基于区域聚类分割的点云特征线提取 下载: 1424次
1 引言
点云数据的特征提取是计算机可视化、数字几何处理及逆向工程等领域中的一项重要研究内容,已广泛用于曲面重建、数据分割、曲线匹配和拼接等几何处理中。目前,对点云特征提取的研究主要集中在对特征线的提取及运算上。在三维点云数据中,特征线是特征点的有序连接,可用于反映三维模型的表面结构特征及其几何形状。通过对三维点云数据进行分析,可准确识别能代表点云模型特征的数据点,从而获得特征曲线。
点云数据的特征提取是指从点云模型中识别出几何模型的轮廓、尖锐处、凸凹处和过渡光滑处的结构特征及形状特征的过程。特征提取主要有基于点和基于三角网格2种方式。学者们从分析点云数据的邻域信息及几何特性方面入手,对特征线提取问题展开了研究。Gumhold等[1]通过计算邻域图建立局部点云之间的连接信息,并用主成分分析法确定特征点,但对曲面凹凸性差别小的谷脊特征提取效果较差;Pauly等[2]在前述方法的基础上引入多尺度分析,通过分析局部邻域内的点成为特征点的可能性,以此来识别特征点,这种方法更为稳健抗噪。Demarsin等[3]提出了一种基于图论的点云特征线提取算法。采用一级分割法提取候选特征点,并对其进行图形化处理重新获得尖锐特征线,构造最小生成树重新连接特征线,但该算法仅能应用于均匀分布的点云数据。Kim等[4]使用近似移动最小二乘法,通过逼近曲面来估计曲率及其导数,然后,利用Delaunay三角剖分来计算邻域信息,从而提取谷脊点。但该方法不能用于包含少量邻域点的尖锐点处。Ni等[5]提出了一种邻域几何属性分析方法(AGPN),用于检测点云的三维边缘和跟踪特征线。在边缘检测步骤中,通过分析每个查询点邻域的几何性质,结合随机采样一致性(RANSAC)和角间隙度量来检测边缘。在特征线跟踪步骤中,采用基于区域生长和模型拟合的混合方法跟踪特征线。该方法可靠性好,且AGPN对输入数据的点密度不敏感。Altantsetseg等[6]使用截取的傅里叶级数检测点云中的特征点,并使用曲率加权拉普拉斯算子平滑方法稀疏潜在特征点,再通过增加提取点来构造特征线,并投影到原始点云上。聂建辉等[7]将符号曲面变化度与特征区域分割相结合,为点云数据提供了一种有效的特征线提取方法。但是该方法在强噪声的情况下,易导致提取的特征线出现断裂和缺损的情况。
在点云数据获取过程中,噪声和数据的不完整会直接影响点云特征的提取效果。为此,学者们通过引入数学方法来对特征提取算法进行改进。Park等[8]提出了一种基于张量投票理论的新方法,可从包含随机噪声、孤立点和伪影的非结构化点云中提取尖锐特征,且对噪声起到了很好的抵制作用。Liu等[9]使用多尺度算子,即法线的差来检测潜在特征线附近的特征点。Zhang等[10]将基于泊松分布的统计模型作为一种工具用于从点云中提取特征点。该方法不需要预先进行曲面重构,并且不受噪声点、邻域尺度或点云采样质量的影响。李明磊等[11]提出了一种基于体素生长的点云结构直线段提取方法,以体素为单位进行邻域判断,并采用基于体素的区域生长对结构直线段的分布区域进行分割,根据分布区域的范围及其所在平面的数学方程实现对特征的提取和优化。该方法可以准确高效地得到较为理想的特征提取结果。
对于结构复杂的点云模型,为了能使曲面的参数线在局部区域保持与几何特征的对应关系,可以先对点模型进行分区。张爱武等[12]提出了一种机载LiDAR点云分类的自适应特征选择方法,其依据地形起伏情况对整体点云数据进行区域划分,自适应选择适宜该区域LiDAR点云分类的特征集合。该方法可以有效地降低特征维数,缩短运算时间,且分类精度较高。Weber等[13]提出了一种使用高斯映射聚类进行特征检测的技术,利用高斯映射聚类对局部邻域上当前点组成的三角形的法向进行聚类,依据聚类个数判别特征点。该方法对尖锐特征信息敏感,但是对强度渐变的特征信息无法提取。Xu等[14]研究了一种分割曲面和从不规则断裂碎片的三角网格中提取边缘特征线的新方法,通过使用基于顶点法向量的聚类算法来完成粗糙表面分割。为了区分原始面和断裂面,又引入了一种新的积分不变量来计算表面粗糙度。通过基于面法向量和粗糙度合并面来实现精确的表面分割,再基于表面分割提取边缘特征线。Bazazian等[15]提出一种基于分割的多尺度边缘提取技术。根据测地距离通过全局分析对点云进行分割,再根据局部邻域定义多尺度算子。通过在点云的多个尺度上应用该算子,以确定特征的持续性。该方法提高了边缘的检测精度,且具有较好的稳健性。
由上述分析可知,点云特征提取结果主要受噪声干扰、数据的离散性和不完整性,以及点云模型自身的复杂性和多样性等因素的影响较大。现有的方法对点云模型的轮廓线、棱线等提取效果较好,但对过渡特征的提取仍存在一定的缺陷。过渡特征线是开曲线,过度强调其闭合特性并不能求取所有特征线。为此,本文提出了基于区域聚类分割的无组织点云特征线提取新方法。其应用社会粒子群优化模糊C-均值(SPSO-FCM)聚类算法对点云模型进行分区,将其划分为具有几何特征相似性的多个区域,且使曲面的参数线在局部区域保持与几何特征的对应关系,得到区域边界清晰的各个分区。然后对每一分区进行局部径向基函数(RBF)曲面重构,计算出局部区域点云的曲率信息,采用局部特征权值和曲率极值法识别特征点。构建特征点的最小生成树生成特征曲线。基于平均曲率的局部特征权值能表达采样点曲面变化形状,反映尖锐点的特性;分区求解曲率信息及特征信息,能减少计算量,提高时间效率。
