matlab点云骨架提取,点云模型骨架提取(ROSA)-liyc讲课.ppt

现有的三维模型骨架提取算法大多针对网格模型和体素模型 噪声空洞:遮挡，设备本身的局限性，随机噪声 在进行骨架提取之前首先对点云进行去噪处理, 去除噪声点和离群点, 防止对后续的骨架提取造成干扰. 一般地, 通过3D扫描方法得到的物体原始点云中含有大量的噪声点和冗余点, 给后续的骨架提取带来干扰. 为此, 在对原始点云进行骨架提取之前首先对输入模型进行预处理, 即对含有噪声的模型进行去噪处理; 对含有大量冗余数据点的模型进行精简处理. 一般地, 通过3D扫描方法得到的物体原始点云中含有大量的噪声点和冗余点, 给后续的骨架提取带来干扰. 为此, 在对原始点云进行骨架提取之前首先对输入模型进行预处理, 即对含有噪声的模型进行去噪处理; 对含有大量冗余数据点的模型进行精简处理. 特征点是描述点云几何信息的关键元素, 对于点云曲面重建的效果至关重要. 但是目前大多数简化算法并未区分点云中的特征点和非特征点, 以致大量的特征点被删除, 从而导致模型几何特征的丢失. 鉴于此, 本文首先提取点云的特征点, 并在简化过程中采取强制保护措施, 有效地避免了几何特征的丢失. 特征点是描述点云几何信息的关键元素, 对于点云曲面重建的效果至关重要. 但是目前大多数简化算法并未区分点云中的特征点和非特征点, 以致大量的特征点被删除, 从而导致模型几何特征的丢失. 鉴于此, 本文首先提取点云的特征点, 并在简化过程中采取强制保护措施, 有效地避免了几何特征的丢失. 图4.11 Cactus模型线骨架提取流程图. (1), Cactus原始模型. (2), Cactus模型分割结果 (3), Cactus模型各分支初始ROSA点集. (4), 光顺处理后的ROSA点集. (5), 对分支区域滤波细化后的ROSA点集. (6), 对分支区域进行二次中心化, 交叉区域聚类后收缩到各自的重心点(蓝色点). (7), 再次光顺处理使分支区域与交叉区域相连接, 并对细化后的ROSA点集定序, 下采样得到一维线骨架. 本文根据文献[88]中旋转对称的思想提取点云骨架, 将骨架看做点云模型的广义旋转对称轴(Generalized Rotational Symmetry Axis), 因此本文中模型的骨架点又称为ROSA点. 下面分别对ROSA点的位置和方向进行定义. 本文根据文献[88]中旋转对称的思想提取点云骨架, 将骨架看做点云模型的广义旋转对称轴(Generalized Rotational Symmetry Axis), 因此本文中模型的骨架点又称为ROSA点. 下面分别对ROSA点的位置和方向进行定义. 本文根据文献[88]中旋转对称的思想提取点云骨架, 将骨架看做点云模型的广义旋转对称轴(Generalized Rotational Symmetry Axis), 因此本文中模型的骨架点又称为ROSA点. 下面分别对ROSA点的位置和方向进行定义. 本文根据文献[88]中旋转对称的思想提取点云骨架, 将骨架看做点云模型的广义旋转对称轴(Generalized Rotational Symmetry Axis), 因此本文中模型的骨架点又称为ROSA点. 下面分别对ROSA点的位置和方向进行定义. 本文采用滤波的方式对分支区域的粗骨架点进行细化处理，并提取出模型关节点 下采样得到一维曲线骨架. 针对上述问题, 本文所作的工作主要是: 点云模型预处理 对含有冗余数据的点云模型进行精简处理, 消除原始点云模型的冗余点. 本文提出一种基于二次误差度量的自适应点云简化方法. 该方法首先根据二次误差的思想构造点云的光顺迭代算子, 剔除输入模型中的离群点和噪声点. 然后根据点云曲面的曲率信息提取点云模型的特征点, 并采取相应措施对特征点进行强制保护. 然后根据非特征点的局部曲率, 利用二次误差度量的方法对非特征点云进行自适应的简化. 同时, 通过相应参数的调节可以灵活控制点云的简化力度和分布. 实验表明, 本文方法在简化点云模型的同时,有效地保持了原始点云的几何特征. 点云模型骨架提取 对含有噪声点的点云模型, 首先进行去噪处理. 基于二次误差度量的思想, 构造类似于均值漂移的光顺迭代算子, 剔除输入模型的离群点和噪声点. 既去除了噪声又可有效的保持原始点云模型的几何特征. 对于复杂的多分支模型, 在骨架提取之前, 为了减少各分支间的相互干扰,对点云模型进行有意义的分割. 采用 均值聚类的方法进行分割. 首先根据测地距离提取模型的初始聚类中心, 然后根据 均值模糊聚类对点云进行分割. 对于含有数据缺失的点云, 通过法矢信息对其进行弥补, 详见5.3. 然后采用旋转对称的思想对分割的各分支进行粗骨架的提取. 再采用滤波的方式将各分支的骨架进行连接,