一种基于多目标优化的高温点云超体素分割方法

背景技术：

1、航天器和卫星面临恶劣的运行环境。周期性的高低温交变影响机载物件，如星载天线、卫星反射器、船舱外壁蜂窝隔热夹板、发动机叶轮等的尺寸热稳定性。热变形分析是航天器安全运行所不可忽视的一环，基于三维数据，如有限元分析、全站仪测量等是有效的工件三维形变分析手段，但测量速度和效率仍是一个问题。

2、基于点云的三维扫描技术发展迅速，具有测量速度快、精度高、能够直观获得三维特征、抗干扰能力强等特点，已经被广泛用于工业测量中。如建筑形变、隧道切面分析、桥梁和轨道监测等。

3、双目结构光系统是一种高精度的非接触式三维点云获取手段，能够在高温状态下获取对象丰富的物体物理信息。高温点云特征提取对高温形变的测量具有重要意义。在此之前，高温点云数据的精确分割是一个重要的前提。在双目结构光系统中，由于系统精度高，成像范围广等因素，包括会产生噪音和物体点云的粘连现象。如果不消除这些无用的噪音和附着物，就很容易产生错误的分割影响物体识别、轮廓提取和定位等的应用。

4、基于超体素的点云分割是一种有效的点云分割手段，它能够有效提取轮廓边缘。然而，在超体素分割中，各个超体素之间的距离特征测量往往是由各个空间距离度量加权平均得到的，如法线距离、空间距离和颜色空间距离等。但是加权平均的权重值配比是一个问题，它可能影响实际的分割效果。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于多目标优化算法的高温三维点云超体素分割方法，将高温点云超体素过分割问题以多目标优化的形式建模并优化，实现高温点云过分割并形成超体素，结合区域生长算法将相似区域进行合并，完成最终的高温点云分割，以提高高温点云分割的精确性和准确性。

2、为实现上述发明目的，本发明基于多目标优化算法的高温点云超体素分割方法，其特征在于，包括：

3、(1)、首先对需要进行热变形分析的工件进行高温加热，并利用双目结构光系统对处于高温状态下的工件进行三维点云采集，获取高温状态下工件的高温点云其中，表示高温点云pc中的第j个点，高温点云pc中的总点数为r；

4、(2)、对高温点云pc进行预处理，获取预处理后的点云pci

5、(2.1)、如果高温点云pc中一个点满足：

6、

7、则将其加入到滤波后的点云pcf，其中，μpc和σpc分别为高温点云pc整体邻域平均距离的均值和标准差，为点邻域平均距离，βs为剔除参数；

8、(2.2)、划分特征明显区域和特征平坦区域并分别进行均匀下采样，得到预处理后的点云pci

9、判断点云pcf中一个点是否满足：

10、

11、其中，thrn为法线阈值，为点邻域法线变化情况：

12、

13、其中，ne(j)为点的邻域，|ne(j)|为邻域ne(j)的总点数，为点的法线和邻域ne(j)中第b个邻域点的法线之间的夹角；

14、如果满足，则被划分到特征明显区域，如果不满足，则被划分到特征平坦区域；

15、分别对特征明显区域、特征平坦区域进行均匀下采样，其中，对于特征明显区域和特征平坦区域的采样半径分别设置为θ和3θ，θ为采样参数，得到预处理后的点云，记为pci，总点数为n，pci＝{p0,…,pj,…pn},pj＝[xj,yj,zj]t,j＝1,…,n，pj表示点云pci中的第j个点，它的三维坐标值分别为xj,yj和zj；

16、(3)、将点云pci作为输入点云，进行多目标超体素过分割，将输入点云分割为k个超体素集合

17、3.1)、建立多目标超体素过分割模型：

18、min f＝[f1(x'),f2(x'),f3(x')]

19、x'＝[r1',…,rk',…,rk'],rk'＝[xk',yk',zk']

20、s.t.xk',yk',zk'∈ω

21、其中，f1(x')，f2(x')和f3(x')为三种能量函数，用于衡量超体素内部特征的相似程度，min f表示最小化三种能量函数使得各个超体素在多种特征尺度上内部特征能量总和最小，从而将高温点云分割成拥有相似特征的集合，x'为决策变量，其物理含义为k个伪代表点的三维坐标，rk'表示第k个伪代表点，k＝1,…,k，其三维坐标为xk',yk',zk'，ω为可行解区域，ω＝[smin,smax]，其中，smin、smax分别为点云pci中的点所处的空间在各个方向上的极值的最小值、最大值；

