点云优化方法及其装置制造方法及图纸

一种点云优化方法包括：点云数据预处理步骤：对大规模散乱扫描点云进行精简，去噪，去外点，均匀化，法向量计算，空间结构划分预处理工作；点云尖锐特征恢复步骤：进一步的投影和法向量计算，恢复点云的尖锐特征；点云尖锐特征增强步骤：对尖锐特征处的上采样，增强点云的尖锐特征。本发明专利技术通过增强散乱点云的尖锐特征，使最终得到的三维模型更符合实际应用需求。同时，优化后的点云由于更精简，更规整，可以让现有的重建技术更易于调整参数，效率更高。换句话来说，本发明专利技术方法在不改动现有点云三维重建流程的基础上，通过优化点云这个原材料，提高了自动化程度、生产效率和产品质量。

【技术实现步骤摘要】
点云优化方法及其装置
本专利技术涉及一种图像处理技术，尤其设计一种对大规模散乱点云的优化方法和装置。
技术介绍
当今的生产应用中，计算机辅助设计，逆向工程，虚拟现实，三维动画和游戏等三维技术发展的一个主要瓶颈是至今仍没有一个便利的方法快速获得用计算机存储的三维模型。近年来，三维激光扫描仪凭借其能够方便灵活地获取现实物体的三维表面数据的优势，得到了广泛应用。然而，目前在世界范围内，如何直接从扫描点云数据出发，直接快速得到实用的点云模型，仍是一个未完全解决的难题。所谓点云模型，一般指由三维扫描设备发射扫描光到被测物体表面上，接收反射光，并以此推算出物体表面的三维坐标点的集合。所谓点云三维重建，是指在一定的点云模型数据基础上，重建出能表示源模型的网格数据，便于计算机渲染和用户交互。经过二十多年的发展，现有的点云三维重建技术并不能很好重构源物体的尖锐特征，主要存在两大问题。第一，目前主流的研究方向是用三维曲面尽可能地去拟合输入的三维坐标点。为了消除噪声和外点的影响，往往使用全局或局部的二次拟合方法，对源模型进行逼近。这种方法可以较好地得到光滑而连续的拟合曲面，但最大缺点是它假设物体表面处处平滑，却无法保持物体的尖锐特征。`第二，现有的点云三维重建方法都严重依赖于点云的法向量信息。所谓法向量，是指每个三维的点除了坐标这一标量信息外，还有一个矢量信息，标明该点的朝向，并隐含着逼近曲面的梯度彳目息。而实际上，单从点z 坐标彳目息估算正确的法向量彳目息，是使得点z 二维重建技术自动化的最关键的一步。。但目前还没有一个很好的方法解决这个问题，特别是点云模型尖锐特征处的点的法向量更是难以估算。如图1所示，是对一个方形泡沫盒子的点云三维重构，输入是由现有三维扫描设备直接获取的三维点云数据，这些数据只有散乱的点的三维坐标数据，往往包含大量的噪声、外点(outlier)和空洞，而且数据规模大，分布不均匀。从图上可以已经无法看清方形顶角的尖锐特征，实有待改善。
技术实现思路
有鉴于现有技术中三维点云重建的缺陷，有必要提供一种在尽可能恢复点云模型的尖锐特征的同时，保持非尖锐特征的光滑性，使得重建结果更真实的点云优化方法和装置。为实现上述目的，本专利技术采用如下方案一种点云优化方法，其中，该方法包括点云数据预处理步骤对大规模散乱扫描点云进行精简，去噪，去外点，均匀化，法向量计算，空间结构划分预处理工作；点云尖锐特征恢复步骤进一步的投影和法向量计算，恢复点云的尖锐特征；点云尖锐特征增强步骤对尖锐特征处的上采样，增强点云的尖锐特征。所述的方法，其中，该点云数据预处理步骤由带权重的局部最优化投影，PCA法向量计算，点云空间划分三种方法组合使用实现其功能。所述的方法，其中，该点云尖锐特征恢复步骤由各向异性的局部最优化投影，法向量磨光，双边滤波投影三种方法组合迭代使用，不断由已有可靠信息推断不可靠信息。