CN107452065A - 实物表面采样数据的边界样点识别方法 - Google Patents
实物表面采样数据的边界样点识别方法 Download PDFInfo
- Publication number
- CN107452065A CN107452065A CN201710540411.3A CN201710540411A CN107452065A CN 107452065 A CN107452065 A CN 107452065A CN 201710540411 A CN201710540411 A CN 201710540411A CN 107452065 A CN107452065 A CN 107452065A
- Authority
- CN
- China
- Prior art keywords
- point
- border
- sampling point
- sampled data
- point set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/30—Polynomial surface description
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种实物表面采样数据的边界样点识别方法,属于产品的逆向工程领域,其特征在于:对实物表面进行扫描获取采样点云数据M,为采样数据M构建KD树索引结构;选取M中任意目标样点,基于KD树快速获取目标样点的近邻数据,并基于目标样点的近邻点集构造目标样点处的切平面,将目标样点及其近邻点集投影到该切平面上;构造投影点集的***轮廓,如果目标样点的投影点位于所构造的***轮廓上,则目标样点即为边界样点。
Description
技术领域
本发明提供一种实物表面采样数据的边界样点识别方法,属于产品的逆向工程领域。
背景技术
曲面重建技术是逆向工程中的核心技术,主要利用实物表面的采样点集重构出原始曲面,采样点集的边界信息作为求解曲面的定义域,对后续曲面重建的质量有重要影响。
在逆向工程领域,采样点集具有三维空间分布的不均匀的特点,对边界样点的识别,并不存在严格的数学表达模型。白仲栋等在学术期刊《机械科学与技术》2011,20(4):481-483发表的学术论文“复杂曲面反求工程中边界处理技术研究”中,将不同类型曲面的采样点集投影到特定的参数曲面形成映射参数域,通过分割参数域提取曲面的边界样点,该方法仅适用于采样点集为平面、柱面以及球面等特殊应用场景,难以推广到更加复杂的情况。柯映林等在学术期刊《机械工程学报》2004,09:116–120上发表的论文“基于点云的边界特征直接提取技术”,对曲面采样数据的包围盒进行空间栅格划分,建立基于空间栅格的边界提取模型,当数据量较大时,计算效率较低。孙殿柱等在学术期刊《农业机械学报》2013,44(12),275–279+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,基于核密度估计的方法计算目标样点的模式点,以其与目标样点的欧氏距离作为依据进行边界样点的判定,该方法对非均匀分布的采样数据的适应性较差。
综上所述,目前实物表面采样点集的边界样点识别方法并不完整,难以适应非均匀分布的实物表面采样点集的边界识别,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的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
本发明要解决的问题是:克服现有技术的不足,提供一种实物表面采样数据的边界样点快速识别方法,准确地识别出边界样点。
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的边界样点识别方法,其特征在于,步骤依次为:一、设实物表面采样数据点集为M并为M构造KD树三维空间索引结构;二、利用索引结构,查询M中任一样点x的近邻点集λ(x) ;三、构造λ(x)的逼***面P并将λ(x) 投影到P上,记投影点集为λ'(x);四、为λ'(x)构造投影轮廓L(x);五、判断x的投影点x’是否位于L(x)上,若x’位于L(x),则点x即为边界样点。
为实现发明目的,所述实物表面采样数据的边界样点识别方法,其特征在于:针对实物表面采样点集M,首先利用KD树为其构造索引结构,查询M中任一样点x的近邻点集λ(x),然后利用最小二乘拟合的方法构造λ(x)的逼***面p,将p作为x处的切平面,并将λ(x)和点x投影到平面P上,得投影点集为λ'(x)。
