自适应K-means聚类的散乱点云精简

• 作者: 张建生 蔡勇 陈龙
• 来源期刊: 中国图象图形学报
• 学科: 工学
• 关键词: 点云精简 八叉树 K-means聚类 片状点云 边界点
• 年，卷（期）: 2017,（8）
• 所属期刊栏目: 图像分析和识别
• 页码范围: 1089-1097
• 页数: 9页
• 分类号: TP391.41
• 字数: 7280字
• 语种: 中文
• DOI: 10.11834/jig.160582

摘要

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	蔡勇	西南科技大学制造科学与工程学院	111	1032	16.0	26.0
5	张建生	西南科技大学制造科学与工程学院	24	188	6.0	13.0
6	陈龙	西南科技大学制造科学与工程学院	2	38	2.0	2.0