2 本文算法
2.1 算法概述
输入点云数据采用聚类优化算法对点云进行区域分割,将点云划分为包含原始对象特征信息的各个聚类区域;再对每个分区的点云分别进行RBF曲面重构,并计算每一分区的曲率信息,通过设置局部特征权值和筛选曲率极值点来识别区域特征点;构建特征点的最小生成树,并进行分割、细化,提取出特征线。算法简易流程如
图 1. 算法过程图。(a)原始点云;(b)聚类分割结果;(c)特征点识别结果;(d)生成特征线
Fig. 1. Overall procedure of the proposed method. (a) Original point cloud; (b) region clustering segmentation result; (c) feature point recognition result; (d) generation of the feature lines
2.2 算法实施步骤
2.2.1 点云区域聚类
基于聚类的区域分割方法是将具有较高相似特征性的数据点进行统计分类的过程,分割得到的各个区域之间的交线为特征线。采用社会粒子群优化算法(SPSO)与模糊C-均值(FCM)聚类算法的混合方法来实现点云数据的区域划分。SPSO-FCM聚类方法为:1)用SPSO算法对种群进行初始化,并为每个粒子设置不同的跟随阈值;2)设置种群中每个粒子当前最优位置和初始种群的最优位置,更新自由粒子的位置和跟随粒子的速度和位置;3)采用模糊C-均值聚类算法求解隶属度矩阵,确定适应值函数,更新所有粒子的最优位置,并判断粒子和种群的位置优越性,得到准确的聚类中心,实现对点云数据的区域划分。SPSO算法具有较强的全局搜索能力,可避免FCM聚类算法容易陷入局部收敛的缺陷。SPSO-FCM聚类算法精度高,而且还有较好的抗噪性,可实现区域的准确分割,得到较清晰的区域边界,有利于边界特征点的提取。SPSO-FCM聚类算法的具体步骤详见文献[ 16]。
2.2.2 RBF隐式曲面的建立
径向基函数隐式曲面的建立是用来获取点云模型曲率信息。常用的点云曲率估算方法有主成分分析法、移动最小二乘法等,其中,主成分分析法对微分属性的估算粗糙且不精确,而移动最小二乘法计算复杂度较高。因此,选择基于RBF的曲率估算方法,主要是通过建立采样点的局部隐式曲面,并根据微分几何理论计算曲率等微分属性。基于RBF的重构曲面光滑性、连续性较好,方法自动化程度高,但重建速度慢。为改善重建速度慢、耗时的问题,对聚类分割后的每一个分区点云进行局部RBF曲面重构,此过程所涉及的采样点数较少,系数矩阵比较简单,可实现参数的快速求解。
定义点云中任一采样点
式中:
由给定的
使能量方程取得最小值需要满足下式的正交条件为
由(2)、(3)式可以建立线性方程组为
解线性方程组(4),得唯一的一组解(
2.2.3 曲率信息估算
为聚类分割后的每一分区建立隐式曲面
根据平均曲率符号得到采样点的凹凸信息,并基于平均曲率的方法提取特征点。
2.2.4 特征点识别
为点云中的每一个采样点设置一个特征权值,使之与采样点隶属于特征点的可能性成正比关系。本文提出利用点云平均曲率来计算点的局部特征权值,将局部特征权值与设置的阈值相比,从而检测出局部区域内潜在的特征点。局部特征权值反映了采样点平均曲率的离散程度,而方差能够反映数据偏离平均数的分布情况,因此,可以利用方差定义点云的局部特征权值。对于点云中任一点
式中
对于∀
将根据局部特征权值检测出的点作为候选特征点,沿着候选特征点的最大主曲率方向和最小主曲率方向搜索其曲率极值点,实际特征点即为候选特征点内的曲率极值点。在候选特征点中任选一点
2.2.5 特征线生成
得到的实际特征点是杂乱无序、不包含任何拓扑信息,因此还需要通过构建特征曲线的方法对特征点进行连接。特征线生成步骤如下:1)根据采样点的局部特征权值大小,筛选出特征权值最大的点作为种子点,建立最小生成树,构建连通区域;2)将特征点连接成线;3)分割、细化细小分支,得到特征线。
3 实验结果与分析
3.1 不同点云模型的特征提取结果分析
在VS2013和OpenGL开发平台下实现本文特征提取方法,并在具有CPU Intel Core i5 2.6 GHz处理器和8 G内存的标准PC上对点云模型进行测试,实验结果如
图 3. 模型1的特征线提取。(a)模型1原始点云;(b)聚类分割结果;(c)候选特征点集;(d)特征点集;(e)特征线提取结果
Fig. 3. Feature line extraction from Model 1. (a) Original point cloud of Model 1; (b) region clustering segmentation; (c) set of candidate feature points; (d) set of feature points; (e) feature line extraction results
