一种无标定曲面点云数据重建圆柱面的方法及装置与流程

本发明涉及逆向工程技术领域，特别是涉及一种无标定曲面点云数据重建圆柱面的方法及装置。

背景技术：

逆向工程是指根据现有的产品模型，利用数字化测量设备获取实体数据，然后对这些数据进行分割与拟合，来构建一个完整的cad模型。目前逆向工程技术已经广泛应用于各种工程领域，如工业检测、自主导航和文物保护等。

由于点云数据具有存储方便，计算灵活的特点，现已成为计算机图形学中一种重要的元数据形式，点云逆向重建是点云计算中的一项重要技术。近年来，随着数字化精度的不断提高以及扫描对象曲面的复杂化，对于三维激光扫描仪或ct扫描仪等设备所获取的海量点云数据，传统的点云数据分割处理环节非常耗时，因此设计新的算法来解决点云数据分割问题变得十分重要。

技术实现要素：

本发明的目的是提供一种无标定曲面点云数据重建圆柱面的方法及装置，实现了将一个包含有三个以内近似圆柱面组成的曲面点云数据进行分割并分别进行圆柱面拟合。

为解决上述技术问题，本发明提供一种无标定曲面点云数据重建圆柱面的方法，包括：

将扫描获得的曲面点云数据利用最小二乘法拟合，并利用拟合方程确定拟合特征数据；

利用最小二乘意义对所有点云数据进行圆柱面拟合，并判断首次拟合是否成功；

若首次拟合失败，则采用聚类算法将所有点云数据分割为两个曲面，分别利用最小二乘意义进行圆柱面拟合，并判断两个曲面是否均拟合成功；

若第二次拟合失败，则采用聚类算法将所有点云数据分割为三个曲面，分别利用最小二乘意义进行圆柱面拟合，并判断三个曲面是否均拟合成功；

若第三次拟合失败，则判定所述曲面点云数据不可重建为圆柱面。

可选地，所述将扫描获得的曲面点云数据利用最小二乘法拟合，并利用拟合方程确定拟合特征数据包括：

利用所述拟合方程确定每个点云对应的两个主曲率，对每个点云选取三维坐标值以及所述主曲率作为对应点云的拟合特征数据。

可选地，判断曲面是否拟合成功包括：

确定点云与拟合圆柱面的均方根，将所述均方根与预设均方根阈值进行比较；若所述均方根小于所述预设均方根阈值，则判断曲面拟合成功。

可选地，所述采用聚类算法对点云数据进行分割包括：

采用k-means聚类算法结合密度聚类思想对点云数据进行分割；

在采用聚类算法对点云数据进行分割的过程中，计算平方误差准则函数是否达到预设阈值，如果是，则输出分割结果；如果否，则继续进行分割。

本发明还提供了一种无标定曲面点云数据重建圆柱面的装置，包括：

拟合特征数据确定模块，用于将扫描获得的曲面点云数据利用最小二乘法拟合，并利用拟合方程确定拟合特征数据；

首次拟合模块，用于利用最小二乘意义对所有点云数据进行圆柱面拟合，并判断首次拟合是否成功；

二次拟合模块，用于若首次拟合失败，则采用聚类算法将所有点云数据分割为两个曲面，分别利用最小二乘意义进行圆柱面拟合，并判断两个曲面是否均拟合成功；

三次拟合模块，用于若第二次拟合失败，则采用聚类算法将所有点云数据分割为三个曲面，分别利用最小二乘意义进行圆柱面拟合，并判断三个曲面是否均拟合成功；若第三次拟合失败，则判定所述曲面点云数据不可重建为圆柱面。