22、f1(x')表示基于空间相异距离定义的能量函数，其定义为：

23、

24、d1(t(rk'),pj)＝(xk-xj)2+(yk-yj)2+(zk-zj)2

25、其中，t(rk')表示从伪代表点rk'到其对应的真实的代表点rk的映射函数，表示，代表点rk＝[xk,yk,zk]t，zk,j为二元变量，表示代表关系，zk,j＝1表示点pj被代表点rk所代表，pj＝[xj,yj,zj]t；

26、f2(x')表示基于表面弯曲程度的能量函数，其定义为：

27、

28、

29、其中，分别为代表点rk和点pj的法向量；

30、f3(x')表示基于局部几何距离的能量函数，其定义为：

31、

32、

33、其中，kr(hl(k),hl(j))表示代表点rk和点pj的fpfh直方图在第l级的交叉点，l为fpfh直方图总级数；

34、3.2)、设置超体素总数k，设置最大迭代次数maxgen、邻域大小nesize，设置决策变量x'维数为3k，目标函数维数为3，种群个体数为p；

35、3.3)、利用切比雪夫方法将多目标超体素过分割模型进行分解：

36、

37、其中，为在可行域上均匀分布的一系列权重向量，为参考点向量；

38、3.4)、根据种群个体数p初始化均分分布的权重向量集：

39、

40、根据权重向量之间的距离，计算各个子问题对应的邻域子问题初始化迭代次数t＝0，初始化种群pop0＝{pop0[1],…,pop0[p]}，初始化参考点向量f*；

41、3.5)、对种群popt每个个体popt[i]进行进化

42、(3.5.1)、从个体popt[i]的邻域中随机寻找到两个父代个体popt[in1],popt[in2]，利用模拟二进制交叉算子生成新的子代个体popt+1[inew1],popt+1[inew2]，其d维分别为：

43、

44、其中，分别表示第t代种群的第in1,in2个个体的第d维，d＝1,…,3k，ρ的定义如下：

45、

46、式中，rand()为输出值为0到1的随机函数，η为交叉因子，决定了下一代代表点集群逼近父代代表点分布的程度；

47、选择子代个体popt+1[inew1],popt+1[inew2]中一个子代个体作为个体popt[i]的关联子代个体popt+1[i]；

48、3.5.2)、对子代个体popt+1[i]施行多项式变异：

49、

50、

51、3.5.3)、每隔3维为一个单元，将子代个体popt+1[i]中的数据取出来，将每一单元的3维数据作为伪代表点的空间三维坐标：

52、

53、其中，k＝1,…,k，这样获得k个在输入空间中分布的伪代表点集合；

54、寻找距离伪代表点rk'最近的点云pci中的点来得到真正的代表点rk：

55、

56、用pcr表示全体代表点构成的集合；

57、3.5.4)、超体素重分配

58、3.5.4.1)、对于每一个点pj∈pci,j＝1,…,n，在pcr中寻找kr个离点pj最近邻的代表点

59、3.5.4.2)、计算点pj和近邻代表点集合中所有代表点的融合相异距离其定义为：

60、

61、其中表示个体popt[i]对应的权重向量，dc表示第c个相异距离指标；

62、对于点云中的每个点pj∈pci(j＝1,…,n)，获取一共kr个融合相异距离

63、3.5.4.3)、找到点pj在近邻代表点集合中融合相异距离最小的代表点

64、

65、更新点pj的代表关系，从1到k遍历，如果则zk,j＝1，如果则zk,j＝0，这样点云pci中所有点都被一个代表点所代表；

66、3.5.5)、超体素边界修正

67、3.5.5.1)、计算并记录重分配后每个点pj∈pci(j＝1,…,n)到其代表点之间的融合相异距离记录为dj，表示点pj到其代表点之间的融合相异距离；

68、3.5.5.2)、对于每个点pj∈pci(j＝1,…,n)，找到其pci中的近邻点集，表示为knn(j)，对于点pj的近邻点pb∈knn(j)，如果找到近邻点pb的代表点则将点pj及该近邻点pb都标记为边界点，如果没有找到，则维持不变，这样得到边界点集合bd；

69、3.5.5.3)、对于每一个边界点集bd中的点pj，遍历其邻域点，如果存在其邻域点pv对应的代表点则计算点pj的代表点为的情况下的融合相异距离如果小于记录的融合相异距离即则记录该代表点然后更新记录的融合相异距离dj为记录的融合相异距离中的最小融合相异距离，并更新点pj的代表点为最小融合相异距离对应的代表点以及更新代表关系zk,j；

70、3.5.6)、根据更新完之后的代表点情况，计算生成子代种群各个个体对应的各个目标函数：

71、令x'new＝popt+1[i]，将子代个体代回目标函数计算f1(x'new)，f2(x'new)和f3(x'new)，并更新参考点f*，即对于c＝1,…,3，若f*c＞fc(x'new)，则f*c＝fc(x'new)；

