点云数据简化技术C++程序实现

最新推荐文章于 2023-09-14 16:37:02 发布

weixin_45677449

最新推荐文章于 2023-09-14 16:37:02 发布

阅读量3.2k

点赞数 3

文章标签： c++ 点云逆向工程简化程序实现

本文链接：https://blog.csdn.net/weixin_45677449/article/details/102484244

版权

本文介绍了点云数据简化技术的C++程序实现，重点聚焦于海量数据的空间划分策略。通过建立三维坐标点的邻近点信息，使用哈希表存储每个小立方体栅格的数据点，提高算法效率。该方法基于测量点集的X、Y、Z坐标创建包围盒，并按一定规则划分立方体栅格，通过哈希函数确定点在栅格的位置。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

点云数据简化技术C++程序实现

论文参考《逆向工程中模型重建关键技术研究》

2.1 海量数据的空间划分

海量数据处理的关键之一是算法的效率。对于没有任何附加信息的海量散乱数据，首先就需要建立每个测点的邻近点的信息。如果每个点都与整个点集中的其它点计算距离并比较其大小，效率将是非常低的。为此，本文提出一个空间划分策略，以提高算法的效率。首先读入测量点集文件,将三维坐标点存入一个一维数组，同时得到测量点集的 X、Y、Z 坐标的小、大值，从而形成一个与坐标轴平行的长方体包围盒，包围所有的测量点集，并根据测点的数量和分布将长方体包围盒划分成 m ×n×l 个小立方体栅格。判断每个数据点所在的立方体栅格，并将数据点的序号追加到该立方体栅格对应的线性链表中。本文用哈希表结构存放各个小立方体栅格中所包含的数据点，哈希表通过立方体栅格在 X、Y、Z 三个方向的索引号直接定址。设空间长方体包围盒的小坐标为：cell_orgin_x，cell_orgin_y，cell_origin_z，长方体包围盒的大坐标为：cell_max_x，cell_max_y，cell_max_z，立方体栅格的长度为 cell_size，当前点的三维坐标值为：px，py，pz，则小立方体栅格在三个方向的个数为：
m = (int)(cell_max_x - cell_origin_x)/cell_size;
n = (int)( cell_max_y - cell_origin_y)/cell_size; (2-1)
l = (int)( cell_max_z - cell_origin_z)/cell_size;
求该点所在小立方体栅格的哈希函数是 :
i=(int)(px-cell_origin_x)/cell_size;
j=(int)(py-cell_origin_y)/cell_size; （2-2）
k=(int)(pz-cell_origin_z)/cell_size;
i，j，k 分别为该点所在立方体的 X，Y，Z 轴方向立方体栅格的索引号。

2.2 散乱测点间邻接关系的建立(论文理论部分省略）

#include<iostream>
#include<vector>
#include<fstream>
#include<stdlib.h>
#include<math.h>
#include <Eigen/Dense>
#include <Eigen/Eigenvalues>
#include <stdio.h>
#define K  12
//#define K 18    
using Eigen::MatrixXd;
using Eigen::VectorXd;
using namespace Eigen;            
using namespace std;
int NUM;                         //数据点总数
double xmax, xmin, ymax, ymin, zmax, zmin;   
double cell_size = 0.005;         //栅格大小
struct gridindex                 //立方体栅格序号
{
   
	int i, j, k;
};
struct point                     //数据点信息
{
   
	int number;
	double x, y, z;
	bool canceled;
	int index[K];                //k临近的序号
	double dist[K];
	gridindex gridindex;
};
vector<point> p;
struct pad                      //边结点序号及距离
{
   
	int number;
	double dist;
};
pad arra[10000],b[100];           //定义27个立方体栅格里的边结点序号及距离；k邻近个点的边结点及距离
gridindex getindex(point p)       //获取数据点所在立方体栅格序号
{
   
	int i = (int)((p.x - xmin) / cell_size);
	int j = (int)((p.y - ymin) / cell_size);
	int k = (int)((p.z - zmin) / cell_size);
	gridindex suoyin;
	suoyin.i = i;
	suoyin.j = j;
	suoyin.k = k;
	return suoyin;
}
double dist(point p0, point p1)     //计算两数据点间距离
{
   
	double dist = sqrt((p0.x - p1.x)*(p0.x - p1.x) + (p0.y - p1.y)*(p0.y - p1.y) + (p0.z - p1.z)*(p0.z - p1.z));
	return dist;
}
pad *getknn(point p0)                   //获取测点所有K邻近边结点（序号及距离）
{
   
	p0.gridindex = getindex(p0);
	int t = 1;
	int i1 = getindex(p0).i - t;
	int i2 = getindex(p0).i + t;
	int j1 = getindex(p0).j - t;
	int j2 = getindex(p0).j + t;
	int k1 = getindex(p0).k - t;
	int k2 = getindex(p0).k + t;
	int i = 0;
	for (int n=0;n<NUM; n++)                                                //求出27个立方体栅格里面所有的点
	{
   
		if ((getindex(p[n]).i >= i1) && (getindex(p[n]).i <= i2))
		{
   
			if ((getindex(p[n]).j >= j1) && (getindex(p[n]).j <= j2))
			{
   
				if ((getindex(p[n]).k >= k1) && (getindex(p[n]).k <=