一种点云数据抽稀的方法与流程

1.本发明涉及三维重建技术领域，尤其涉及一种点云数据抽稀的方法。


背景技术：

2.点云数据(point cloud data)是指在一个三维坐标系统中的一组向量的集合，集合中的每个点代表一组x、y、z几何坐标和一个向量值。这个向量值根据不同的应用场景可以表达为不同的信号强度。当这些点组合在一起时，就会形成一个点云，即空间中代表3d形状或对象的数据点集合。
3.点云数据应用的典型应用场景包括激光雷达扫描和倾斜摄影三维重建过程，通常情况下直接产生的点云数据量巨大、数据信息冗余，难以处理，故需要使用一定的点云抽稀规则或是算法，对过量的点云数据进行筛选，使其在保留较多的信息的同时，减少数据量。
4.目前常用的点云抽稀算法包括：基于均匀网格，基于距离和高差，基于坡度，基于tin的抽稀算法。
5.传统的点云抽稀算法，都是使用某一特征值作为标定，将特征值范围内的点云进行合并，从而达到抽稀的目的。
6.以均匀距离和均匀网络算法为例，如图1和图2所示：
7.通过计算点云间的平均间距，得到一个点云合并的合理阈值，通常而言会选择平均间距的1/10作为阈值，之后将距离小于该阈值的两点合并为一个点，而合并后点的空间位置为合并前两点间的中间位置。最终成果如图3所示：
8.在此基础上，通过引入均匀网络，会极大减少运算量。当得到平均间距后，选择1/10平均间距长度作为间隔生成一个随机网格，简单地将同一个网格内的所有点进行合并，且以网格中心点作为合并点的空间位置。
9.所有基于特征值的抽稀算法，会导致一个问题，即：通常点云越密集的区域代表对象的复杂度越高，包含的信息也越丰富，抽稀后的损失也越大。而包含信息少，点云密度稀疏的区域损失却最小。而抽稀的初衷是减少数据量的同时，保留较多的信息。
10.导致原因：
11.无论是基于单一特征，还是组合特征的抽稀算法，本质上都是基于特征值，且应用于全局点云抽稀，不能有效识别高信息密度区域与低信息密度区域，导致信息密度越高，损失越大，信息密度越低，损失越小。
12.基于此，需要研发一种点云数据抽稀的方法来解决上述问题。


技术实现要素：

13.本发明的目的就在于为了解决上述问题设计了一种点云数据抽稀的方法。
14.本发明通过以下技术方案来实现上述目的：
15.一种点云数据抽稀的方法，包括以下步骤：
16.s1、输入原始点云数据，进入下一步骤；
17.s2、使用聚类算法，将点云中不同密度的区域识别出来，并形成聚类，进入下一步骤；
18.s3、对聚类后的每一类点云数据单独进行抽稀，进入下一步骤；
19.s4、组合成为抽稀点云成果数据。
20.具体地，聚类算法为基于迭代求解的聚类分析算法、基于层次的聚类算法、基于密度的聚类算法、基于网格的聚类算法中的一种。
21.优选地，聚类算法为基于密度的聚类算法，采用dbscan算法，包括步骤：
22.s21、以每个数据点为圆心，以eps为半径画圆圈；
23.s22、确定在圆圈内的数据点数量，该数量为该数据点的密度值；
24.s23、选取一个密度阈值minpts，判断数据点的密度值与密度阈值minpts的大小关系，如密度值小于密度阈值minpts，则该数据点为低密度的点；如密度值大于或等于密度阈值minpts，则该数据点为高密度的点；如果有一个高密度的点在另一个高密度的点的圈内，则将两个高密度的点连接起来；如果有低密度的点也在高密度的点的圈内，则将低密度的点与距离其最近的高密度点连接，最终将所有能连接在一起的数据点形成簇。
25.进一步地，在步骤s3中，分别对不同的密度区域的簇使用均匀网格点云抽稀算法，在不同的区域进行相同信息丢失比例的抽稀。
26.本发明的有益效果在于：
27.本发明将通过神经网络机器学习的方式，将点云数据划分为不同信息密度的区域，针对不同信息密度区域再使用传统的点云抽稀算法进行抽稀，确保全局信息损失一致。
附图说明
28.图1为原始点云数据示意图。
29.图2为通过点间连线的方式计算间距示意图。
30.图3为均匀距离和均匀网络算法抽稀后的点云示意图。
31.图4为本技术的流程图。
32.图5为本技术中dbscan算法的工作原理图。
33.图6为本技术中二维空间的dbscan聚类结果示意图。
34.图7为本技术的处理示意图。
35.图8为本技术的处理结果示意图。
具体实施方式
36.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
37.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
38.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
39.在本发明的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
40.此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
41.在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
42.下面结合附图，对本发明的具体实施方式进行详细说明。
43.如图4所示，一种点云数据抽稀的方法，包括以下步骤：
44.s1、输入原始点云数据，进入下一步骤；
45.s2、使用聚类算法，将点云中不同密度的区域识别出来，并形成聚类，进入下一步骤；
46.s3、对聚类后的每一类点云数据单独进行抽稀，具体为：分别对不同的密度区域的簇使用均匀网格点云抽稀算法，在不同的区域进行相同信息丢失比例的抽稀。进入下一步骤；
47.s4、组合成为抽稀点云成果数据。
48.通过使用密度聚类算法，可以将点云中不同密度的区域识别出来，并形成聚类。聚类算法很多，包括基于划分的聚类算法(如：k-means)，基于层次的聚类算法(如：birch)，基于密度的聚类算法(如：dbscan)，基于网格的聚类算法(如：sting)等等。
49.聚类算法为基于密度的聚类算法，采用dbscan算法，包括步骤：
50.相比其他的聚类方法，基于密度的聚类方法可以在有噪音的数据中发现各种形状和各种大小的簇。其核心思想就是先发现密度较高的点，然后把相近的高密度点逐步都连成一片，进而生成各种簇。算法实现上就是，对每个数据点为圆心，以eps为半径画个圈(称为邻域eps-neigbourhood)，然后数有多少个点在这个圈内，这个数就是该点密度值。然后我们可以选取一个密度阈值minpts，如圈内点数小于minpts的圆心点为低密度的点，而大于或等于minpts的圆心点高密度的点(称为核心点core point)。如果有一个高密度的点在另一个高密度的点的圈内，我们就把这两个点连接起来，这样我们可以把好多点不断地串联出来。之后，如果有低密度的点也在高密度的点的圈内，把它也连到最近的高密度点上，称之为边界点。这样所有能连到一起的点就成一了个簇，而不在任何高密度点的圈内的低密度点就是异常点。如图5所示，展示了dbscan的工作原理。
51.当设置某一minpts值的时候，黑圆点为高密度点，黑三角点为异常点，白圆点为边界点。黑圆点和白圆点串成一起成了一个簇。
52.由于dbscan是靠不断连接邻域内高密度点来发现簇的，只需要定义邻域大小和密度阈值，因此可以发现不同形状，不同大小的簇。如图6所示，展示了一个二维空间的dbscan聚类结果。
53.使用dbscan密度聚类算法对前述点云成果进行密度聚类，效果如图7所示：
54.再分别对不同的密度区域使用相同的点云抽稀算法，如均匀网格算法，则可以实现在不同的区域的相同信息丢失比例的抽稀效果，如图8所示。
55.最终实现，高密度信息区域信息保留更完整，而低密度信息区域被同等抽稀。
56.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。