72、3.5.7)、计算子代个体x'new对应的子问题目标函数值访问x'new对应的邻域子问题，如果则是x'new的邻域子问题ne(i)对应的个体，更新支配关系，保留所有非支配解，移除所有被支配的解集；

73、3.5.8)、如果i＜p，则i＝i+1，返回步骤3.5.1，直到种群中每一个个体都完成进化；

74、3.6)、如果t＜maxgen，则令t＝t+1，重置i＝1，返回步骤3.5)，直到完成迭代，获得了代表点以及其代表的点集构成的超体素vk,k＝1,...,k，得到超体素集合v＝v1,...,vk；

75、(4)、区域合并

76、对超体素集合v进行区域合并以完成最终的点云分割：

77、4.1)、初始化分割结果待合并种子队列

78、4.2)、基于最小二乘法拟合超体素集合，找到平面拟合残差最小的超体素，设其序号为h，则该超体素记为vh，其对应区域为{vh}，令s＝s∪{vh}，q＝q∪vh，v＝v-vh；

79、4.3)、从待合并种子队列q中选取一个超体素，设其序号为e，则该超体素记为ve，则当前访问区域se＝{ve}，获取其邻域超体素，得到邻域超体素集合，记为vne；

80、4.4)、从中邻域超体素集合vne中选取一个超体素中的代表点，设其序号u,则该代表点记为ru，计算曼哈顿距离md(re,ru)：

81、

82、其中，表示代表点re、代表点ru的pfh特征直方图的第n维；

83、4.5)、如果md(re,ru)＜thrmd，thrmd为区域相似性阈值，则将当前访问区域se和区域{vu}合并即se＝se∪su，v＝v-vu；

84、4.6)、如果md(re,ru)＜thrmd，且超体素vu的平面拟合残差为残差阈值，则将超体素vu加入待合并种子队列即q＝q∪vu；

85、4.7)、重复4.4)—4.6)，直到超体素ve的邻域超体素全部访问完毕；

86、4.8)、将当前区域加入分割结果s＝s∪se；

87、4.9)、重复4.3)—4.8)直到待合并种子队列q为空；

88、4.10)全部合并完成后，获得最终的高温点云分割结果s。

89、本发明的发明目的是这样实现的：

90、本发明基于多目标优化算法的高温三维点云超体素分割方法，首先对工件进行高温加热，获取其处于高温状态下的点云数据。利用统计滤波滤除噪声数据，然后将高温点云数据分为特征明显区域和特征平坦区域分别进行均匀下采样，在不破坏点云整体特征的前提下减少点云数量并保留更多有价值的点云。之后建立多目标超体素分割模型。同时考虑f1(x')，f2(x')和f3(x')三种能量函数来衡量超体素内部特征的相似程度。使得超体素集合能够在多种距离维度上同时最小化。之后利用切比雪夫法分解原多目标优化问题。在种群进化过程中，利用基于权重向量的融合相异距离来指导超体素重分配过程将各个非代表性点分配给相异距离最小的代表点中并形成超体素。为了解决贪心的重分配过程可能陷入局部最优解，对经过重分配之后处于边界区域的点进行超体素边界修正。将边界点的代表点情况进一步修正，使得总体的目标函数进一步下降。在完成多目标超体素分割后，基于pfh特征的相似性测度被用于相邻超体素之间的合并。利用区域生长算法将特征相似的超体素进行合并以完成最终的高温点云分割。

91、同时，本发明基于多目标优化的点云超体素分割方法还具有以下有益效果：

92、1、本发明结合了多目标优化算法和超体素分割。将多种基于不同相异距离指标的能量函数以向量的形式同时考虑并优化。向量优化的形式避免了多种指标的权重配比无法确定的问题。同时多目标优化使得超体素集合内部能够达到在多种测度上都保持相似性最高。提升了超体素分割的精确度和紧凑性。‘

93、2、本发明在种群进化的过程中引入了超体素重分配和超体素边界修算法相结合的策略。超体素重分配使得种群在进化过程中各个点的代表情况能够跟随实际代表点的变化情况而实时变化，从而避免静态的代表情况造成的超体素提取错误的情况。超体素边界修正对两个超体素边界上的点执行交换操作，从而解决重分配过程容易陷入局部最优的问题，提升超体素的整体性以及边界的连贯性。

94、3、本发明利用基于区域生长的超体素合并算法来将各个区域的相似超体素进行合并。利用超体素平面拟合残差值来量化超体素内部的平坦程度，从而自动选择区域生长算法的种子点。利用对全互连点的所有邻近点的参数都进行了统计的pfh特征来衡量两个超体素之间的曼哈顿距离。使得合并的超体素之间的特征相似性更高。提升了高温点云分割的精确性。