图 4. 模型2的特征线提取。(a)模型2三角化光照模型;(b)聚类分割结果;(c)候选特征点集;(d)特征点集;(e)特征线提取结果
Fig. 4. Feature line extraction from Model 2. (a) Triangulated lighting model of Model 2; (b) region clustering segmentation; (c) set of candidate feature points; (d) set of feature points; (e) feature line extraction results
模型4为Fandisk点云模型,其中既包含尖锐特征,也包含曲线特征,且曲线特征的强度是渐变的,其特征线提取过程如
图 5. 模型3的特征线提取。(a)模型3三角化光照模型;(b)聚类分割结果;(c)候选特征点集;(d)特征点集;(e)特征线提取结果
Fig. 5. Feature line extraction from Model 3. (a) Triangulated lighting model of Model 3; (b) region clustering segmentation; (c) set of candidate feature points; (d) set of feature points; (e) feature line extraction results
图 6. 模型4的特征线提取。(a)模型4三角化光照模型;(b)聚类分割结果;(c)候选特征点集;(d)特征点集;(e)特征线提取结果
Fig. 6. Feature line extraction from Model 4. (a) Triangulated lighting model of Model 4; (b) region clustering segmentation; (c) set of candidate feature points; (d) set of feature points; (e) feature line extraction results
文献[
13]提出的基于高斯法向聚类的特征提取方法进行比较,得到如
图 7. 模型4特征提取方法比较。(a)文献[ 13]方法;(b)本文方法
Fig. 7. Comparison of the feature extraction methods used in Model 4. (a) Ref. [13] method; (b) proposed method
图 8. 模型5特征提取方法比较。(a)模型5三角化光照模型;(b)文献[ 13]方法;(c)本文方法
Fig. 8. Comparison of the feature extraction methods used in Model 5. (a) Triangulated lighting model of Model 5; (b) Ref. [13] method; (c) proposed method
综合上述实验分析可知,本文方法可以有效提取点云模型的主要特征信息,并且保证其精度;特征点识别及特征线生成时间较快,提高了特征线提取效率。
表 1. 不同阶段的点云数目
Table 1. Complexity in different stages
|
表 2. 特征提取流程中的时间参数
Table 2. Duration of the feature extraction pipeline in seconds
|
3.2 k邻域尺度变化的敏感性
选择
图 9. 本文方法在不同邻域尺度下的特征线提取效果。(a1)模型3的原始点云及其局部放大细节;(a2) k=10,(a3) k=16,(a4) k=25的提取效果;(a5)模型3特征线;(b1)模型4的原始点云及其局部放大细节;(b2) k=10,(b3) k=16,(b4) k=25的特征线提取效果;(b5)模型4特征线
Fig. 9. Feature line extracted by the proposed method using different neighborhood scales. (a1) Original point cloud and its partial enlarged detail in Model 3; extraction effects with (a2) k=10, (a3)k=16, (a4)k=25; (a5) feature line of Model 3; (b1) original point cloud and its partial enlarged detail in Model 4; extraction effects with (b2) k=10, (b3) k=16, (b4) k=25; (b5) feature line of Model 4
