基于局部熵的点云精简算法

发布时间：2025-07-02 01:28

　　 针对目前流行的三维物体激光扫描仪获取的点云数据量大,冗余度高等问题,提出一种基于信息熵的点云精简算法。首先,定义数据点的曲率、点到邻域点重心的距离、点到邻域点的平均距离的倒数,三者乘积为权值积;然后,使用K-means聚类算法划分点云数据,根据类内估计曲率差值区分特征区域与非特征区域;最后,针对特征区域,利用提出的精简方法精简点云。实验结果表明,该方法计算相对简单,能够有效避免孔洞现象,同时,更好地保留了点云数据的原始物理特征。

【文章页数】：5 页

【部分图文】：

图1 曲面凹凸情况夹角示意图

2）向量α与向量PP1的余弦值为：图1中，实心点为待测点，空心点为邻近点。角θ的余弦值的大小反映了两个向量夹角的大小，由图1可知，待测点附近的凹凸情况可由余弦值的绝对值来说明，若余弦值的绝对值越大，说明两向量的夹角越大或越小，而这两种情况都说明P点附近的曲面凹凸程度越大，是特征区....

图2 曲率构建示意图

完整的待测点曲率估计示意图如图2所示。2本文算法

图3 精简流程示意图

本文使用Matlab对算法进行实现。实验用到的点云数据为斯坦福大学建立的3D点云数据库中的斯坦福兔子Buuny和Dragon点云数据模型，格式均为PLY。本文算法有两个变量需要自行确定，初始聚类数目k和权值λ。本次实验取初始聚类数k为2048，λ分别取0.6,0.1。图4所示为....

图4 原始点云数据

图4所示为原始点云由Matlab的呈现结果，其中图4a）为Buuny模型，共有35947个点，图4b）为有10248个点的Dragon模型。为了对点云原始数据和精简后数据进行定量分析，本文采用GeomagicStudio软件实现对点云数据的重构[10]，依此衡量精简结果的优....

本文编号：4055008