本发明所提供的无标定曲面点云数据重建圆柱面的方法及装置，将扫描获得的曲面点云数据利用最小二乘法拟合，并利用拟合方程确定拟合特征数据；利用最小二乘意义对所有点云数据进行圆柱面拟合，并判断首次拟合是否成功；若首次拟合失败，则采用聚类算法将所有点云数据分割为两个曲面，分别利用最小二乘意义进行圆柱面拟合，并判断两个曲面是否均拟合成功；若第二次拟合失败，则采用聚类算法将所有点云数据分割为三个曲面，分别利用最小二乘意义进行圆柱面拟合，并判断三个曲面是否均拟合成功。本发明所提供的无标定曲面点云数据重建圆柱面的方法及装置，通过k-means聚类算法结合最小二乘意义的圆柱面拟合方法，实现了全无标定的曲面点云数据重建为圆柱面。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的无标定曲面点云数据重建圆柱面的方法的一种具体实施方式的流程图；

图2为本发明所提供的无标定曲面点云数据重建圆柱面的方法的另一种具体实施方式的流程图；

图3为本发明实施例提供的曲面点云被分割并重建为由两个圆柱面光滑拼接的流程图；

图4为本发明实施例提供的曲面点云被分割并重建为由三个圆柱面光滑拼接的流程图；

图5为本发明实施例提供的无标定曲面点云数据重建圆柱面的装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在实际工程应用中，一个曲面若需重建为圆柱面，最多仅分割为三个面再分别进行圆柱面拟合，否则用多个圆柱面的拼接来代替原来的曲面的简化过程将失去意义。本发明所提供的无标定曲面点云数据重建圆柱面的方法的一种具体实施方式的流程图如图1所示，该方法包括：

步骤s11：将扫描获得的曲面点云数据利用最小二乘法拟合，并利用拟合方程确定拟合特征数据；

具体地，本步骤中利用所述拟合方程确定每个点云对应的两个主曲率，对每个点云选取三维坐标值以及所述主曲率作为对应点云的拟合特征数据。

进一步地，在所述将扫描获得的曲面点云数据利用最小二乘法拟合，并利用拟合方程确定拟合特征数据之后还包括：对所述拟合特征数据进行归一化处理。

步骤s12：利用最小二乘意义对所有点云数据进行圆柱面拟合，并判断首次拟合是否成功；

步骤s13：若首次拟合失败，则采用聚类算法将所有点云数据分割为两个曲面，分别利用最小二乘意义进行圆柱面拟合，并判断两个曲面是否均拟合成功；

步骤s14：若第二次拟合失败，则采用聚类算法将所有点云数据分割为三个曲面，分别利用最小二乘意义进行圆柱面拟合，并判断三个曲面是否均拟合成功，若拟合失败，则该曲面不可重建为圆柱面。

其中，判断曲面是否拟合成功包括：确定点云与拟合圆柱面的均方根，将所述均方根与预设均方根阈值进行比较；若所述均方根小于所述预设均方根阈值，则判断曲面拟合成功。

采用聚类算法对点云数据进行分割的步骤可以具体为：采用k-means聚类算法对点云数据进行分割。在采用聚类算法对点云数据进行分割的过程中，计算平方误差准则函数是否达到预设阈值，如果是，则输出分割结果；如果否，则继续进行分割。

参照图2，下面对本发明所提供的无标定曲面点云数据重建圆柱面的方法的另一种具体实施方式进行进一步详细阐述。

步骤s21：将扫描获得的曲面点云数据利用最小二乘法拟合并利用该拟合方程求出每个点云对应的两个主曲率；对每个点云选取三维坐标值及其对应的两个主曲率作为代表该点云的5个特征；

对每个点云选取三维坐标值及其对应的两个主曲率作为代表该点云的5个特征，包括：对于每个点云，其第一特征为x轴坐标值，第二特征为y轴坐标值，第三特征为z轴坐标值，第四特征为两个主曲率中的最大曲率r1，第五特征为两个主曲率中的最小曲率r2。

步骤s22：对所有点云数据利用最小二乘意义进行圆柱面拟合，根据点云与拟合圆柱面的均方根误差判断是否拟合成功；

对所有点云数据在最小二乘意义下，求出所拟合的圆柱面其轴线上的一点(x0,y0,z0)，及该轴线的方向(a,b,c)，得到点(x,y,z)到该轴线距离为

根据式子(1)计算每个点云到该轴线距离并求该所有点云到该轴线距离的均值，则该均值即为所拟合圆柱面半径r，再计算所有点云到该轴线距离与该半径r的均方根rmse，若该rmse小于预先设定的最小均方根rmsemin，则拟合成功，曲面点云数据被成功重建为一个圆柱面，否则，拟合失败。

