基于曲率特征信息的散乱点云数据预处理技术研究

摘要

随着非接触式测量设备精度的不断提高，非接触测量越来越多地应用于航空、航天、造船、生物、装备制造等工程领域。由于非接触式测量所获得散乱点云数据易受环境的影响，使得点云中存在误差点，而且由于设备测量精度高，也造成点云中存在大量的冗余数据。误差点的存在会严重影响后续曲面重构的质量，而大量冗余数据会使得整个重构工作耗费计算资源大、效率低、精度差，因此，散乱点云数据平滑和精简是保证曲面重构质量不可或缺的数据预处理手段。
　　本文以高精度扫描所获得的散乱点云数据为具体研究对象，深入研究了一套能较好保留曲面几何特征(法矢、曲率)的数据平滑和精简技术，编制相应的算法，用不同数量规模、不同重构要求的散乱点集为实验数据，验证该算法的合理、有效性，并将算法集成开发为一套功能完整的散乱点云数据平滑和精简预处理系统。
　　论文主要的研究内容如下：
　　1.基于空间分块技术，将通用的K-邻域整体扩展搜索算法改进为自动寻找最近扩展壁的单向扩展，确保快速完成k个邻近点的搜索，提高搜索效率。
　　2.研究散乱点云重要的几何特征：法矢和曲率的获取方法，包括：法矢估算和修正方法、曲率估算方法，为后续数据平滑和精简方法研究做好基础准备工作。
　　3.为避免数据平滑使得点云中关键的边界点信息丢失，将边界点识别和提取算法引入进散乱点云数据平滑算法中，并以曲率估算得到的平均曲率为阈值，将散乱点集分区，对不同曲率区域的点应用相适应的平滑算法，使得整套平滑算法不仅能很好地保留边界信息和曲率变化的特征信息，而且数据点排列较为规则、有序，为曲面重构打下良好的基础。
　　4.为了使数据精简算法在具有较高精简效率的同时，很好地保留原始点云曲率变化信息，论文提出根据点集中不同曲率点的比例来自适应地设置平均曲率修正因子，动态对数据分区进行合理地调整，同时论文将基于空间分割和曲率的数据精简方法相融合，对不同曲率的数据分区应用不同的精简算法，并用实例验证了该精简算法对表面特征复杂和表面曲率变化较为简单的散乱点集均有很好的适应性。
　　5.将所研究的K-邻域快速搜索、法矢估算及修正、曲率估算、边界点保留、数据平滑和数据精简的算法整合在一起，运用基于CAA的CATIA的二次开发技术，开发出完整的散乱点云数据平滑和精简预处理系统。