一种改进的点云边界快速提取方法.docx

一种改进的点云边界快速提取方法 本文提出了一种基于 k-均值聚类和象限识别相结合的点云边界快速提取方法。该方法首先使用 k-均值聚类将点云划分为许多个子集群，然后使用三维格网划分方法探测出边界集群，在边界集群中使用象限识别提取出边界点。该方法可以快速地提取出分布均匀的边界特征点，并且与传统方法相比，效率更高。 在数据处理中，点云边界点的提取是一项重要的工作。点云边界特征是能够表达实物模型原始边界特征的数据点，它不仅作为表达曲面的重要几何特征，而且作为求解曲面的定义域，对实体模型重建起着重要的作用。 现有的点云边界特征点的提取算法大致包括以下三类：在三角格网模型的基础上，通过判断一个点的邻接点是否都能通过三角网格的边组成闭合曲线来获取边界点；首先利用空间栅格对点云进行空间划分，基于种子边界栅格识别与生长法提取点云数据中的边界点；对点云进行最小二乘平面上投影，然后通过邻近点分布均匀性进行边界点提取。 Shi 等提出通过 k-均值聚类与三维格网划分的方法提取边界点，避免由于保留的伪边界点引起边界特征的缺失，但该方法需要迭代判断边界的聚类是否合适，带来了计算负担；黄文明等提出了一种基于 k 邻域均匀性分布的改进算法，用均匀性度量值替换原来的角度标准差对边界点进行判定。 本文提出了一种改进的点云边界提取方法，通过 k-均值聚类将点云划分为许多个子集群，根据三维格网划分方法探测出边界集群，在边界集群中通过象限识别提取出边界点。该方法可以快速地提取出分布均匀的边界特征点，并且与传统方法相比，效率更高。 在 k-均值聚类算法中，最为关键的是聚类中心的初始化，因为初始化的聚类中心点不同，会产生不同的聚类结果。本文选取点云数据中均匀分布的 k 个点作为初始的聚类中心，具体的操作步骤如下：输入点云数据，创建 kd-tree(k-dimensional tree, k 维树)索引，完成点云邻域划分。选择点云数据中任意点，按照固定半径 D 搜索邻近点，并将其加入聚类中心。 在点云数据处理中，边界特征点的提取是一项重要的工作。该方法可以快速地提取出分布均匀的边界特征点，并且与传统方法相比，效率更高。本文提出的一种改进的点云边界提取方法，可以广泛应用于变形监测、文物保护与复原、工业制造、逆向工程、三维城市等重要领域。 本文对该方法进行了实验验证，结果表明该方法可以快速地提取出分布均匀的边界特征点，并且与传统方法相比，效率更高。