任何预
处理
采样敏感, 且参数的
设置
对骨架提取结果影响
大
Su 等
[26]
提出一种基于分
类枝叶和枝干的树
木骨架提取方法
通过分类和分割方法将叶
子和
木材成分分离, 之后采用
L
1
-中
值算法精确提取树骨架点
充分利用了树木叶片和
枝干
在结构及几何特征上的
差
异, 提取的骨架在形态
上与
树的点云具有良好的一
致性
由于树叶的遮挡作
用, 提
取的骨架是不连续的
空间中轴法
Mei 等
[27]
提出一种
L
1
-
MST
算法优化提取树骨架
利用
L
1
-中值提取粗骨架,
基于
点的主导方向和局部点密
度的
迭代优化过程实现数据补
全,
结合最小生成树法细化骨
架
L
1
-MST 算法弥补了
L
1
-
中值
算法中因无法准确描述
点的
局部空间分布导致错误
骨架
连接的缺点
数据补全只能用于可
见区
域, 因此不能提取被
遮挡
区域的骨架
下载: 导出 CSV
| 显示表格
本文还整理了 2011 ~ 2019 年点云骨架提取方向的国内外论文共 158 篇, 基于年度论
文发表数量及论文数量累计和绘制了图 2 所示的柱形−折线图. 总体上说, 研究该方向的论
文并不是特别多, 但随着骨架提取作为前置工作与三维重建、点云分割、目标检测等领域
技术的结合, 该方向关注度呈螺旋式上升的趋势.
图 2 2011 ~ 2019 年点云骨架提取方向论文发表年度趋势图
Fig. 2 Annual trend chart of the paper published in the point cloud skeleton extraction field from
2011 to 2019
下载: 全尺寸图片 幻灯片
剩余28页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3550
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- pta题库答案c语言之排序4统计工龄.zip
- pta题库答案c语言之树结构7堆中的路径.zip
- pta题库答案c语言之树结构3TreeTraversalsAgain.zip
- pta题库答案c语言之树结构2ListLeaves.zip
- pta题库答案c语言之树结构1树的同构.zip
- 基于C++实现民航飞行与地图简易管理系统可执行程序+说明+详细注释.zip
- pta题库答案c语言之复杂度1最大子列和问题.zip
- 三维装箱问题(Three-Dimensional Bin Packing Problem,3D-BPP)是一个经典的组合优化问题
- 以下是一些关于Linux线程同步的基本概念和方法.txt
- 以下是一个简化的示例,它使用pygame库来模拟烟花动画的框架.txt
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功