基于k -means聚类的点云精简方法 下载: 515次
1 引言
三维激光扫描技术作为一种新型技术,主要采用非接触的方式获取目标物体表面数据点的三维坐标,具有高效、高精度等优点,广泛应用于各个领域[1]。但是,海量的点云数据减缓了数据处理的速度[1-3]。所以在保证目标物体模型精度的前提下,研究点云数据的精简问题很有必要。
国内外学者针对点云数据精简的问题进行了大量的研究,主要有3类方法:包围盒法、随机采样法和曲率采样法[4]。这3种方法都有其适用条件和不足:包围盒法多适用于曲率较小的数据,对于曲率起伏较大的数据,若压缩率较大,则精简后的点云数据不能保留较多的特征点,会影响数据的细节表达[5];随机采样法没有考虑目标物的形状和特征,而是随机地保留点云数据,若压缩率较大,则可能导致数据失真[6];曲率采样法适合于曲率较大的数据,对于平坦的数据,若压缩率较大,则可能造成点云数据的大量缺失[7-8]。在利用上述3种方法进行点云精简时,精简后的点云数据量往往较多,达不到较好的精简效果。为了保证点云数据精度,确保精简后的点云数据能较好地表达细节特征,需要引进一种方法,使精简后的点云数据量较少,且能较好地保留特征点,真正达到精简点云的效果。
鉴于此,本文提出一种新的点云精简方法。引入
2 k-means聚类方法
1) 原始点云数据
2) 计算所有点云数据
3) 分别计算每个聚类中点云数据的重心值,作为新的聚类中心。
4) 所有点云数据按照新的聚类中心重新进行聚类。
5) 重复步骤3)、4),直到聚类中心不再变化,以此得到的
3 点云曲率计算和精简过程
3.1 曲率计算
根据每个聚类中的点云数据,利用最小二乘法拟合曲面,并计算每个三维点的均方根曲率值。设曲面方程为
式中:
根据文献[ 11],令
式中:
为简化公式,令:
则高斯曲率可表示为
式中:
平均曲率可表示为
均方根曲率可表示为
3.2 点云精简
以均方根曲率作为点云精简的依据。以第
4 实验与结果分析
4.1 分类组数对点云精简的影响
利用
图 1. 不同分类组数下的压缩率和标准偏差
Fig. 1. Compression rates and standard deviations for different numbers of clusters
4.2 k-means与现有方法的对比分析
由于本文选用的数据曲率变化较小,相比于随机采样法和曲率采样法,包围盒法进行点云精简处理效果较好。因此,为证明
4.2.1 三维模型比较
当压缩率分别近似等于0.235和0.154时,将点云数据导入Geomagic软件中,利用同一种方法建模,比较两种方法的标准偏差、全图和头部细节展示图,如
从
4.2.2 精度评定
精度评定方法主要有3种:表面积法、体积法和切面法。为了进一步说明本文方法在保留细节上的优势,利用切面法处理点云数据。切面法是取任何一平面切割原来的三角格网,将所形成的交线和交点投影到平面上进行比较,一般选择交点[12]。选取两个平面截取点云数据,将两平面之间的点云数据投影到同一平面上进行比较。在细节展示图中可以看出,脸部数据变化较明显,所以选取脸部的数据进行比较,得到的数据如
5 结论
基于
[2] 郑德华. 点云数据直接缩减方法及缩减效果研究[J]. 测绘工程, 2006, 15(4): 27-30.
Zheng D H. The data reduction of point cloud and analysis of reduction effect[J]. Engineering of Surveying and Mapping, 2006, 15(4): 27-30.
[4] 孙鹏飞. 基于坐标增量的点云数据精简压缩分析与实践[D]. 西安: 西安科技大学, 2014.
Sun PF. Streamlined compression analysis and practice of point cloud data based on coordinate increment[D]. Xi'an: Xi'an University of Science andTechnology, 2014.
[5] Fleishman S, Drori I, Cohen-Or D. Bilateral mesh denoising[J]. ACM Transactions on Graphics, 2003, 22(3): 950-953.
[6] PaulyM, GrossM, Kobbelt LP. Efficient simplification of point-sampled surfaces[C]∥IEEE Visualization, 2002: 163- 170.
[7] 李青蒙. 激光扫描点云处理技术研究[D]. 大连: 大连海事大学, 2013.
Li QM. Rescarch on processing technology of point cloud from laser scanning system[D]. Dalian: Dalian Maritime University, 2013.
[9] 滑亚妹. 带缺失的曲面点云序列的自动迭代修复[D]. 大连: 大连理工大学, 2015.
Hua YM. Auto iterative repairing of surface point cloud sequences with missing[D]. Dalian: Dalian University of Technology, 2015.
[10] Hartigan J A, Wong M A. Algorithm AS 136: a K-means clustering algorithm[J]. Applied Statistics, 1979, 28(1): 100-108.
[11] 周煜, 张万兵, 杜发荣, 等. 散乱点云数据的曲率精简算法[J]. 北京理工大学学报, 2010, 30(7): 785-789.
[12] 喜文飞. 激光点云数据压缩的精简研究[D]. 昆明: 昆明理工大学, 2011.
Xi WF. Reduction of laser point cloud data compression[D]. Kunming: Kunming University of Science and Technology, 2011.
Article Outline
贺一波, 陈冉丽, 吴侃, 段志鑫. 基于