散亂點(diǎn)云特征提取和聚類精簡(jiǎn)技術(shù)研究.pdf

1、近年來，反求工程技術(shù)在汽車制造、航天航空和醫(yī)學(xué)等領(lǐng)域得到了廣泛的應(yīng)用，而隨著三維掃描技術(shù)的進(jìn)步，通過三維掃描獲取的點(diǎn)云數(shù)據(jù)量十分龐大，在實(shí)際的應(yīng)用中存在著數(shù)據(jù)冗余的問題，因此對(duì)點(diǎn)云數(shù)據(jù)的精簡(jiǎn)成為了當(dāng)前的熱點(diǎn)研究問題。本文的研究?jī)?nèi)容主要分為點(diǎn)云特征提取、點(diǎn)云聚類和點(diǎn)云精簡(jiǎn)三個(gè)方面，具體內(nèi)容如下：
　　首先，在點(diǎn)云特征提取方面，針對(duì)以往散亂點(diǎn)云特征提取算法存在尖銳特征點(diǎn)提取不完整以及無法保留模型邊界點(diǎn)的問題，提出了一種基于多判別參數(shù)混

2、合方法的散亂點(diǎn)云特征提取算法。該方法對(duì)于每個(gè)k鄰域計(jì)算數(shù)據(jù)點(diǎn)曲率、點(diǎn)法向與鄰域點(diǎn)法向夾角的平均值、點(diǎn)到鄰域重心的距離、點(diǎn)到鄰域點(diǎn)的平均距離，據(jù)此四個(gè)參數(shù)定義特征閾值和特征判別參數(shù)，特征判別參數(shù)大于閾值的點(diǎn)即為特征點(diǎn)。以上四個(gè)參數(shù)中，曲率、法矢夾角和數(shù)據(jù)點(diǎn)到其鄰域點(diǎn)的平均距離三個(gè)參數(shù)參與檢測(cè)曲面的尖銳點(diǎn)，而點(diǎn)到鄰域重心的距離則主要用于識(shí)別邊界數(shù)據(jù)點(diǎn)，同時(shí)也能為檢測(cè)曲面尖銳點(diǎn)提供一定的作用。實(shí)驗(yàn)結(jié)果表明，與已有算法相比，該算法不僅可以有效提

3、取尖銳特征點(diǎn)，而且能夠識(shí)別邊界點(diǎn)。
　　其次，在點(diǎn)云聚類方面，針對(duì)傳統(tǒng)K-means聚類算法應(yīng)用于點(diǎn)云數(shù)據(jù)時(shí)存在迭代收斂時(shí)間長(zhǎng)、多次運(yùn)行的聚類結(jié)果具有隨機(jī)性以及聚類效果較差的問題，提出了一種基于自適應(yīng)八叉樹的點(diǎn)云K-means聚類算法。該方法利用自適應(yīng)八叉樹為K-means聚類提供與點(diǎn)云密度分布相關(guān)的初始化聚類中心和K值，然后迭代輸出聚類結(jié)果。實(shí)驗(yàn)表明該方法在聚類的評(píng)價(jià)函數(shù)值和運(yùn)行時(shí)間上都優(yōu)于傳統(tǒng)的K-means聚類，而且消除了多

4、次運(yùn)行時(shí)聚類結(jié)果的隨機(jī)性。
　　最后，在點(diǎn)云精簡(jiǎn)方面，首先利用本文提出的散亂點(diǎn)云特征檢測(cè)方法提取點(diǎn)云特征點(diǎn)，然后對(duì)點(diǎn)云進(jìn)行基于自適應(yīng)八叉樹的K-means聚類操作，最后在不包含特征點(diǎn)的聚類中以距離聚類重心最近的數(shù)據(jù)點(diǎn)代替整個(gè)聚類，其他數(shù)據(jù)點(diǎn)刪除。為了保留模型的細(xì)節(jié)特征，在包含特征點(diǎn)的聚類中，選擇該聚類所包含數(shù)據(jù)點(diǎn)中曲率差值最大的兩個(gè)點(diǎn)作為新的初始化聚類中心再次進(jìn)行聚類細(xì)分，直到聚類中數(shù)據(jù)點(diǎn)的最大曲率差小于閾值或者聚類中只有一個(gè)數(shù)據(jù)