步骤s23：若首次拟合失败，对所有点云数据利用k-means聚类算法分割为两个曲面，分别利用最小二乘意义进行圆柱面拟合，并根据点云与拟合圆柱面的均方根误差判断两个曲面是否同时拟合成功；

对所有点云五维数据均归一化线性压缩到-1到1之间，求出所有点云的两个主曲率中的最大曲率r1的绝对值最大值r1max、绝对值最小值r1min和绝对值均值r1m，两个主曲率中的最小曲率r2的绝对值最大值r2max、绝对值最小值r2min和绝对值均值r2m，x轴坐标值的绝对值均值xm，y轴坐标值的绝对值均值ym，z轴坐标值的绝对值均值zm，并得到xm、ym、zm的最大值maxm，采用带权重的欧氏距离作为本发明中k-means聚类的相似度度量，则点(x1,y1,z1,ra1,rb1)和点(x2,y2,z2,ra2,rb2)的距离(相似度)定义为

其中，

根据式(2)求出所有点云间的距离，并得到其中的最大距离dmax和最小距离dmin，设置密度阈值为db1＝dmin+0.06(dmax-dmin)，根据式(2)计算出每一个点云除去自身外与其他所有点云的距离并得出少于db1的个数n1，个数n1最大的点云则选为本发明中k-means聚类算法k为2时的第一个聚类中心的初始点(若有多个点同时为最大则在这些点中随机选取一个)，另外，根据式(2)找到距离该第一个聚类中心初始点最远的点并算出该两点距离dm1，根据式(2)找到所有点云中距离该第一个聚类中心初始点距离最接近0.82×dm1的点云(若有多个点云同时满足要求则在这些点中随机选取一个)，并选取该点云作为本发明中k-means聚类算法k为2时的第二个聚类中心的初始点，由此完成聚类中心初始化，后续选用平方误差准则函数作为本发明中k-means聚类算法k为2时的准则函数并将其最小化。

对于所有点云，根据式(2)分别计算其到两个聚类中心的距离，并根据该距离将该点云归类为其中距离相对较小的那个聚类中心中，例如，该点云与第一个聚类中心的距离相对较小，则该点云被分到a1类，否则被分到a2类，由此完成所有点云数据的第一次分割。

较优地，点云数据的第一次分割后，计算平方误差准则函数e是否已经小于设定值e，若满足要求则输出分割结果，否则，继续进行分割。

较优地，对于所有被分到a1类的点云，将其x轴坐标值的均值作为第一个聚类中心的新第一特征的值，y轴坐标值的均值作为第一个聚类中心的新第二特征的值，z轴坐标值的均值作为第一个聚类中心的新第三特征的值，两个主曲率中的最大曲率r1的均值作为第一个聚类中心的新第四特征的值，x轴坐标值的均值作为第一个聚类中心的新第五特征的值，对于所有被分到a2类的点云，将其x轴坐标值的均值作为第二个聚类中心的新第一特征的值，y轴坐标值的均值作为第二个聚类中心的新第二特征的值，z轴坐标值的均值作为第二个聚类中心的新第三特征的值，两个主曲率中的最大曲率r1的均值作为第二个聚类中心的新第四特征的值，x轴坐标值的均值作为第二个聚类中心的新第五特征的值，并将上述新聚类中心特征的值均归一化线性压缩到-1到1之间。

较优地，对于所有点云根据式(2)分别计算其到两个聚类中心的距离，并根据该距离将该点云归类为其中距离相对较小的那个聚类中心中，计算平方误差准则函数e，并判断其是否已经小于设定值e，若满足要求则输出本次分割结果，否则，继续进行分割，重新计算两个新聚类中心，重复上述分类步骤，直至误差准则函数e小于设定值e，或迭代次数达到设置次数，输出分割结果。

