[发明专利]基于重心Voronoi剖分的点云均一化方法

说明书

基于重心Voronoi剖分的点云均一化方法，涉及三维点云。采用重心Voronoi剖分来对输出点进行位置的优化。由于输入的信息为单纯的点，需要利用点集求出最小二乘面从而建立简单的离散网格，以期获得相关计算参数。利用点与离散网格计算Voronoi图，然后在每个Voronoi单元中，进行Lloyd迭代操作，使得点的分布达到预想状态，即重心Voronoi图。该方法首先在输入的粗糙三维点云上采点，然后通过估计每个采样点的所在平面和计算每个采样点的Voronoi单元，计算出采样点的重心位置，将采样点移动到新的位置即进行Lloyd迭代，从而获得一个蜂窝状分布的点云结构。

技术领域

本发明涉及三维点云，尤其是涉及基于重心Voronoi剖分的点云均一化方法。

背景技术

点云是大量点的集合，随着扫描技术的日益发展，我们能利用扫描仪获取不规则物体的点云表达从而重构出该物体的网格信息，而后实现3D图像显示乃至3D打印等。

随着技术的发展，相关科技的成熟，Kinect、Sense等消费级扫描仪出现在了人们面前，人们可以在家就实现对物体的扫描，从而将物体转化为计算机上的模型。但是鉴于消费级的价格要求，设备的精度相对较低，扫描出来的点云存在分布过于密集、结构缺失、噪音等缺点。扫描仪程序一般会不会对扫描出的点云进行更多更好地优化，并且用户通常没有简单、快速和有效的办法对扫描点云进行处理，往往是扫描即所得。但是点云的分布情况直接影响了模型的好坏，最终影响了整个渲染显示的效果，所以对扫描信息的二次处理是十分必要和有意义的。

网格重构领域的重心Voronoi剖分方法，是将一个输入的初始网格进行重构，优化点的位置以得到一个性质更好的网格。但是该方法是建立在网格基础之上的一种方法，不适用于以点云为基础的数据。

发明内容

本发明的目的在于基于重心Voronoi剖分的点云均一化方法。

本发明包括以下步骤：

1)对所有的输入点建立kd-tree([2]Bentley J L.Multidimensional binarysearch trees used for associative searching[J].Communications of theACM,1975,18(9):509-517)，再查找k近邻，所述查找k近邻是给定一个坐标，查找与该坐标最接近的k个点的坐标；

2)对点云数据进行权值的赋值工作，具体方法如下：

首先进行5次拉普拉斯光顺，每一次普拉斯光顺的具体办法是：对每一个输入点，由步骤1)中提前建立的kd-tree求出距离kd-tree最近的10个输入点，然后将该点的曲率与这10个输入点的曲率求平均值，将该平均值作为该输入点的新权重；其次进行幂处理，即把每个输入点的权重再做一个实数的幂运算；

在步骤2)中，所述对点云数据进行权值的赋值工作，通常，每一个点的权重会被设置为其主曲率中较大的一个(设定权重的方法不限于此，具体根据用户的需求而定)，这样做的好处在使得输出点在物体表面尖锐处分布密集，在平滑处分布稀疏。权值设置完成后要进行曲率的光顺；所述实数的幂运算，可取2.5次幂。

3)用户指定一个所需要的输出点的数量n，然后根据权重在输入点集上进行点的采样，得到n个采样点；

在步骤3)中，所述点的采样的方式可为：

(1)求所有输入点的权重和，记为W；

(2)计算输出点的平均权重W_s，W_s＝W/n；

(3)设定一个累加器sum；