K-近邻长方体的点云特征提取压缩算法

发布时间：2025-06-21 00:18

　　 针对海量点云数据存在大量冗余问题,该文提出基于K-近邻长方体的点云压缩算法。利用目标点的K近邻在非特征点云与特征点云之间的不同分布特性,基于该文算法将点云集合分为特征及非特征点集。该方法先对目标点近邻点进行坐标转换并构建K-近邻长方体,建立压缩准则,对长方体进行扁平程度筛选,结合分段采样去除大量冗余点及少量密集特征点,实现保留原始特征的点云压缩。该文方法涉及K、α、采样率β_all3个参数,在实验分析中,采用体积偏差、表面积偏差和Hausdorff距离对该文方法涉及的3个参数进行精度影响分析,结果表明,该方法能保留大量原始特征,在最优K值条件下β_all为0.4,α为0.9,此时体积偏差百分比为0.27%,表面积偏差百分比为0.5%,具有较高的压缩精度。

【文章页数】：8 页

【文章目录】：
0 引言
1 基于K-近邻长方体的点云数据压缩算法
    1.1 K-近邻搜索
    1.2 K-近邻点坐标转换
    1.3 计算K-近邻长方体的边长属性
    1.4 采样原则及点云压缩
2 实例应用与分析
    2.1 点云压缩实例
    2.2 点云压缩精度分析
        2.2.1 K值对点云压缩精度的影响
        2.2.2 α值对压缩精度的分析
        2.2.3 不同采样率精度分析
3 结束语



本文编号：4051619