较优地，对于已分割完成的a1类和a2类所有点云，分别根据上述圆柱面拟合步骤进行拟合并判断是否拟合成功，若a1类和a2类同时拟合成功，则整个点云分割及拟合过程成功，并输出拟合结果，曲面点云数据被成功分割到a1类和a2类中并被重建为由两个圆柱面光滑拼接的曲面，否则整个点云分割及拟合过程失败，即上述第二次拟合失败。

步骤s24：若第二次拟合失败，对所有点云数据利用k-means聚类算法分割为三个曲面，分别利用最小二乘意义进行圆柱面拟合，并根据点云与拟合圆柱面的均方根误差判断三个曲面是否同时拟合成功。

设置密度阈值为db2＝dmin+0.04(dmax-dmin)，根据式(2)计算出每一个点云除去自身外与其他所有点云的距离并得出少于db2的个数n2，个数n2最大的点云则选为本发明中k-means聚类算法k为3时的第一个聚类中心的初始点(若有多个点同时为最大则在这些点中随机选取一个)，另外，根据式(2)找到距离该第一个聚类中心初始点最远的点并算出该两点距离dm2，根据式(2)找到所有点云中距离该第一个聚类中心初始点距离最接近且大于0.99×dm2的点云(若有多个点云同时满足要求则在这些点中随机选取一个)，并选取该点云作为本发明中k-means聚类算法k为3时的第二个聚类中心的初始点，此外，根据式(2)找到所有点云中与该第一个聚类中心初始点和该第二个聚类中心初始点两距离之和最大的点并算出该距离之和dm3，根据式(2)找到与该第一个聚类中心初始点和该第二个聚类中心初始点两距离之和最接近且大于0.99×dm3的点云(若有多个点云同时满足要求则在这些点中随机选取一个)，并选取该点云作为本发明中k-means聚类算法k为3时的第三个聚类中心的初始点，由此完成聚类中心初始化，后续选用平方误差准则函数作为本发明中k-means聚类算法k为3时的准则函数并将其最小化。

较优地，对于所有点云，根据式(2)分别计算其到三个聚类中心的距离，并根据该距离将该点云归类为其中距离相对较小的那个聚类中心中，例如，若该点云与第一个聚类中心的距离相对较小，则该点云被分到b1类，若该点云与第二个聚类中心的距离相对较小，则该点云被分到b2类，若该点云与第三个聚类中心的距离相对较小，则该点云被分到b3类，由此完成所有点云数据的第一次分割。

较优地，点云数据的第一次分割后，计算平方误差准则函数e是否已经小于设定值e，若满足要求则输出分割结果，否则，继续进行分割。

较优地，对于所有被分到b1类的点云，将其x轴坐标值的均值作为第一个聚类中心的新第一特征的值，y轴坐标值的均值作为第一个聚类中心的新第二特征的值，z轴坐标值的均值作为第一个聚类中心的新第三特征的值，两个主曲率中的最大曲率r1的均值作为第一个聚类中心的新第四特征的值，x轴坐标值的均值作为第一个聚类中心的新第五特征的值，对于所有被分到b2类的点云，将其x轴坐标值的均值作为第二个聚类中心的新第一特征的值，y轴坐标值的均值作为第二个聚类中心的新第二特征的值，z轴坐标值的均值作为第二个聚类中心的新第三特征的值，两个主曲率中的最大曲率r1的均值作为第二个聚类中心的新第四特征的值，x轴坐标值的均值作为第二个聚类中心的新第五特征的值，对于所有被分到b3类的点云，将其x轴坐标值的均值作为第三个聚类中心的新第一特征的值，y轴坐标值的均值作为第三个聚类中心的新第二特征的值，z轴坐标值的均值作为第三个聚类中心的新第三特征的值，两个主曲率中的最大曲率r1的均值作为第三个聚类中心的新第四特征的值，x轴坐标值的均值作为第三个聚类中心的新第五特征的值，并将上述新聚类中心特征的值均归一化线性压缩到-1到1之间。

