一种基于特征敏感投影算子的厚度点云薄化方法
【专利摘要】本发明提供一种基于特征敏感投影算子的厚度点云薄化方法，包括四个步骤：点云邻域的选取阶段，用于构建扫描散乱点云数据的局部邻域信息；离群点去除阶段，依据点云的局部邻域信息进行点云初始分割，去除原始点云数据中的离群点；点云法向估计阶段，在点云的局部邻域内，利用主成分分析算法估计点云法向信息；厚度点云薄化阶段，结合法向差异和距离信息，构建特征敏感投影算子，迭代更新点云数据的位置，实现厚度点云的薄化处理。本发明针对带有噪声、离群点、厚度的扫描点云数据，提出了一种特征敏感的投影算子，实现了点云厚度薄化的同时保持点云数据潜在的特征结构。
【专利说明】一种基于特征敏感投影算子的厚度点云薄化方法
【技术领域】
[0001] 本发明涉及一种基于特征敏感投影算子的厚度点云薄化方法。
【背景技术】
[0002] 随着三维扫描设备的快速发展，点云数据获取变的越来越容易。在数据获取过程 中由于周围环境的影响、扫描仪自身的局限等因素导致获取的点云数据不可避免的存在噪 声、离群点、采样不均等问题。另外，由于物体的复杂性等原因，需要多次重复扫描物体，最 终导致获取的点云数据存在一定的厚度。直接由带有厚度的点云数据重建得到的网格通常 会出现非流形结构、多层次曲面等问题，无法用于后续的数据处理和分析。
[0003] 初始点云数据处理工作主要包括去噪、离群点除去、重采样、数据简化等，已经得 到了大家的广泛关注和研究。在厚度点云的薄化处理，同样涉及到数据去噪、离群点去除等 工作。在基于移动最小二乘算法的工作中，利用移动最小二乘算法局部拟合二次曲面，迭代 地将初始点集投影到拟合曲面上实现了扫描点云数据的处理。该类法可以较好的处理带有 噪声、采样不均的点云数据。由于该类算法拟合出光滑曲面，因此无法很好的保持点云模型 中带有的特征信息。为了克服这一缺点并保持原始点云模型中的特征信息，改进的移动最 小二乘算法被提出，如基于鲁棒统计的最小二乘算法。该算法通过迭代向前搜索的方式选 取不跨越特征结构的邻域，利用局部邻域的分类保持点云数据中潜在的特征结构。曲面拟 合方法的缺点是在曲面拟合之前需要定义参数化区域，这是一件繁琐而费事的工作。
[0004] 为避免这一过程，显式的处理算法直接对不同层次得到的点云数据进行加权平 均，如基于局部最优投影算子的方法。该算法通过极小化任意投影点集与原始数据点集之 间的距离，提出了一种局部最优投影算子的方法。该方法的优化能量函数包含两个主要部 分：一是控制投影点集与原始数据的相似性程度，另一个是保持数据点集分布的数据排斥 项。由于该算法的排斥项在优化过程中收敛过快，容易出现点云数据分布不规则的情况。为 此，引入局部数据依赖的权重，一种加权的局部最优投影算子被提出。该算法有效地处理了 数据分布不均的情况。虽然局部最优投影算子和加权的最优投影算子可以很好的处理噪声 和离群点的情况，但无法保持数据内在的特征。
[0005] 当获取点云数据中存在较大程度的噪声和厚度时，现有算法尽管可以实现噪声的 去除和一定程度的数据薄化，但是仍然无法给出合理的输出结果。为解决上述问题，本发明 基于特征敏感投影算子等技术提出了厚度点云薄化方法，该方法可以有效去除扫描点云数 据中的噪声，在厚度点云薄化的同时保持数据潜在的细节和显著特征。
【发明内容】
[0006] 本发明解决的技术问题是：克服了现有的点云数据处理技术在处理扫描点云数据 中的不足，提供了一种基于特征敏感投影算子的厚度点云薄化方法，满足了后续几何处理 对输入数据的需求。
[0007] 本发明采用的技术方案为：一种基于特征敏感投影算子的厚度点云薄化方法，包 括以下四个步骤：
[0008] 步骤（1)、点云邻域选取：利用共享K近邻算法，计算任意两点之间的相似性度量。 在数据点集之间的相似性度量的基础上，考虑两点的实际欧式距离，通过向前搜索的方式 逐个添加邻域点，直至满足一定的终止条件，完成一点处局部邻域的选取。
[0009] 步骤（2)、离群点去除：由步骤⑴获取的点云局部邻域信息构成了对输入点云数 据的初始分割，将具有较少邻域点的数据点集作为离群点从初始点云数据中删除，完成点 云数据的离群点去除。
