实物表面采样数据边界样点识别方法
【技术领域】
[0001] 本发明提供一种实物表面采样数据边界样点识别方法，属于产品逆向工程技术领 域。
【背景技术】
[0002] 曲面重建技术在逆向工程、医学图像处理、机器视觉以及虚拟现实等领域已获得 广泛应用，由于曲面边界是曲面定义中的关键几何特征，因此在曲面重建过程中，边界样点 识别不仅是实物表面采样数据预处理阶段的核心技术，也是影响曲面重建正确性与精度的 重要因素。
[0003] 对于判断实物表面采样数据中的任一目标样点是否为边界样点，现有的识别方 法主要基于该样点周围以欧氏距离进行度量的邻域数据并结合曲面局部平坦特性进行判 断，即：对目标样点邻域数据进行平面逼近，然后将目标样点与其邻域数据向该平面投影， 若后者的投影点位于前者的投影点一侧，则目标样点被判定为边界样点。这类方法主要存 在两个问题：（1)曲面的局部平坦特性只限于对光滑曲面有效，因此无法对位于曲面上尖 锐棱边或曲率变化较大的过渡区域内的边界样点进行识别；(2)对于非均匀分布的采样数 据，虽然许多目标样点并非边界样点，但是基于欧氏距离所获取的邻域参考数据极有可能 位于目标样点一侧，从而造成误判。孙殿柱等在学术期刊《农业机械学报》2013,44(12)， P275-279, 268上发表的学术论文"基于核密度估计的散乱点云边界特征提取"中，基于核密 度估计方法获取曲面局部形状参考点集的模式点，以其与目标样点之间的欧式距离作为依 据进行边界样点的判定，虽然可在一定程度上处理非光滑的曲面采样数据，但是未能解决 非均匀采样数据的适应性问题。
[0004] 综上所述，目前的实物表面采样数据边界样点识别方法存在边界样点识别不完 整、难以适应非均匀分布的实物表面采样数据等问题，因此，提供一种识别能力与适应性较 强的实物表面采样数据边界样点识别方法已成为本领域技术人员亟待解决的技术问题。
【发明内容】
[0005] 本发明要解决的技术问题是：克服现有技术的不足，提供一种实物表面采样数据 边界样点识别方法，快速、准确识别实物表面采样数据的边界样点。
[0006] 为解决上述技术问题，本发明所采用的技术方案是一种实物表面采样数据边界样 点识别方法，其特征在于，步骤依次为：（1)基于核密度估计方法计算获取待边界特征识别 的目标样点邻域数据的模式点，根据目标样点与其对应模式点的偏离程度建立边界样点识 别准则，即将偏离程度大的目标样点判定为边界样点；（2)设实物表面采样数据集合为5； 利用KD树对5构建样点数据动态空间索引；（3)基于KD树索引采用动态空心球扩展算法 查询获取目标样点P的免近邻数据，并将其作为实物表面上目标样点所在位置的初始曲面 局部样本；(4)基于K均值聚类算法使曲面局部样本在一定程度上向目标样点邻近的采样 数据稀疏区域扩展，实现对曲面局部样本的扩展优化（5)对扩展优化后的曲面局部样本， 基于核密度估计方法进行概率密度估计，获取能反映样点分布特征的模式点，并利用边界 样点识别准则对目标样点进行边界特征判定；(6)对沖的所有样点进行上述的边界特征 判定，即可完成实物表面采样数据的边界样点识别。
[0007] 为实现发明目的，所述的实物表面采样数据边界样点识别方法，其特征在于步骤 (1)中所述根据目标样点与其对应模式点的偏离程度建立边界样点识别准则，具体为：设 2 (/7)为/7在实物表面上相应位置的良好曲面局部样本，则基于核密度估计方法的模式点 计算公式为：
【主权项】
1. 一种实物表面采样数据边界样点识别方法，其特征在于，步骤依次为：（1)基于核 密度估计方法计算获取待边界特征识别的目标样点邻域数据的模式点，根据目标样点与其 对应模式点的偏离程度建立边界样点识别准则，即将偏离程度大的目标样点判定为边界样 点；（2)设实物表面采样数据集合为5；利用KD树对5构建样点数据动态空间索引；(3)基 于KD树索引采用动态空心球扩展算法查询获取目标样点的免近邻数据，并将其作为实物 表面上目标样点所在位置的初始曲面局部样本；(4)基于K均值聚类算法使曲面局部样本 在一定程度上向目标样点邻近的采样数据稀疏区域扩展，实现对曲面局部样本的扩展优化 (5)对扩展优化后的曲面局部样本，基于核密度估计方法进行概率密度估计，获取能反映样 点分布特征的模式点，并利用边界样点识别准则对目标样点进行边界特征判定；(6)对S 中的所有样点进行上述的边界特征判定，即可完成实物表面采样数据的边界样点识别。