所述的方法，其中，各向异性的局部最优化投影方法加入了点云法向量差异的权重考虑，具体步骤为第一步，对原始的点云数据集合J进行随机下采样，得到下采样点集合I ;第二步，基于邻域半径h，求得点集I中每个Api在点集I中的邻点集合Npi和在点集J中的邻点集第三步，求出点集I中每个点的稠密值density，若是第一次迭代，同时也求出点集J中每个点的稠密值density ;若稠密值低于用户定义的阈值，把该点删除；第四步，对于I中每个点Xi，做如下操作对Xi的Npi中的每个邻点Pi，做如下操作通过累加方式得到并保存一个三维向量repulsion ；对\的中的每个 邻点Pj，做如下操作通过累加方式得到并保存一个三维向量average ；求出每个点Pi的新坐标，mu是控制“斥力”大小的权值参数for (vi=samples->vert. begin () ; vi ! =vert. end () ; ; ++vi)v1->P0=vi_>average+mu木vi_>repulsion;第五步，若迭代次数少于设定值，或两次迭代间的变化率大于设定值，返回第二止/Jy O所述的方法，其中，该法向量磨光方法步骤第一步，基于邻域半径h，求得点云中每个点Pi的邻点集合Np，初始化每个点的Wi和 Iii ；第二步，对于点云中每个点Pi，做如下操作对Pi的Np中的每个邻点P」，做如下操作计算Pj对Pi的权值Wi+= 0 * ￥ ；累加邻点法向量Ii^=Wjnj;第三步，对于点云中每个点Pi,做如下操作叫=]^/^。所述的方法，其中，该双边滤波投方法步骤第一步，基于邻域半径h，求得点云中每个点Pi的邻点集合Np，初始化每个点的Wi和 Cli ；第二步，对于点云中每个点Pi，做如下操作对Pi的Np中的每个邻点Pp做如下操作计算Pj对Pi的权值Wi+= 0 * ￥ ；累加投影距离M^=Wi* (Iii* (P1-Pj));第三步，对于点云中每个点Pi，做如下操作Pi=Pjd^niO所述的方法，其中，该点云尖锐特征加强步骤采用保持尖锐特征的点云上采样技术方法。所述的方法，其中，该保持尖锐特征的点云上采样方法步骤为第一步，根据参数邻域半径h，通过Grid遍历方法得到S中每个点Si的邻点集' ,对每个点Si,根据它的邻点信息计算稀疏程度，从而得到该点的插新点的优先度假定点Si的邻点数目为k个，则对于每一个邻点\与Si都有一个中点Hlj，对于每一个中点Hlj，计算出它到Si的每个邻点Sj法向方向上的正弦投影距离，即projDist =Wmj-SfW-Wmj-SjW-Ut，求出其中最小的 projDist ；求出这k个最小projDist的最大值max pro jDist作为点Si的稠密度优先值,值越大，表明越稀疏，优先级越高，同时，记录这个最大值对应的中点Hij以及产生这个中点的邻点S」，方便上采样过程中直接加点的处理；第二步，根据稠密值的大小建立堆，维持堆顶元素是全局最稀疏的点；第三步，取出堆顶元素，通过索引得到点云数据中相应的顶点S，得到插入该点邻域的新点Smw，然后投影，具体插`点过程实现如下通过Snew的两个端点s和s’的邻域，计算出Snew的邻域；s和s’的法向量作为候选法向赋给Snrat，用双边滤波投影算法计算出Snrat在每一个法向上的投影距离，选择投影距离最小的法向作为Snew的临时法向量；根据投影距离和法向对Snew投影；第四步，SnOT投影后，更新Smw的邻点，以及把Smw加入到它邻点的邻域中，然后计算出Smw稠密度优先权值以及更新它的邻点的稠密度优先权值；同时，用法向量磨光算法计算出该点新的法向量；第五步，把新点Snew对应的权值节点插入堆，同时更新它的邻点在堆中的位置；第六步，如果点云S点总数目小于设定值，返回第三步继续插点。一种点云优化装置，其中，包括点云数据预处理模块对大规模散乱扫描点云进行精简，去噪，去外点，均匀化，法向量计算，空间结构划分预处理工作；点云尖锐特征恢复模块进一步的投影和法向量计算，恢复点云的尖锐特征；点云尖锐特征增强模块对尖锐特征处的上采样，增强点云的尖锐特征。所述的装置，其中，该点云数据预处理模块由带权重的局部最优化投影，PCA法向量计算，点云空间划分三种方法组合使用实现其功能。所述的装置，其中，该点云尖锐特征恢复模块本文档来自技高网...