为实现发明目的,所述实物表面采样数据的边界样点识别方法,其特征在于:为投影点集λ'(x)构造***轮廓,具体步骤为1. 计算λ'(x)的凸包L c(x),将凸包边作为原始轮廓线;2. 初始化 i←0,L(x)←φ;3.取线段 ,计算li的中点O,以O为圆心,以li的长度为直径作圆,并统计落在圆内的点的个数n;4. 若 n=0,将li存入集合 L(x),转步骤7;若 n>0,在圆O内,查询距离li最近的点a;5. 连接a点和li的两个端点,构造新的轮廓线;6.对新构造的轮廓线重复步骤3-5;7. i←i+1;8. 重复步骤2-7,直至遍历完L c(x);最终所构造的二维平面的封闭多边形L(x)即为λ'(x)***轮廓。
为实现发明目的,所述实物表面采样数据的边界样点识别方法,其特征在于:根据所构造的投影点集λ'(x)的***轮廓 L(x),若目标样点x的投影点位于该L(x),则x就是所要识别的实物表面采样点集的边界样点,对所有的采样点集执行上述步骤,直至识别出所有的边界样点信息。
本发明实物表面采样数据的边界样点识别方法具有以下优点:
1、将实物表面采样数据的边界样点识别问题化局部样本二维投影点集***轮廓的构造,降低了边界识别的维度,有效提高了实物表面采样点集的边界样点识别效率;
2、在二维投影点集***轮廓的构造中,采用迭代求解策略,求解结果精确,可有效提高实物表面采样数据的边界样点识别精度。
附图说明
图1是本发明实物表面采样数据的边界样点识别方法的流程图;
图2是针对局部投影点集的***轮廓构造示意图;
图3是针对插座模型的均匀采样数据;
图4是采用SHI的方法(Shi Baoquan, Liang Jin, Liu Qing. Adaptivesimplification of point cloud using k-means clustering[J]. Computer-AidedDesign, 2011, 43(8): 910-922)对图3所示均匀采样数据边界识别结果示意图;
图5是采用孙殿柱的方法(孙殿柱,刘华东,史阳,李延瑞. 基于核密度估计的散乱点云边界特征提取[J]. 农业机械学报, 2013, 12:275 – 279+268)对图3所示均匀采样数据边界识别效果示意图;
图6是本文算法针对图3所示均匀采样数据的边界识别效果示意图;
图7是对轮毂模型的非均匀采样数据;
图8是是采用SHI的方法(Shi Baoquan, Liang Jin, Liu Qing. Adaptivesimplification of point cloud using k-means clustering[J]. Computer-AidedDesign, 2011, 43(8): 910-922)对图7所示非均匀采样数据边界识别结果示意图;
图9是采用孙殿柱的方法(孙殿柱,刘华东,史阳,李延瑞. 基于核密度估计的散乱点云边界特征提取[J]. 农业机械学报, 2013, 12:275–279+268)对图7所示非均匀采样数据边界识别效果示意图;
图10是本文算法对图7所示非均匀采样数据的边界识别效果示意图。
具体实施方式
下面结合附图及实例对本发明作进一步说明。
图1是本发明实物表面采样数据的边界样点识别方法的流程图,利用三维扫描仪获取实物模型表面的采样数据M,为采样点集M构建KD树索引结构以便于对数据进行查询;任意选取M中的样点x,利用KD树获取其近邻样点集合,基于x的近邻点集,采用最小二乘拟合的方法构造点x处的切平面P,并将点x及其近邻点集投影到平面P上;采用启发式搜索的策略构造投影点集的***轮廓,如果x的投影点落在其近邻点集的投影轮廓上,则x即为实物表面采样数据的边界样点。
针对目标样点及其近邻点集的投影点集,为其构造***轮廓,如图2所示,其中首尾连接的实线就是投影点集的凸包边界L c(x),将其作为原始轮廓线向投影点集内部收缩,收缩的具体过程如下:(1) 将凸包边界L c(x)作为原始轮廓线,任意选取一条轮廓线(这里选取的线段为AB);(2) 计算线段AB的中点O,并以O为圆心,以AB为直径作圆;(3) 统计落在圆O内的点数,若点数不为0,则计算圆O内距离线段AB最近的投影点(图2中点C),则点C就是识别出的新的轮廓顶点,分别连接CA、CB构造新的轮廓线,然后对新构造的轮廓线再次执行收缩步骤;若落在圆O内的点数为0,则搜索下一条原始轮廓线执行收缩过程;(4) 对所有的原始轮廓线执行上述步骤,直至收缩过程结束,记所构造的二维投影点集的轮廓为L(x)。
查询x的投影点x’是否落在投影轮廓L(x)上,具体方式为:统计L(x)的轮廓顶点,如果x’属于L(x)的轮廓顶点集合,则x就是识别出的实物表面采样数据的边界样点。
图3是针对插座模型进行采样得到的均匀采样数据,图4是利用SHI的算法求解的边界效果图,图5是利用孙殿柱的方法求解得到的边界效果图,图6是利用本文算法得到的边界识别效果;观察图3-图6可知,针对该模型的均匀采样数据,SHI方法识别出的边界有明显噪点,本文边界识别方法和孙殿柱提供的边界识别方法识别出的边界效果好于SHI的边界识别方法。