3.3 对噪声的稳健性
为验证本文方法对噪声的稳健性,通过Matlab软件给点云模型2和模型4添加适当的噪声进行实验。模型2中添加的信噪比分别为15 dB,20 dB和30 dB的高斯白噪声;模型4中添加的信噪比分别为45 dB,50 dB和60 dB的高斯白噪声。
图 10. 本文方法在不同强度噪声下的特征提取结果。(a)~(c)模型2中分别添加15 dB、20 dB和30 dB的噪声; (d)~(f)模型4中分别添加45 dB、50 dB和60 dB的噪声
Fig. 10. Results of the proposed method for noisy datasets. (a)-(c) Add noise of 15 dB, 20 dB and 30 dB in Model 2, respectively; (d)-(f) add noise of 45 dB, 50 dB and 60 dB in Model 4, respectively
4 结论
提出了一种基于区域聚类分割的散乱点云特征线提取方法,应用聚类算法对点云数据进行区域分割,得到区域边界清晰的子区域,再在此基础上分区进行点云特征信息的提取。这样有助于更准确地提取到点云模型的边界特征信息。同时,聚类算法所具有的良好的抗噪性可以降低对噪声点云特征信息的干扰。在特征点识别过程中,采用方差定义局部邻域内采样点的特征权值,并通过局部邻域内的采样点的平均曲率来计算特征权值。采用局部特征权值的方法能更好地提取尖锐特征点和弱特征信息。而在点云的曲率计算和特征提取过程中,采用局部分析的策略,可以减少计算量和复杂度,提高方法运行的效率,尤其适用于复杂的、特征类型多变的点云模型。
经实验验证,本文方法在提取到点云模型中显著特征、尖锐特征的同时,能够尽可能多地提取到强度变化的特征信息。但对于形状复杂、曲线特征信息较多的点云模型,所提取的特征线仍存在局部断裂或者不完整的情况。下一步研究工作将针对这个问题展开。此外,特征线的优化也是一个值得研究的方向。
[1] GumholdS, Wang XL, MacleodR. Feature extraction from point clouds[C]∥International Meshing Roundtable, 2001: 293- 305.
[7] 聂建辉, 刘烨, 高浩, 等. 基于符号曲面变化度与特征分区的点云特征线提取算法[J]. 计算机辅助设计与图形学学报, 2015, 27(12): 2332-2339.
[9] Liu X S, Jin C N. Feature line extraction from unorganized noisy point clouds[J]. Journal of Computational Information Systems, 2014, 10(8): 3503-3510.
[11] 李明磊, 宗文鹏, 李广云, 等. 基于体素生长的点云结构直线段提取[J]. 光学学报, 2018, 38(1): 0112001.
[12] 张爱武, 肖涛, 段乙好. 一种机载LiDAR点云分类的自适应特征选择方法[J]. 激光与光电子学进展, 2016, 53(8): 082802.
[13] WeberC, HahmannS, HagenH. Sharp feature detection in point clouds[C]∥IEEE International Conference on Shape Modeling and Applications, 2010: 175- 186.
[15] BazazianD, Casas JR, Ruiz-HidalgoJ. Segmentation-based multi-scale edge extraction to measure the persistence of features in unorganized point clouds[C]∥International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications, 2017: 317- 325.
[16] 王晓辉, 吴禄慎, 陈华伟, 等. 应用改进的粒子群优化模糊聚类实现点云数据的区域分割[J]. 光学精密工程, 2017, 25(4): 1095-1105.
Article Outline
王晓辉, 吴禄慎, 陈华伟, 胡赟, 石雅莹. 基于区域聚类分割的点云特征线提取[J]. 光学学报, 2018, 38(11): 1110001. Xiaohui Wang, Lushen Wu, Huawei Chen, Yun Hu, Yaying Shi. Feature Line Extraction from a Point Cloud Based on Region Clustering Segmentation[J]. Acta Optica Sinica, 2018, 38(11): 1110001.