[0010] 步骤⑶、点云法向估计：对于剩余的数据点集，在一点的局部邻域内，利用主成 分分析算法估计当前点的法向信息。估计得到的法向信息构成了厚度点云的投影方向，同 时法向之间的差异度量了原始点云数据的特征信息。
[0011] 步骤（4)、厚度点云薄化：利用上述步骤得到的局部邻域和法向信息，定义法向差 异、计算邻域内点集在法向方向上的投影距离，构建特征敏感的投影算子，迭代更新点云数 据的位置，实现厚度点云数据的薄化。
[0012] 本发明的原理在于：
[0013] (1)为了实现厚度点云的薄化，同时保持数据自身的特征信息，本发明在完成扫描 点云数据的法向信息估计后，结合法向间差异和数据点在法向方向上的投影距离，提出了 特征敏感的投影算子，有效保持了原始数据的细节和显著特征。
[0014] ⑵为了得到合理的局部邻域信息，本发明利用共享K近邻算法，度量任意两点之 间的相似性，利用逐层推进的方式获取数据点的局部邻域。该方法可以有效获取数据点间 的局部邻域结构，同时避免了由于不同曲面间距离较近导致的邻域选取错误。
[0015] (3)为了去除初始扫描点云数据中的离群点，避免离群点对后续点云法向估计和 厚度薄化投影过程的影响，在得到数据点的局部邻域之后，统计局部邻域包含数据点的数 目，剔除包含较少邻域点的数据。
[0016] 本发明与现有技术相比的优点在于：
[0017] 1、本发明提出的基于共享K近邻的点云邻域点选择方法，一方面有效保持了数据 集具有各向异性邻域的特性，另一方面避免了噪声环境下邻域选取的错误问题。
[0018] 2、本发明提出的基于点云邻域选取的离群点去除方法，有效地去除了远离扫描点 云数据主体的离群点，为后续法向的正确估计和特征敏感的投影算子计算提供合理的数 据。
[0019] 3、对比已有的点云数据处理方法，本发明提出的基于特征敏感投影算子的厚度点 云薄化方法，将数据去噪、离群点去除和厚度薄化统一在厚度点云薄化的框架下，实现了点 云数据的鲁棒处理。
【专利附图】
【附图说明】
[0020] 图1为基于特征敏感投影算子的厚度点云薄化处理流程图；
[0021] 图2为共孕K近邻不意图；
[0022] 图3为邻域点选取与离群点去除示意图；
[0023] 图4为投影算子中权重示意图；
[0024] 图5为Turtle模型的厚度薄化结果；图5(a) (c)给出了带有噪声和厚度的Turtle 模型的点云重建结果。图5(b)从重建结果的横切图和局部放大部位可以看到，由于噪声和 厚度的存在，导致重建的结果不光滑，同时出现多层次曲面的情况。图5(d)中对应的横切 图和局部放大结果，是本发明提出的厚度点云薄化方法重建所得的结果。
[0025] 图6为细节保持的大象模型的厚度薄化结果；
[0026] 图7为细节保持的Mayan模型的厚度薄化结果。
【具体实施方式】
[0027] 图1给出了基于特征敏感投影算子的厚度点云薄化处理流程图，下面结合其他附 图及【具体实施方式】进一步说明本发明。
[0028] 本发明提供一种基于特征敏感投影算子的厚度点云薄化处理流程图，主要步骤介 绍如下：
[0029] 1?点云邻域选取
[0030] 局部邻域选择在点云数据处理中起着重要的作用，直接影响最终数据处理的好 坏。通常在邻域选取过程中，球形邻域或者是K-近邻方法被广泛使用，并可以处理大部分 现实中存在的数据。但是，当处理的数据存在非常靠近的潜在曲面或者含有显著特征的时 候，上述两种邻域选取的方式通常无法得到满意的结果。为了克服现有邻域选取方法的局 限，在本发明中我们基于共享K近邻算法以波前向外扩展搜索的方式构建了一点处的局部 邻域，具体过程如下：
[0031] 给定散乱点云数据尸=彳A=(?,兄,z,.Her二I,L,?，通常点云数据会受噪声、离 群点、采样不均、厚度等情况的影响。为了构建点P处合理的邻域结构，利用共享K近邻算 法度量两点之间的相似性如下：
【权利要求】
