一种自适应的点云数据分割方法
【技术领域】
[0001] 本发明属于计算机图形学技术领域，涉及一种自适应的点云数据分割方法。
【背景技术】
[0002] 随着计算机图形、图像技术的发展，虚拟可视化技术在生态学、农学以及林学等多 种领域有着更为广阔的应用前景。随着激光扫描设备与技术的完善和普及，基于三维数据 模型的重建方法和结构测量方法允许进行较为精准的重建三维模型，重建出的模型同时也 具有真实感强和精度高以及较好的复原农作物的特征信息等优点，受到业界越来越多的研 究者重视。但同一模型结构的不同会导致重构的曲线、曲面不光滑，所以对于模型的不同部 位需要采用不同的建模方法。
[0003] 传统的点云分割方法大多是针对结构化的点云模型或2. f5D深度图像，而对于散 乱的无组织点云不具有适应性，同时上述传统的点云分割方法推广应用到非结构化三维点 云中的时候会遇到很多限制，对于散乱的非结构化的点云难以达到较好的分割效果。从目 前国内外研究及应用来看，尽管对点云分割已经进行了大量的、面向不同应用问题的研究， 但是还没有一种适合所有应用的分割算法，绝大多数算法都是针对具体问题提出的。
【发明内容】
[0004] 针对上述现有技术中存在的问题和缺陷，本发明的目的在于，提供一种自适应的 点云数据分割方法。
[0005] 为了实现上述目的，本发明采用如下技术方案：
[0006] -种自适应的点云数据分割方法，具体包括以下步骤：
[0007] 步骤1 :获取点云数据，对点云数据进行特征提取，得到各个数据点的局部密度和 近距离；
[0008] 步骤2 :根据步骤1得到的各个数据点的局部密度和近距离，对各个数据点进行排 序，得到排序后的种子点集合；
[0009] 步骤3 :计算得到各个数据点对应的法向量和曲率；
[0010] 步骤4 :根据步骤3得到的各个数据点对应的法向量和曲率，利用区域增长算法， 按照步骤2得到的种子点集合中的数据点进行种子点的自动选取，对所有数据点进行分 类，实现点云数据的分割。
[0011] 进一步地，所述的步骤1的对点云数据进行特征提取的实现过程包括：
[0012] 步骤1. 1 :计算数据点Xl，1彡i彡N中任意两数据点间的距离；
[0013] 步骤1. 2 :将步骤1. 1得到的任意两数据点间的距离，按照从小到大排序生成新的 集合d，计算截断距离d。；
[0014] 步骤1. 3 :根据步骤1. 2得到的截断距离d。，计算每个数据点Xl的局部密度P 1;
[0015] 步骤1. 4 :将步骤1. 3得到的局部密度P i进行降序排序，重新生成一个下标序 列；
[0016] 步骤1. 5 :根据步骤1. 1得到的任意两数据点间的距离，计算各个数据点的近距离 4，91表示步骤1. 4所述的下标序列的下标数值。
[0017] 进一步地，所述步骤2的实现过程包括：
[0018] 步骤2. 1:利用步骤1得到的各个数据点的局部密度P 近距离，得到各个数 据点的判断值HJ1;
[0019] 步骤2. 2:将数据点Xl按照PU i的值进行降序排序，生成种子点集合SEEDS。
[0020] 进一步地，所述步骤3的实现过程包括：
[0021] 步骤3. 1 :对于每一个数据点Xl，利用基于FDN的邻域搜索算法得到每一个数据点 Xi的邻近点；
[0022] 步骤3. 2 :计算每一个数据点Xl的所有邻近点的三维质心；
[0023] 步骤3. 3 :利用步骤3. 2得到的质心计算各个数据点Xl对应的协方差矩阵Cov 1;
[0024] 步骤3. 4 :根据步骤3. 3的得到的协方差矩阵0)\计算各个数据点X i对应的特征 值和特征向量，得到数据点Xi对应的法向量V,;
[0025] 步骤3. 5 :根据步骤3. 4得到的各个数据点Xl对应的特征值，计算各个数据点X i 的曲率Cun。
[0026] 进一步地，所述步骤4的实现过程包括：
[0027] 步骤4. 1 :记集合Nbhd为数据点的邻域，集合Nbhd中的元素为数据点的邻近点， 集合Rc为当前区域，初始值为空，Se为当前种子区域，初始值为空；选择种子点集合SEEDS 中的第一个数据点seecMt为初始的当前种子点，将其插入到当前种子区域Se中；
[0028] 步骤4. 2 :利用FDN邻域搜索算法得到当前种子点的邻域Nbhd，对邻域Nbhd中的 每一个邻近点.％1表示当前种子点的第1个邻近点，判定其法向量％.与当前种子点的法 向量&之间的夹角是否满足设定的法向量阈值条件，若满足，则将此邻域点^加入到当前 区域Rc中；
[0029] 步骤4.3 :判断当前邻域点$的曲率是否满足设定的曲率阈值条件，若满足，则将 邻域点^加入到当前种子区域Se中；
[0030] 步骤4. 4 :删除当前种子区域&中的当前种子点，并将此数据点从集合U中删除；
[0031] 步骤4. 5:选取当前种子区域Sc中的下一个数据点作为当前种子点，返回步骤 4. 2,直到种子区域Sc为空，执行步骤4. 6 ;