图7是针对轮毂模型采样得到的非均匀的采样数据,图8的是利用SHI的识别方法得到的边界效果图,图9是利用孙殿柱的边界识别方法得到的边界效果图,图10是利用本文算法得到的边界效果图;观察图7-图10可知,针对轮毂非均匀采样数据,SHI和孙殿柱的边界识别方法所识别出的边界均含有较多噪点,SHI的边界识别方法尤其是在点集内部孔洞处含有大量噪点,而本文识别方法在所识别出的边界没有明显噪点,边界识别效果好于前两种方法。
以上所述,仅是本发明的较佳实例而已,并非对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为同等变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实例所做的任何简单修改、等同化与改型,仍属于本发明技术方案的保护内容。
Claims (2)
1.一种实物表面采样数据的边界样点识别方法,其特征在于:一、设实物表面采样数据点集为M并为M构造KD树三维空间索引结构;二、利用索引结构,查询M中任一样点x的近邻点集λ(x);三、构造λ(x)的切平面P并将点x和λ(x)投影到P上,记投影点集为λ'(x);四、为投影点集λ'(x)构造***轮廓L(x);五、判断x的投影点x’是否位于L(x)上,若x’位于L(x),则点x即为边界样点。
2.如权利要求1所述的实物表面采样数据的边界样点识别方法,其特征在于:在步骤四中,构造局部投影点集λ'(x)的***轮廓,具体为1. 计算λ'(x)的凸包L c(x),将凸包边作为原始轮廓线;2. 初始化 i←0,L(x)←φ;3.取线段 ,计算li的中点O,以O为圆心,以li的长度为直径作圆,并统计落在圆内的点的个数n;4. 若n=0,将li存入集合 L(x),转步骤7;若 n>0,在圆O内,查询距离li最近的点a;5. 连接a点和li的两个端点,构造新的轮廓线;6. 对新构造的轮廓线重复步骤3-5;7. i←i+1;8. 重复步骤2-7,直至遍历完L c(x);最终L(x)即为λ'(x)***轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710540411.3A CN107452065A (zh) | 2017-07-05 | 2017-07-05 | 实物表面采样数据的边界样点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710540411.3A CN107452065A (zh) | 2017-07-05 | 2017-07-05 | 实物表面采样数据的边界样点识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107452065A true CN107452065A (zh) | 2017-12-08 |
Family
ID=60488738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710540411.3A Pending CN107452065A (zh) | 2017-07-05 | 2017-07-05 | 实物表面采样数据的边界样点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107452065A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241936A (zh) * | 2018-09-26 | 2019-01-18 | 西安电子科技大学 | 基于空间约束和kd树的语义线段聚集集合的计算方法 |
CN116542981A (zh) * | 2023-07-06 | 2023-08-04 | 无锡晨智物联科技有限公司 | 无参考点云的质量评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700458A (zh) * | 2015-04-08 | 2015-06-10 | 山东理工大学 | 实物表面采样数据边界样点识别方法 |
CN106127677A (zh) * | 2016-06-22 | 2016-11-16 | 山东理工大学 | 基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法 |
CN106548484A (zh) * | 2016-10-27 | 2017-03-29 | 济宁学院 | 基于二维凸包的产品模型散乱点云边界特征提取方法 |
CN106778749A (zh) * | 2017-01-11 | 2017-05-31 | 哈尔滨工业大学 | 基于聚集度和Delaunay三角重构的巡回作业区域边界提取方法 |
-
2017
- 2017-07-05 CN CN201710540411.3A patent/CN107452065A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700458A (zh) * | 2015-04-08 | 2015-06-10 | 山东理工大学 | 实物表面采样数据边界样点识别方法 |