较优地，对于所有点云根据式(2)分别计算其到三个聚类中心的距离，并根据该距离将该点云归类为其中距离相对较小的那个聚类中心中，计算平方误差准则函数e，并判断其是否已经小于设定值e，若满足要求则输出本次分割结果，否则，继续进行分割，重新计算三个新聚类中心，重复上述分类步骤，直至误差准则函数e小于设定值e，或迭代次数达到设置次数，输出分割结果。

较优地，对于已分割完成的b1类、b2类和b3类所有点云，分别根据上述圆柱面拟合步骤进行拟合并判断是否拟合成功，若b1类、b2类和b3类同时拟合成功，则整个点云分割及拟合过程成功，并输出拟合结果，否则b1类、b2类和b3类中必有其中一类拟合成功，在此为方便论述，假设b1类为此处拟合成功的一类。

较优地，将所有点云除去属于b1类的点云，得到剩下的点云数据集p，将点云数据集p按上述本发明的k-means聚类算法k为2时的点云分割步骤进行分割，得到已分割完成的c1类和c2类，对于c1类和c2类分别根据上述圆柱面拟合步骤进行拟合并判断是否拟合成功，若c1类和c2类同时拟合成功，则整个点云分割及拟合过程成功，并输出拟合结果，曲面点云数据被成功分割到b1类、c1类和c2类中并被重建为由三个圆柱面光滑拼接的曲面，否则整个点云分割及拟合过程失败，即该曲面不可进行圆柱面拟合。

步骤s25：若仍拟合失败，则该曲面点云数据不可重建为圆柱面。

请参阅图3，其示出了本发明实施例提供的曲面点云被分割并重建为由两个圆柱面光滑拼接的流程图，包括：

步骤s31：设置密度阈值，找到基于该密度阈值的密度最大中心点云作为第一个聚类中心的初始点，另外，找到距离该第一个聚类中心初始点最远距离的0.82位置处的点云作为第二个聚类中心的初始点，由此完成聚类中心初始化。

步骤s32：对于所有点云，分别计算其到两个聚类中心的距离，并根据该距离将该点云归类为其中距离相对较小的那个聚类中心中。

步骤s33：计算平方误差准则函数e是否已经小于设定值e，若满足要求则输出分割结果，否则，继续进行分割。

步骤s34：对于所有被分类的点云，分别计算本类中各特征的值的均值作为该类新聚类中心的各特征的值并进行归一化处理，并对于所有点云，分别计算其到两个新聚类中心的距离，并根据该距离将该点云归类为其中距离相对较小的那个聚类中心中。

步骤s35：计算平方误差准则函数e，判断其是否已经小于设定值e，若满足要求则输出本次分割结果，否则，继续进行分割，重新计算两个新聚类中心，重复上述分类步骤，直至误差准则函数e小于设定值e，或迭代次数达到设置次数，输出分割结果。

步骤s36：对于已分割完成的所有点云，分别根据本发明圆柱面拟合步骤进行拟合并判断是否拟合成功，若两分类同时拟合成功，则整个点云分割及拟合过程成功，并输出拟合结果，曲面点云将被成功重建为由两个圆柱面光滑拼接的曲面，否则整个点云分割及拟合过程失败。

请参阅图4，其示出了本发明实施例提供的曲面点云被分割并重建为由三个圆柱面光滑拼接的流程图，包括：

步骤s41：设置密度阈值，找到基于该密度阈值的密度最大中心点云作为第一个聚类中心的初始点，另外，找到距离该第一个聚类中心初始点最远距离的0.99位置处的点云作为第二个聚类中心的初始点，找到与该第一个聚类中心初始点和该第二个聚类中心初始点两距离之和最大的0.99倍点作为第三个聚类中心的初始点，由此完成聚类中心初始化。

步骤s42：对于所有点云，分别计算其到三个聚类中心的距离，并根据该距离将该点云归类为其中距离相对较小的那个聚类中心。

步骤s43：计算平方误差准则函数e是否已经小于设定值e，若满足要求则输出分割结果，否则，继续进行分割。

步骤s44：对于所有被分类的点云，分别计算本类中各特征的值的均值作为该类新聚类中心的各特征的值并进行归一化处理，并对于所有点云，分别计算其到三个新聚类中心的距离，并根据该距离将该点云归类为其中距离相对较小的那个聚类中心中，计算平方误差准则函数e，判断其是否已经小于设定值e，若满足要求则输出本次分割结果，否则，继续进行分割，重新计算两个新聚类中心，重复上述分类步骤，直至误差准则函数e小于设定值e，或迭代次数达到设置次数，输出分割结果。

