基于多参数k-means聚类的自适应点云精简10
1 中国石油大学(华东)
2 中国科学院烟台海岸带研究所
点云数据量十分庞大,合理对点云数据进行精简是点云数据处理的重要研究内容。针对传统点云精简算法存在的细节缺失、空洞等问题,本文提出一种基于多参数k-means聚类的自适应点云精简算法。该方法基于KD-Tree创建点云K邻域,结合曲面拟合对点云数据进行曲率和法向特征计算,运用多参数混合特征提取方法对点云特征及边界进行检测并保留;并由KD-Tree索引确定初始化聚类簇心,进行k-means聚类,聚类结果根据最大曲率偏差细分精简。将本文算法、曲率采样法、均匀网格法与随机精简法分别应用于不同类型的点云模型中进行实验,结果表明,本文算法在复杂模型下的标准偏差均优于后三者,并可以较好地保留点云的细节特征信息,精简效果与模型完整性优于均匀网格法与曲率采样法。
王建强, 樊彦国, 李国胜, 禹定峰. 基于多参数k-means聚类的自适应点云精简[J]. 激光与光电子学进展, 2021, 58(06): 8.