[0032] 步骤4.6 :若集合U不为空，则将当前区域Rc中的数据点保存在文件中，将当前区 域Rc重新置为空，选取SEEDS中的下一个数据点作为当前种子点，返回步骤4. 1，直到集合 U为空，分割结束；则不同的当前区域Rc中的数据点分别被保存在不同的文件中，实现数据 点的分类，即实现点云数据的分割。
[0033] 与现有技术相比，本发明具有以下技术效果：
[0034] 1、本发明通过计算得到每个数据点的局部距离和近距离，对数据点进行排序，得 到排序后的种子点集合，在区域增长过程中，可以按照种子点集合中的数据点的顺序，进行 种子点的自动选取，避免了过多的参数调整操作，为点云分割提供便利，提高了处理速度； 通过对比实验发现，本发明中的方法具有较好的点云分割效果。
[0035] 2、本发明的种子点的选取过程具有自适应性，且对噪声不敏感，可以在很大程度 上排除选取噪声作为种子点这一情况。
【附图说明】
[0036] 图1是本发明的方法流程图；
[0037] 图2是玉米植株的三维点云模型分割效果图；图2(a)所示的玉米植株原始点云模 型，图2 (b)是采用本发明方法分割后的点云效果图，图2 (c)是采用区域增长算法分割后的 点云效果图，图2(d)是采用DBSCAN分割后的点云效果图；
[0038] 图3是树的三维点云模型分割效果图；图3(a)表示树的原始点云数据模型，图 3(b)是采用本发明方法分割后的点云效果图，图3(c)采用区域增长算法分割后的点云效 果图，图3(d)是采用DBSCAN分割后的点云效果图。
[0039] 下面结合附图和【具体实施方式】对本发明的方案做进一步详细地解释和说明。
【具体实施方式】
[0040] 遵从上述技术方案，参见图1，本发明的自适应点云数据分割方法，具体包括以下 步骤：
[0041] 步骤1 :利用三维扫描仪对点云进行扫描，获取点云数据，对点云数据进行点云数 据特征的提取，得到各个数据点局部密度和近距离，实现过程包括：
[0042] 步骤1. 1 :记点云数据集合为U = {Xl | 1彡i彡N}，N是集合U中数据点的总个数， 将数据点Xl，导入以x、y、z为坐标轴的三维坐标系中，根据导入的数据点Xl，计算数据点 Xl中任意两数据点间的距离，得到N* (N-1)/2个距离值；
[0044] 其中，（Xi, yi, zj和（x_j, y_j, zj分别表示数据点X;中点p ;和p 的坐标，且j乒i， 其中1彡i彡N，1彡j彡N ;
[0045] 步骤1. 2 :将步骤1. 1得到的任意两数据点间的距离，按照从小到大排序生成新的 集合d，计算截断距离d。：
[0046] dc= d。*(_ 1)/2) (2)
[0047] 其中，〇的取值在1 % -2 %之间，对于不同的模型取值不同。
[0048] 步骤1. 3 :根据步骤1. 2得到的截断距离d。，计算每个数据点Xl的局部密度Ρ 1:
[0051] 步骤1. 4 :为了避免区域增长算法中选取的两个种子点的距离较近，导致分割过 度的情况的发生，将局部密度P i进行降序排序，重新生成一个下标序列，所述下标序列满 足公式⑷所述的条件：
[0053] 其中，Qi表示重新生成的下标序列的下标，且1彡i彡N。
[0054] 步骤1. 5 :根据步骤1. 1得到的任意两数据点间的距离，计算各个数据点的近距离 5()丨：，'
[0056] 其中，Qp Q#为公式⑷中的下标序列的下标数值，所述的近距离指的是两个种 子点之间的距离。
[0057] 步骤2 :根据步骤1得到的各个数据点的局部密度P廊近距离，对数据点Χι进行排序，得到排序后的种子点集合SEEDS，其具体包括以下步骤：
[0058] 步骤2. 1 :利用局部密度P满近距离，得到各个数据点&的判断值PU 1:
[0059] PU1= Ρ ^ δ 1 (6)
[0060] 步骤2. 2 :将数据点\按照PU i的值进行降序排序，生成种子点集合SEEDS，集合中 的数据点即为排好序后的种子点；
[0061] SEEDS (s) = {seed" seed2,。。。。。。，seedj (7)
[0062] 步骤3 :计算得到每一个数据点^的法向量和曲率
[0063] 步骤3. 1 :对于每一个数据点Xl，利用基于FDN(固定距离邻域搜索）的搜索算法
[1]得到每一个数据点X 邻近点^ , 1 < 1 < h，设数据点Xl的邻近点的个数为k 1;
[0064] 步骤3. 2 :计算每一个数据点乂;的k ;个邻近点％的三维质心:
[0066] 步骤3. 3 :利用得到的质心^计算数据点Xl对应的协方差矩阵Cov 1:
[0068] 步骤3. 4 :根据得到的C〇Vl计算数据点X i对应的特征值和特征向量，得到数据点 Xi对应的法向量：
[0070] 其中，I表示数据点\对应的第m (1彡m彡3)个特征值，&表示特征值2^对应 的特征向量。
[0071] 根据主元素理论，数据点\对应的最小的特征值对应的特征向量$即为数据