复杂型面点云法向特征聚类分级估计方法技术

本发明专利技术针对含有棱边和尖角等特征的复杂型面采样点云，为提高其法向估计结果的准确性，提出一种基于特征区域聚类分级的点云法向估计方法，属于产品逆向工程技术领域。根据曲面局部平坦性与贝叶斯信息准则对点云进行聚类分析，依次将点云划分为平坦、特征边缘、棱边尖角等区域，并识别样点所属特征类型，将平坦区域样点法向估计结果迭代向其邻近特征区域逐级传播，使得特征样点法向估计结果与其邻近平坦区域样点的法向保持一致。本发明专利技术可准确估计特征区域样点的法向，有效保证棱边和尖角区域样点的法向多义性，且对数据噪声具有抑制作用。用。用。

【技术实现步骤摘要】
复杂型面点云法向特征聚类分级估计方法


[0001]本专利技术提供一种复杂型面点云法向特征聚类分级估计方法，属于产品逆向工程


技术介绍

[0002]点云的法向信息是三维模型不可或缺的属性，法向估计的准确性及一致性直接影响点云配准、精简和曲面重建等后期处理的准确性。随着点云数据在逆向工程、工业制造及医学可视化等领域的应用，复杂型面采样点云特别是含棱边特征点云的法向估计的精确度问题一直深受关注。
[0003]目前应用最广泛的法向估计算法为Hoppe等在学术期刊《Acm Siggraph Computer Graphics》,1992.26(2):71-78发表的论文“Surfacereconstructionfromunorganizedpoints”中所提出的点云微切平面估计法，其主要思想是以样点的k-邻域计算其最小二乘意义上的局部拟合平面，将拟合平面的法向作为点云的法向。为进一步提高法向估计的准确性，Pauly等在学术期刊《ACMTrans Graph》,2003,22(3):641-650发表的论文“Shapemodelingwithpoint-sampled geometry”中提出的散乱点云曲面建模中，使用移动最小二乘表面定义中的局部参考平面估计样点的法向。Yoon等在学术期刊《ComputAidedDes》,2007,39(5):408-420发表的论文“Seidel surfaceandnormalensembles forsurfacereconstruction”中对样本进行多次随机采样得到若干个相互覆盖的子集，基于各子集估算的样点法向均值作为样点最终法向。但是由于点云微切平面估计法及其改进算法都是将欧氏距离搜索的样本作为平面拟合数据，因此在后期处理的曲面重建过程会将尖锐特征平滑掉，为提高棱边尖锐特征区域点云法向估计的准确性，王醒策等在学术期刊《计算机辅助设计与图形学学报》,2015,27(4):614-620发表的论文“局部表面拟合的点云模型法向估计及重定向算法”中通过Hoppe算法获取初始法向，然后改进移动最小二乘曲面重建实现局部曲面拟合，以重建的网格面片作为样点法向。孙殿柱等在学术期刊《光学精密工程》,2019,27(4):953-962发表的论文“有界泊松曲面约束的曲面样点法向稳健估计”中提出一种以有界泊松曲面逼近局部样本作为约束的样点法向加权估计算法，通过泊松曲面逼近样本点，将有界泊松曲面离散网格中距样点最近的网格面片作为样点的参考面片，并基于顶点邻域面的正则度及邻域面到该顶点的测地距离估计参考面片顶点法向，将参考面片各顶点法向加权求和结果作为样点最终法向。Mura等学术期刊《TheVisualComputer》,2018,34(6-8):961-971发表的论文“Robust normal estimation in unstructured 3D point clouds by selectivenormal space exploration”中对样点局部邻域进行离散化处理，选择距邻域中心最近的样点，以其法向修正初始经由Hoppe算法估计的法向。Cao等在学术期刊《Journal of Computational&Applied Mathematics》,2017,329:57-67发表的论文“Normal estimation via shiftedneighborhoodforpoint cloud”通过最大化邻域结构一致性对局部样本进行漂移获取样点的各向同性邻域，可提高棱边样点邻域样本搜索的准确性，避免了棱边区域样点
法向被平滑处理。
[0004]综上所述，现有的点云法向估计算法对实物表面采样数据所作的主要假设是数据来自光滑曲面，即任一样点的欧氏近邻点集构成的曲面样本所呈现的形貌近似平面。这一假设对于含有棱边(或小半径圆角)和尖角等特征的曲面样本无效。在工业设计领域，有许多产品的数字模型是基于曲面求交、裁剪以及倒角等建模过程构造的复合曲面模型，对于该类产品的实物表面采样数据，在特征区域，若将曲面局部样本所体现的形貌视为平面，则会导致样点的法向和曲率等微分几何量的估计结果与真实情况存在较大偏差。