【技术保护点】
一种点云优化方法，其特征在于，该方法包括：点云数据预处理步骤：对大规模散乱扫描点云进行精简，去噪，去外点，均匀化，法向量计算，空间结构划分预处理工作；点云尖锐特征恢复步骤：进一步的投影和法向量计算，恢复点云的尖锐特征；点云尖锐特征增强步骤：对尖锐特征处的上采样，增强点云的尖锐特征。

【技术特征摘要】
1.一种点云优化方法，其特征在于，该方法包括 点云数据预处理步骤对大规模散乱扫描点云进行精简，去噪，去外点，均匀化，法向量计算，空间结构划分预处理工作； 点云尖锐特征恢复步骤进一步的投影和法向量计算，恢复点云的尖锐特征； 点云尖锐特征增强步骤对尖锐特征处的上采样，增强点云的尖锐特征。2.根据权利要求1所述的方法，其特征在于，该点云数据预处理步骤由带权重的局部最优化投影，PCA法向量计算，点云空间划分三种方法组合使用实现其功能。3.根据权利要求1所述的方法，其特征在于，该点云尖锐特征恢复步骤由各向异性的局部最优化投影，法向量磨光，双边滤波投影三种方法组合迭代使用，不断由已有可靠信息推断不可靠信息。4.根据权利要求3所述的方法，其特征在于，各向异性的局部最优化投影方法加入了点云法向量差异的权重考虑，具体步骤为 第一步，对原始的点云数据集合J进行随机下采样，得到下采样点集合I ; 第二步，基于邻域半径h，求得点集I中每个点Pi在点集I中的邻点集合在点集J中的邻点集合'Npj; 第三步，求出点集I中每个点的稠密值density,若是第一次迭代，同时也求出点集J中每个点的稠密值density ;若稠密值低于用户定义的阈值，把该点删除； 第四步，对于I中每个点Xi，做如下操作 对\的Npi中的每个邻点Pi，做如下操作通过累加方式得到并保存一个三维向量repulsion ； 对^的Npj中的每个邻点Pp做如下操作通过累加方式得到并保存一个三维向量average ； 求出每个点Pi的新坐标，mu是控制“斥力”大小的权值参数 for (vi=samples->vert. begin () ; vi ! =vert. end () ; ; ++vi) v1->P0=v1->average+mu*v1->repulsion; 第五步，若迭代次数少于设定值，或两次迭代间的变化率大于设定值，返回第二步。5.根据权利要求3所述的方法，其特征在于，该法向量磨光方法步骤 第一步，基于邻域半径h，求得点云中每个点Pi的邻点集合Np，初始化每个点的Wi和Hi ; 第二步，对于点云中每个点Pi,做如下操作 对Pi的Np中的每个邻点Pp做如下操作 计算Pj对Pi的权值Wi+= 0 * ￥ ； 累加邻点法向量A^=Wjnj; 第三步，对于点云中每个点Pi,做如下操作 Hi=IiiZwi。6.根据权利要求3所述的方法，其特征在于，该双边滤波投方法步骤 第一步，基于邻域半径h，求得点云中每个点Pi的邻点集合Np，初始化每个点的Wi和di ;第二步，对于点云中每个点Pi,做如下操作 对Pi的Np中的每个邻点Pp做如下操作 计算Pj对Pi的权值Wi+= 0 * ￥ ；累力口投影距i离=Cl^=Wi* (IIi* (P1-Pj)); 第三步，对于点云中每个点Pi,做如下操作 Pi=Pfdi=Kni。7.根据权利要求1所述的方法，其特征在于，该点云尖锐特征加强步骤采用保持尖锐特征的点云上采样技术方法。8.根据权利要求7所述的方法，其特征在于，该保持尖锐特征的点云上采样方法步骤为 第一步，根据参数邻域半径h，通过Grid遍历方法得到S中每个点Si的邻点集义，对每个点Si,根据它的邻点信息计算稀疏程度，从而得到该点的插新点的优先度 假定点Si的邻点数目为k个，则对于每一个邻点\ N、与Si都有一个中点Hij,对于每一个中点％.，计算出它到Si的每个邻点Sj法向方向上的正弦投影距离，即ProjDist=Wmj-SjW-Wmj-s;求出其中最小的 projDist ； 求出这k个最小projDist的最大值max projDist作为点Si的稠密度优先值,值越大，表明越稀疏，优先级越高，同时，记录这个最大值对应的中点Hlj以及产生这个中点的邻点S」，方便上采样过程中直接加点的处理； 第二步，根据稠密值的大小建立堆，维持堆顶元素是全局最稀疏的点； 第三步，取出堆顶元素，通过索引得到点云数据中相应的顶点S，得到插入该点邻域的新点sn ，然后投影，具体插点过程实现如下 通过Snejw的两个端点S和S’的邻域,计算出Snejw的邻域； S和S’的法向量作为候选法向赋给Snrat，用双边滤波投影算法计算出Snrat在每一个法向上的投影距离，选择投影距离最小的法向作为Snew的临时法向量； 根据投影距离和法向对Snew投影； 第四步，Smw投影后，更新Smw的邻点，以及把Smw加入到它邻点的邻域中，然后计算出Smw稠密度优先权值以及更新它的邻点的稠密度优先权值；同时，用法向量磨光算法计算出该点新的法向量； 第五步，把新点SnOT对应的权值节点插入堆，同时更新它的邻点在堆中的位置； 第六步，如果点云S点总数目小于设定值，返回第三步继续插点。9.一种点云优化装...

【专利技术属性】
技术研发人员：黄惠，伍世浩，南亮亮，陈宝权，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：