[发明专利]点云优化方法及其装置

说明书

【技术领域】

本发明涉及一种图像处理技术，尤其设计一种对大规模散乱点云的优化方法和装置。

【背景技术】

当今的生产应用中，计算机辅助设计，逆向工程，虚拟现实，三维动画和游戏等三维技术发展的一个主要瓶颈是：至今仍没有一个便利的方法快速获得用计算机存储的三维模型。近年来，三维激光扫描仪凭借其能够方便灵活地获取现实物体的三维表面数据的优势，得到了广泛应用。然而，目前在世界范围内，如何直接从扫描点云数据出发，直接快速得到实用的点云模型，仍是一个未完全解决的难题。

所谓点云模型，一般指由三维扫描设备发射扫描光到被测物体表面上，接收反射光，并以此推算出物体表面的三维坐标点的集合。所谓点云三维重建，是指在一定的点云模型数据基础上，重建出能表示源模型的网格数据，便于计算机渲染和用户交互。经过二十多年的发展，现有的点云三维重建技术并不能很好重构源物体的尖锐特征，主要存在两大问题。

第一，目前主流的研究方向是用三维曲面尽可能地去拟合输入的三维坐标点。为了消除噪声和外点的影响，往往使用全局或局部的二次拟合方法，对源模型进行逼近。这种方法可以较好地得到光滑而连续的拟合曲面，但最大缺点是它假设物体表面处处平滑，却无法保持物体的尖锐特征。

第二，现有的点云三维重建方法都严重依赖于点云的法向量信息。所谓法向量，是指每个三维的点除了坐标这一标量信息外，还有一个矢量信息，标明该点的朝向，并隐含着逼近曲面的梯度信息。而实际上，单从点云坐标信息估算正确的法向量信息，是使得点云三维重建技术自动化的最关键的一步。。但目前还没有一个很好的方法解决这个问题，特别是点云模型尖锐特征处的点的法向量更是难以估算。

如图1所示，是对一个方形泡沫盒子的点云三维重构，输入是由现有三维扫描设备直接获取的三维点云数据，这些数据只有散乱的点的三维坐标数据，往往包含大量的噪声、外点（outlier）和空洞，而且数据规模大，分布不均匀。从图上可以已经无法看清方形顶角的尖锐特征，实有待改善。

【发明内容】

有鉴于现有技术中三维点云重建的缺陷，有必要提供一种在尽可能恢复点云模型的尖锐特征的同时，保持非尖锐特征的光滑性，使得重建结果更真实的点云优化方法和装置。

为实现上述目的，本发明采用如下方案：

一种点云优化方法，其中，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。

所述的方法，其中，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。

所述的方法，其中，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。

所述的方法，其中，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。

所述的方法，其中，该法向量磨光方法步骤：