论文学习笔记（4）:Intrinsic and Isotropic Resampling for 3D Point Clouds（内在控制的各向同性3D点云重采样）

Intrinsic and Isotropic Resampling for 3D Point Clouds（内在控制的各向同性3D点云重采样）

---

---

一、简介

点云重采样旨在保持与原始点云的几何一致性，并具有一定点数的均匀密度。
目前点云采样存在的问题：
1.缺乏局部邻接信息；

2.点密度不均匀；

3.点数控制。

二、相关工作

1.基于网格采样

1.失去重要的几何特征
2.无法实现各向同性重采样
3.违反几何一致性

2.基于几何特征的聚类

1.性能受到聚类方法的限制
2.无内在控制

3.内在控制重采样

高计算效率的代价

4.基于距离场优化的重采样

局部最优陷阱
急剧曲率变化

三、有效内在控制

1.预处理

noisy points, non-uniform density ============》》Smooth the point cloud
MLS projection:

通过投影的方法可以将离群点红点，投影到绿色点所在的表面，但是由于k近邻选择的问题，可能会存在右图所示的，红点投影到蓝色点所在平面，进而还是噪声。
对离群点限制约束为：

可以理解为：搜索点的近邻的近邻有搜索点则他不是噪点，反之亦为噪点。
将（4）跟新（2）


之后作者对离散点分配八叉树网格，使其变均匀。

2.内在控制策略

1. 构建内在控制系统
   首先，随机选择一个点作为初始点。
   其次，利用最远点采样通过测地线距离检测其他三个点（p1、p2、p3），得到三个测地线距离场（g1、g2、g3）。
   最后，基于三个场g1（pi）、g2（pi）和g3（pi）将点pi映射到测地坐标系中。

这里谈一下为什么构造测地系统：单纯使用k近邻即使通过MLS投影算法还是容易产生较大的误差，如果使用测地系统如一坐山的两个面，如果不达到顶点，就不可能通过，避免了两个表面过近时的，近邻寻找问题。

四、几何优化重采样

1.各向同性重采样

EI表示一个点的能量：点和维诺图中一环的近邻中点距离和平均距离关系。为了得到均匀表面—》EI越小越好。

具体方法：
1.分别在欧氏坐标系和测地坐标系中为点云构造两个kd树。
2.从两个kd树中为每个点搜索k个邻居（默认k＝8）。邻居应该同时满足对两个kd树的k最近搜索。映射切线空间中的k个邻居，并为每个点构造Delaunay三角剖分。通过具有内在控制的Delaunay三角剖分实现半边缘结构。
3.检测平均边缘长度l。如果l不为空，则跳过此步骤；否则，计算从半边缘结构到l的平均边缘长度。
4.迭代运行半边缘结构的3个分量（分裂、折叠和切线运动）（假设ei表示两个相邻点的边缘，当|ei|>1.6l时运行分裂，当|ei |<0.8l时运行折叠）。
5.如果点数大于或小于应用要求或用户指定的某个点数，则增加或减少l，并循环至步骤3。

2.自适应性各向同性重采样

自适应性各向同性重采样：l要和曲率有关变化。

这里作者在正文中sharp edge keeping:“Voronoi-based curvature and feature estimation from point clouds,”引用的这篇论文。但是代码中并没有给接口，本人感觉是先特征识别，然后做的I&I，若有问题，欢迎讨论。

不同参数效果

五、应用

1.简化
2.网格重建
3.形状配准：全局均匀密度/相同点大小

H表示豪斯多夫距离，Ks表示单位化，O表示初始旋转矩阵。

六、实验

1.去噪结果

右边把计算误差公式表示出来，个人觉得如果左边的图加上法线，是不是更明显。

2.精简结果

本人跑过WLOP LOP感觉不至于这么差啊。可能是迭代次数不够。

3.网格重建结果

角度越接近60°越好。

4.配准结果

5.效率分析