[发明专利]点云优化方法及其装置

权利要求书

1.一种点云优化方法，其特征在于，该方法包括：

点云数据预处理步骤：对大规模散乱扫描点云进行精简，去噪，去外点，均匀化，法向量计算，空间结构划分预处理工作；

点云尖锐特征恢复步骤：进一步的投影和法向量计算，恢复点云的尖锐特征；

点云尖锐特征增强步骤：对尖锐特征处的上采样，增强点云的尖锐特征。

2.根据权利要求1所述的方法，其特征在于，该点云数据预处理步骤由带权重的局部最优化投影，PCA法向量计算，点云空间划分三种方法组合使用实现其功能。

3.根据权利要求1所述的方法，其特征在于，该点云尖锐特征恢复步骤由各向异性的局部最优化投影，法向量磨光，双边滤波投影三种方法组合迭代使用，不断由已有可靠信息推断不可靠信息。

4.根据权利要求3所述的方法，其特征在于，各向异性的局部最优化投影方法加入了点云法向量差异的权重考虑，具体步骤为：

第一步，对原始的点云数据集合J进行随机下采样，得到下采样点集合I；

第二步，基于邻域半径h，求得点集I中每个点p_i在点集I中的邻点集合和在点集J中的邻点集合

第三步，求出点集I中每个点的稠密值density，若是第一次迭代，同时也求出点集J中每个点的稠密值density；若稠密值低于用户定义的阈值，把该点删除；

第四步，对于I中每个点x_i，做如下操作：

对x_i的中的每个邻点p_i，做如下操作：通过累加方式得到并保存一个三维向量repulsion；

对x_i的中的每个邻点p_j，做如下操作：通过累加方式得到并保存一个三维向量average；

求出每个点p_i的新坐标,mu是控制“斥力”大小的权值参数：

for(vi=samples->vert.begin();vi!=vert.end();;++vi)

vi->P()=vi->average+mu*vi->repulsion;

第五步，若迭代次数少于设定值，或两次迭代间的变化率大于设定值，返回第二步。

5.根据权利要求3所述的方法，其特征在于，该法向量磨光方法步骤：

第一步，基于邻域半径h，求得点云中每个点p_i的邻点集合N_p，初始化每个点的w_i和n_i；

第二步，对于点云中每个点p_i，做如下操作：

对p_i的N_p中的每个邻点p_j，做如下操作：

计算p_j对p_i的权值w_i+=θ*ψ;

累加邻点法向量：n_i+=w_i*n_j;

第三步，对于点云中每个点p_i，做如下操作：

n_i=n_i/w_i。

6.根据权利要求3所述的方法，其特征在于，该双边滤波投方法步骤：

第一步，基于邻域半径h，求得点云中每个点p_i的邻点集合N_p，初始化每个点的w_i和d_i；

第二步，对于点云中每个点p_i，做如下操作：

对p_i的N_p中的每个邻点p_j，做如下操作：

计算p_j对p_i的权值w_i+=θ*ψ;

累加投影距离：d_i+=w_i*(n_i*(p_i-p_j));

第三步，对于点云中每个点p_i，做如下操作：

p_i=p_i+d_i*n_i。