[发明专利]一种叶片点云骨架提取方法及装置

权利要求书

1.一种叶片点云骨架提取方法，其特征在于，包括：

获取叶片初始点云中每个点的法向信息，并基于所述法向信息对所述叶片初始点云进行聚类，获取多个点云子集；

建立每个所述点云子集的距离场，并按照预设步长确定多个垂直于叶片伸长方向的截面，以根据每个截面所在的距离场确定每个截面的相关点集；

利用自适应加权算子，确定每个所述相关点集对应的骨架约束点，以构建骨架约束点集；

获取所述骨架约束点集的主曲线，作为叶片点云骨架。

2.根据权利要求1所述的叶片点云骨架提取方法，其特征在于，所述建立每个所述点云子集的距离场，包括：

确定每个所述点云子集的有向包围盒；

计算所述点云子集中的每个点与垂直于叶片伸长方向的正交面之间的距离并进行归一化，从而建立每个所述点云子集的距离场。

3.根据权利要求2所述的叶片点云骨架提取方法，其特征在于，所述确定每个所述点云子集的有向包围盒，包括：

基于主成份分析法，计算每个所述点云子集的三个特征向量；

对三个特征向量进行标准正交化，获取正交矩阵；

利用所述正交矩阵的标准正交基，构建笛卡尔坐标系，并在所述笛卡尔坐标系中，计算出从原点沿X、Y、Z三个方向上的最大位置和最小位置，以根据所有最大位置和最小位置构建出所述有向包围盒的6个平面。

4.根据权利要求1所述的叶片点云骨架提取方法，其特征在于，所述获取叶片初始点云中每个点的法向信息，并基于所述法向信息，对所述叶片初始点云进行聚类，获取多个点云子集，包括：

对所述叶片初始点云进行去噪和降采样处理，以去除噪声点，获取叶片点云；

基于K最近邻分类算法，确定所述叶片点云中每个点的邻域；

基于主成份分析法，根据每个点的邻域确定每个点的法向；

基于最小生成树算法，调整所述叶片点云中每个点的法向，并获取每个点的法向信息；

基于K-means聚类算法，根据每个点的法向信息，对所述叶片点云进行聚类，获取多个点云子集。

5.根据权利要求1所述的叶片点云骨架提取方法，其特征在于，所述自适应加权算子，包括空间距离权重、法向差异权重和点云完整性权重；

所述利用自适应加权算子，确定每个所述相关点集对应的骨架约束点，包括：

根据每个截面的相关点集的空间分布特征，自适应计算每个截面的相关点集的中心点；

根据每个截面的相关点集中的点云数据的缺失状态，移动所述中心点，以获取每个所述相关点集的对应的骨架约束点。

6.根据权利要求5所述的叶片点云骨架提取方法，其特征在于，所述空间距离权重的表达式为：

所述法向差异权重的表达式为：

所述点云完整性权重的表达式为：

其中，p_i为截面的相关点集S_k中的第i个点；q_j为p_i点的K近邻集合N(p_i)中的第j个点；α为空间距离上的影响参数；w′_k,i为空间距离权重；为第k个截面处的叶面朝向；n_pi为截面的相关点集S_k中点p_i的法向；β为法向差异上的影响参数；w″_k,i为法向差异权重；l_m表示凹壳所形成的多边形的第m条边的长度，所述凹壳是将截面的相关点集投影到垂直于叶片伸长方向的正交面后生成的；r为所述凹壳最长的边与总边长的比值；ε为判断点云数据缺失的阈值。

7.根据权利要求6所述的叶片点云骨架提取方法，其特征在于，所述根据每个截面的相关点集中的点云数据的缺失状态，移动所述中心点，以获取每个所述相关点集的对应的骨架约束点中的移动所述中心点，其确定公式为：

其中，c_k为截面的相关点集S_k所对应的骨架约束点；e_k是根据所述相关点集中的点云完整性对中心点进行移动的方向。