2. 根据权利要求1所述的实物表面采样数据边界样点识别方法，其特征在于步骤 (1)中所述根据目标样点与其对应模式点的偏离程度建立边界样点识别准则，具体为：设 2 〇7)为在实物表面上相应位置的良好曲面局部样本，则基于核密度估计方法的模式点 计算公式为：
其中，/?为』(/?)中样点的数量，为带宽，GU)为核函数，目标样点与模 式点#( 2 〇7))的偏离程度可基于2 〇7)的标准差予以量化，若满足：
便可判定为边界样点，其中，冰?）为样点间的欧氏距离'为敏感因子，用于调整 边界样点识别的灵敏度，/澈判定为边界样点的概率与该值成反比；S为2 〇7)的标准差，
3. 根据权利要求1所述的实物表面采样数据边界样点识别方法，其特征在于步骤（4) 中所述曲面局部样本的扩展优化过程，具体步骤为：（1)i=〇,令4(F)为目标样点的左 近邻点集；（2)基于K均值聚类算法确定馬(F)的概率密度极大值点為(F))，具体步骤为： ①对Vf,e馬00，依次查询其邻点集{Ipip…，37,处的概率密度估计值的计算公式 为：
其中，A为带宽，GU)为核函数；②令K=2,对中各点按其概率密度大小进行K均 值聚类，从分类结果中选取聚类中心对应概率密度最大的一簇;③取€^中的样点 定义毛(P)的概率密度极大值点，计算公式为：
?-I 其中ffl= |c?|为中的样点数目；（3)计算关于目标样点/7的对称点 ；(4)在实物表面采样数据中查询功的沿a邻点集不cp> ;(5)从不go中选择可减少為Cp)的邻域信息缺失的子集7U6)若r= ?，跳转至步骤（9) ;(7)
i=i+ 1 ; (8)重复步骤⑵至（7) ; (9) !〇) =為(P)，扩展过程终止， 此时鄭)即近似为目标样点处的拓扑邻域；上述过程的步骤（5)中，从40)中选择可减 少為Cf)的邻域信息缺失的子集r，具体方法为：①对；Cp)中的样点据其至/7的距离进行 升序排列使之成为有序集;②j'=i，r=#，JU，_r)为点I到点7的欧氏距 离；③r=nj{gj;④根据计算為《的模式点同理可据此方法计算馬t^ur 的模式点Af(4(?)U：n;⑤宋
则从冲删除ffj，跳转至 步骤⑧；⑥j' =j' + 1;⑦重复步骤③至⑥；⑧返回r。
4.根据权利要求2所述的实物表面采样数据边界样点识别方法，其特征在于所述模式 点计算公式中带宽A的取值为目标样点/7至毛(rt中所有样点距离的最大值，A是一个自适 应带宽值，核函数^U)取高斯核函数，其形式为；
5.根据权利要求3所述的实物表面采样数据边界样点识别方法，，其特征在于基于核 密度估计的概率密度计算公式中带宽A的取值为％到其k近邻点集…中各点距 离的最大值，其中的核函数^u)同样取高斯核函数。
【专利摘要】本发明提供一种实物表面采样数据边界样点识别方法，属于产品逆向工程技术领域。基于核密度估计方法计算获取目标样点邻域数据的模式点，根据目标样点与其对应模式点的偏离程度建立边界样点识别准则。构建实物表面采样数据的K-D树空间索引，并基于该索引快速获取目标样点的k近邻数据，将其作为目标样点处的初始曲面局部样本，基于K均值聚类算法使曲面局部样本在一定程度上向目标样点邻近的采样数据稀疏区域扩展，实现对曲面局部样本的扩展优化。利用扩展优化后的曲面局部样本，根据边界样点识别准则对目标样点进行边界样点的判定。本方法可快速、准确识别任意复杂实物表面采样数据的边界样点，并且对于非均匀分布的采样数据具有良好的适应性。
【IPC分类】G06T17-30
【公开号】CN104700458
【申请号】CN201510162553
【发明人】孙殿柱, 魏亮, 李延瑞, 白银来
【申请人】山东理工大学
【公开日】2015年6月10日
【申请日】2015年4月8日