步骤s45：对于已分割完成的各类所有点云分别根据本发明圆柱面拟合步骤进行拟合并判断是否拟合成功，找到唯一拟合成功的b1类。

步骤s46：将所有点云除去属于b1类的点云，将剩下的点云数据集按上述本发明的聚类算法k为2时的点云分割步骤进行分割，得到已分割完成的c1类和c2类。

s47：对c1类和c2类分别根据本发明圆柱面拟合步骤进行拟合并判断是否拟合成功，若c1类和c2类同时拟合成功，则整个点云分割及拟合过程成功，曲面点云数据被成功分割并重建为由三个圆柱面光滑拼接的曲面，否则该曲面不可进行圆柱面拟合。

下面对本发明实施例提供的无标定曲面点云数据重建圆柱面的装置进行介绍，下文描述的无标定曲面点云数据重建圆柱面的装置与上文描述的无标定曲面点云数据重建圆柱面的方法可相互对应参照。

图5为本发明实施例提供的无标定曲面点云数据重建圆柱面的装置的结构框图，参照图5无标定曲面点云数据重建圆柱面的装置可以包括：

拟合特征数据确定模块100，用于将扫描获得的曲面点云数据利用最小二乘法拟合，并利用拟合方程确定拟合特征数据；

首次拟合模块200，用于利用最小二乘意义对所有点云数据进行圆柱面拟合，并判断首次拟合是否成功；

二次拟合模块300，用于若首次拟合失败，则采用聚类算法将所有点云数据分割为两个曲面，分别利用最小二乘意义进行圆柱面拟合，并判断两个曲面是否均拟合成功；

三次拟合模块400，用于若第二次拟合失败，则采用聚类算法将所有点云数据分割为三个曲面，分别利用最小二乘意义进行圆柱面拟合，并判断三个曲面是否均拟合成功；若第三次拟合失败，则判定所述曲面点云数据不可重建为圆柱面。

作为一种具体实施方式，本发明所提供的无标定曲面点云数据重建圆柱面的装置中，所述拟合特征数据确定模块具体用于：

利用所述拟合方程确定每个点云对应的两个主曲率，对每个点云选取三维坐标值以及所述主曲率作为对应点云的拟合特征数据。

本实施例的无标定曲面点云数据重建圆柱面的装置用于实现前述的无标定曲面点云数据重建圆柱面的方法，因此无标定曲面点云数据重建圆柱面的装置中的具体实施方式可见前文中的无标定曲面点云数据重建圆柱面的方法的实施例部分，例如，拟合特征数据确定模块模块100，首次拟合模块模块200，二次拟合模块模块300，三次拟合模块模块400，分别用于实现上述无标定曲面点云数据重建圆柱面的方法中步骤s101，s102，s103和s104，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。

本发明所提供的无标定曲面点云数据重建圆柱面的装置，将扫描获得的曲面点云数据利用最小二乘法拟合，并利用拟合方程确定拟合特征数据；利用最小二乘意义对所有点云数据进行圆柱面拟合，并判断首次拟合是否成功；若首次拟合失败，则采用聚类算法将所有点云数据分割为两个曲面，分别利用最小二乘意义进行圆柱面拟合，并判断两个曲面是否均拟合成功；若第二次拟合失败，则采用聚类算法将所有点云数据分割为三个曲面，分别利用最小二乘意义进行圆柱面拟合，并判断三个曲面是否均拟合成功。本发明所提供的无标定曲面点云数据重建圆柱面的装置，通过k-means聚类算法结合最小二乘意义的圆柱面拟合方法，实现了全无标定的曲面点云数据重建为圆柱面。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的无标定曲面点云数据重建圆柱面的方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。