技术实现思路

[0005]为解决上述技术问题，本专利技术采用一种复杂型面点云法向特征聚类分级估计方法，该方法基于型面局部平坦性与贝叶斯信息准则对每个样点的邻域构成的局部样本进行聚类分析，将复杂型面点云划分为平坦区域、特征边缘、棱边区域以及尖角区域等类别；然后估计平坦区域样点的法向，以该类样点的法向作为确定性最高的初始法向；最后将平坦区域样点法向向邻近特征区域样点分级传播，从而实现特征样点的法向估计。其技术方案为：
[0006]一种复杂型面点云法向特征聚类分级估计方法，其特征在于依次包含以下步骤：(1)基于复杂型面点云局部平坦性将复杂型面点云分为平坦区域和特征区域；(2)对特征区域进行聚类分析，基于贝叶斯信息准则将特征区域分为特征边缘、棱边区域和尖角区域；(3)估计平坦区域样点的法向，向邻近特征区域样点分级传播，实现特征样点法向估计。
[0007]为实现专利技术目的，所述的复杂型面点云法向特征聚类分级估计方法，其特征在于：步骤(1)中，基于复杂型面点云局部平坦性将复杂型面点云分为平坦区域和特征区域，具体步骤为：1)设S为复杂型面点云，p
i
∈S，λ(p
i
)为S中以p
i
为中心的k个样点组成的局部样本，i
←
1；2)构造λ(p
i
)的拟合平面γ(p
i
)；3)计算λ(p
i
)中所有样点到γ(p
i
)的残差平方和χ(p
i
)，将其作为λ(p
i
)的形貌特征值；4)设阈值为ε，当χ(p
i
)≤ε时，λ(p
i
)形貌为平坦，将其存入S1，否则存入S2；5)i
←
i+1；6)重复步骤2)到步骤5)，直到i＝n，其中n为S的样点个数。
[0008]为实现专利技术目的，所述的复杂型面点云法向特征聚类分级估计方法，其特征在于：步骤(2)中，对特征区域进行聚类分析，基于贝叶斯信息准则将特征区域分为特征边缘、棱边区域和尖角区域，具体步骤为：1)设p
j
∈S2，j
←
1；2)剔除λ(p
j
)中形貌特征值大于ε的样点，获得点集λ
′
(p
j
)；3)若λ
′
(p
j
)为空集，则执行步骤8)，否则执行步骤4)；4)对λ
′
(p
j
)进行k＝m(m＝1,2,3)的k均值聚类；5)基于贝叶斯信息准则计算任一聚类结果C
l
＝{C
l1
,C
l2
,
…
,C
lm
}(l＝1,2,3)的聚类优性，其计算公式为B(C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂型面点云法向特征聚类分级估计方法，其特征在于依次包含以下步骤：(1)基于复杂型面点云局部平坦性将复杂型面点云分为平坦区域和特征区域；(2)对特征区域进行聚类分析，基于贝叶斯信息准则将特征区域分为特征边缘、棱边区域和尖角区域；(3)估计平坦区域样点的法向，向邻近特征区域样点分级传播，实现特征样点法向估计。2.如权利要求1所述的复杂型面点云法向特征聚类分级估计方法，其特征在于：步骤(1)中，基于复杂型面点云局部平坦性将复杂型面点云分为平坦区域和特征区域，具体步骤为：1)设S为复杂型面点云，p
i
∈S，λ(p
i
)为S中以p
i
为中心的k个样点组成的局部样本，i
←
1；2)构造λ(p
i
)的拟合平面γ(p
i
)；3)计算λ(p
i
)中所有样点到γ(p
i
)的残差平方和χ(p
i
)，将其作为λ(p
i
)的形貌特征值；4)设阈值为ε，当χ(p
i
)≤ε时，λ(p
i
)形貌为平坦，将其存入S1，否则存入S2；5)i
←
i+1；6)重复步骤2)到步骤5)，直到i＝n，其中n为S的样点个数。3.如权利要求1所述的复杂型面点云法向特征聚类分级估计方法，其特征在于：步骤(2)中，对特征区域进行聚类分析，基于贝叶斯信息准则将特征区域分为特征边缘、棱边区域和尖角区域，具体步骤为：1)设p
j
∈S2，j
←
1；2)剔除λ(p
j
)中形貌特征值大于ε的样点，获得点集λ
′
(p
j
)；3)若λ
′
(p
j
)为空集，则执行步骤8)，否则执行步骤4)；4)对λ
′
(p
j
)进行k＝m(m＝1,2,3)的k均值聚类；5)基于贝叶斯信息准则计算任一聚类结果C
l
＝{C
l1
,C
l2
,<...

【专利技术属性】
技术研发人员：孙殿柱，林伟，李延瑞，汪思腾，沈江华，
申请(专利权)人：山东理工大学，
类型：发明
国别省市：