1. 一种基于特征敏感投影算子的厚度点云薄化方法，其特征在于包括以下步骤： 步骤（1)、点云邻域选取：利用共享K近邻算法，计算任意两点之间的相似性度量；在数 据点集之间的相似性度量基础上，考虑两点的实际欧式距离，通过向前搜索的方式逐个添 加邻域点，直至满足一定的终止条件，完成一点处局部邻域的选取； 步骤（2)、离群点去除：由步骤（1)获取的点云局部邻域构成了对输入点云数据的初始 分割，将具有较少邻域点的数据点作为离群点从初始点云数据中删除，完成点云数据的离 群点去除； 步骤（3)、点云法向估计：对于剩余的数据点集，在其局部邻域内，利用主成分分析算 法估计当前点的法向信息；估计得到的法向信息构成了厚度点云的投影方向，同时法向之 间的差异度量了原始点云数据的特征信息； 步骤（4)、厚度点云薄化：利用上述步骤得到的局部邻域和法向信息，定义法向差异、 计算邻域点集在法向方向上的投影距离，构建特征敏感的投影算子，迭代更新点云数据的 位置，实现厚度点云数据的薄化。
2. 根据权利要求1所述的一种基于特征敏感投影算子的厚度点云薄化方法，其特征在 于：共享K近邻算法有效度量了任意两点是否属于同一邻域的可能性，以逐步向前推进的 思想筛选一点的局部邻域，有效实现噪声环境下点云数据各项异性邻域的选取； 给定散乱点云数据尸=_丨八=(.'〇,.1'/,2/)丨^/?_ ;,1= 1，1^，11,通常点云数据会受噪声、离群 点、采样不均、厚度情况的影响；为了构建点P处合理的邻域结构，利用共享K近邻算法度量 两点之间的相似性如下： S(p,q) = #(NN(p)nNN(q)), 其中，NN(p)和NN(q)分别是点p和q的K近邻点集。两点拥有的公共近邻点越多，它 们成为彼此邻域点的可能性越大；如果两个点分别位于不同的曲面上，它们将拥有较少或 者没有公共的近邻点，尽管它们在欧式距离上非常的近，但也不可能被划分到彼此的邻域 中； 在得到数据点集之间的相似性之后，通过向前搜索的方式逐个添加邻域点；具体地，对 于某个当前点，我们将它的最近邻中的点加入到波前集合中，如果它们满足以下两个条件： 首先，待加入点和当前点的相似性要大于一个给定的数值，这个数值取决于初始最近邻个 数的设定；其次，待加入点与当前点的欧式距离要小于一定的阈值，通常以点云数据间的平 均距离为参考；新增加的邻域点被当作新的波前，重复该过程直到没有满足条件的点存在 或者达到最大邻域点上限。
3. 根据权利要求1所述的一种基于特征敏感投影算子的厚度点云薄化方法，其特征在 于：充分利用了离群点通常距离点云数据主体部分较远的特点，结合已经获得的点云邻域 划分，去除具有较少邻域点的数据集，实现初始点云数据的离群点去除，减少了离群点对后 续法向估计和厚度薄化过程的影响； 具体地，在构建完数据点的局部邻域之后，将具有较少邻域点的点当作离群点从原始 点云数据中去除，这些点通常距离点云数据的主体部分较远并且周围存在较少的邻域点。
4. 根据权利要求1所述的一种基于特征敏感投影算子的厚度点云薄化方法，其特征在 于：在厚度点云数据薄化过程中，充分考虑几何数据具有各项异性的特点，结合法向差异和 邻域点在法向方向的投影距离信息，定义特征敏感的投影算子，迭代更新数据点的坐标位 置，实现噪声环境下厚度点云的薄化处理； 为了描述点云数据的特征信息，对点云数据中的每一个点利用主成分分析的方法估计 其法向；给定点P以及局部邻域点集NB(P) = {Pj}，j=1，L,k，定义局部邻域点的协方差矩 阵T为：
记T的特征值为λ^彡λi彡λ2和特征向量为e(l,epe2，则点p的法向量估计为;由于输入的点云数据带有噪声和一定厚度，因此初始估计的点云法向不够精确，这种情况 将会随着后续点云薄化过程而得到改善； 在获得点云的法向估计之后，特征敏感的投影算子定义如下：
其中，#是点P更新之后的位置，np是点P的法向量，r是数据点沿着法向方向更新的 步长，权重％涉及到三方面的几何信息，定义如下：
其中，《,是高斯空间权重，并以参数α控制空间距离上的影响区域；点p和q之间的 欧式距离记为I|p_q|I;第二个权重Wm是特征保持的权重，用参数β惩罚与当前点法向存 在较大差异点的权重；第三个权重Wnd考虑了厚度点云的空间分布，如果邻域点到当前点法 向的垂直距离越小，那么该点的贡献的权重就越大，该权重由参数Y控制。
【文档编号】G06F19/00GK104318100SQ201410570717
【公开日】2015年1月28日 申请日期:2014年10月22日 优先权日:2014年10月22日
【发明者】王小超, 郝爱民, 李帅, 秦洪 申请人:北京航空航天大学