CN106127677A (zh) * | 2016-06-22 | 2016-11-16 | 山东理工大学 | 基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法 |
CN106548484A (zh) * | 2016-10-27 | 2017-03-29 | 济宁学院 | 基于二维凸包的产品模型散乱点云边界特征提取方法 |
CN106778749A (zh) * | 2017-01-11 | 2017-05-31 | 哈尔滨工业大学 | 基于聚集度和Delaunay三角重构的巡回作业区域边界提取方法 |
Non-Patent Citations (4)
Title |
---|
吴禄慎等: "一种基于散乱点云的边界提取算法", 《计算机应用与软件》 * |
孙殿柱等: "基于核密度估计的散乱点云边界特征提取", 《农业机械学报》 * |
李雯静等: "凸壳内缩法进行多密度离散点群边界检测", 《测绘科学》 * |
高尚兵等: "利用显著边界点的图像自动分割算法", 《电光与控制》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241936A (zh) * | 2018-09-26 | 2019-01-18 | 西安电子科技大学 | 基于空间约束和kd树的语义线段聚集集合的计算方法 |
CN109241936B (zh) * | 2018-09-26 | 2022-10-11 | 西安电子科技大学 | 基于空间约束和kd树的语义线段聚集集合的计算方法 |
CN116542981A (zh) * | 2023-07-06 | 2023-08-04 | 无锡晨智物联科技有限公司 | 无参考点云的质量评估方法 |
CN116542981B (zh) * | 2023-07-06 | 2023-08-29 | 无锡晨智物联科技有限公司 | 无参考点云的质量评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993748B (zh) | 一种基于点云处理网络的三维网格物体分割方法 | |
CN109325993B (zh) | 一种基于类八叉树索引的显著性特征强化采样方法 | |
CN109166145B (zh) | 一种基于聚类分割的果树叶片生长参数提取方法及*** | |
CN106780458B (zh) | 一种点云骨架提取方法及装置 | |
CN104463164B (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
CN107369161A (zh) | 一种基于改进欧式聚类的散乱工件点云分割方法 | |
CN101783016B (zh) | 一种基于形状分析的树冠外形提取方法 | |
CN107392875A (zh) | 一种基于k近邻域划分的点云数据去噪方法 | |
CN101719140A (zh) | 一种图形检索方法 | |
CN107680168B (zh) | 三维重建中基于平面拟合的网格简化方法 | |
CN105046694A (zh) | 一种基于曲面拟合系数特征的点云快速配准方法 | |
CN115661374B (zh) | 一种基于空间划分和模型体素化的快速检索方法 | |
CN101477529A (zh) | 一种三维对象的检索方法和装置 | |
CN104298990A (zh) | 一种基于骨架图的快速图形匹配与识别的方法 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN102799763A (zh) | 一种基于点云姿态标准化的点云线特征提取方法 | |
CN106447777A (zh) | 布尔运算支持下的三维拓扑关系表达与映射 | |
CN106780748A (zh) | 一种基于网格关联的四叉树索引点云排序方法 | |
CN107452065A (zh) | 实物表面采样数据的边界样点识别方法 | |
CN102938165B (zh) | 基于型面特征逼近的产品stl模型光顺方法 | |
CN104821015B (zh) | 实物表面样点α-shape曲面拓扑重建方法 | |
CN107564024B (zh) | 基于单侧聚集线段的sar图像聚集区域提取方法 | |
CN112884884A (zh) | 一种候选区域生成方法及*** | |
CN104700458B (zh) | 实物表面采样数据边界样点识别方法 | |
Geng et al. | Approximate poisson disk sampling on mesh |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171208 |