为了解决网格运动统计(GMS)算法在图像发生旋转时特征匹配时间过长的问题,提出一种改进的快速GMS图像匹配算法。首先采用快速特征点提取和描述算法对图像进行暴力匹配以得到初始匹配点对,根据汉明距离选取其中匹配质量较高的特征匹配对。然后通过计算匹配对特征点主方向的差值得到两个图像的近似旋转角度,根据旋转角度直接确定运动核的最佳形态。最后采用GMS算法根据运动核来实现正确匹配与错误匹配的区分,避免循环计算不同形态运动核的匹配结果,减少算法运行时间。实验结果表明,改进算法正确匹配点的数目比传统特征点匹配算法至少提高28%,在匹配速度方面较GMS算法至少可提高36%。

点云数据量十分庞大,合理地精简点云数据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,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作细分精简。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,且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。