最优邻域二次误差曲面的点云简化算法

doi:10.13474/j.cnki.11-2246.2018.0392

测绘通报 ›› 2018, Vol. 0 ›› Issue (12): 101-104,113.doi: 10.13474/j.cnki.11-2246.2018.0392

最优邻域二次误差曲面的点云简化算法

陆建华, 刘闯, 吕志才

苏州市测绘院有限责任公司, 江苏苏州 215000

收稿日期:2018-03-21 修回日期:2018-04-25 出版日期:2018-12-25 发布日期:2019-01-03
通讯作者: 刘闯。E-mail:1137157737@qq.com E-mail:1137157737@qq.com
作者简介:陆建华(1974-),男,硕士,教授级高级工程师,主要从事工程测量及三维激光数据处理方面的研究。E-mail:475375848@qq.com
基金资助:
江苏省第五期“333工程”科研资助立项项目（BRA2016069）；苏州市2017年度产业技术创新专项（民生科技）项目（SS201740）；国家自然青年科学基金（41501502）

Point Cloud Simplification Algorithm of Quadric Error Based on the Optimal Neighborhood

LU Jianhua, LIU Chuang, LÜ Zhicai

Suzhou Surveying Institute Company, Suzhou 215000, China

Received:2018-03-21 Revised:2018-04-25 Online:2018-12-25 Published:2019-01-03

摘要/Abstract

摘要： 针对点云简化算法中普遍存在的误差累积与传递问题，提出基于最优邻域二次误差曲面的点云简化算法。该算法依据点云邻域的几何特性提取特征点；构建基于维度特征的熵函数，以最小熵函数原则确定最优邻域，结合二次曲面拟合误差控制理论，实现非特征点云的简化；构建基于二次误差曲面的信息熵评价指标对简化结果进行评价。试验表明，该算法能够有效减弱误差影响，更好地服务于后期的曲面重建。

关键词: 维度特征, 最优邻域, 二次曲面误差, 点云简化, 信息熵

Abstract: Point cloud simplification algorithm of quadric error based on the optimal neighborhood is proposed,aiming at solving the problem of error accumulated and error transferred.The feature points are extracted based on the geometric properties of point cloud neighborhood.The entropy function is built based on dimension feature,the optimal neighborhood is determined with the minimum entropy function principle,the non-feature of point cloud simplification is realized with the theory of quadric surface fitting error control combined.The result of the simplified is evaluated by the information entropy function based on quadric error evaluation index.Experiment shows that the algorithm can effectively decrease error influence,better service in the late of surface reconstruction.

Key words: dimension feature, the optimal neighborhood, quadric error, point cloud simplification, the information entropy

中图分类号:

P234.4

陆建华, 刘闯, 吕志才. 最优邻域二次误差曲面的点云简化算法[J]. 测绘通报, 2018, 0(12): 101-104,113.

LU Jianhua, LIU Chuang, LÜ Zhicai. Point Cloud Simplification Algorithm of Quadric Error Based on the Optimal Neighborhood[J]. 测绘通报, 2018, 0(12): 101-104,113.

参考文献

[1] SONG H,FENG H Y.A Global Clustering Approach to Point Cloud Simplification with a Specified Data Reduction Ratio[J].Computer-Aided Design,2008,40(3):281-292.
[2] SHI B Q,LIANG J,LIU Q.Adaptive Simplification of Point Cloud Using K-means Clustering[J].Computer-Aided Design,2011,43(8):910-922.
[3] 宋大虎,李忠科,王忠,等.保持特征的点云迭代简化算法[J].计算机应用研究,2014,31(4):1273-1275.
[4] 杨荣华.地面三维激光扫描点云角度分辨率与数据处理模型研究[D].武汉:武汉大学,2011.
[5] 陈西江,章光,花向红.于法向量夹角信息熵的点云简化算法[J].中国激光,2015,42(8):328-336.
[6] PAULY M,GROSS M,KOBBELT L P.Efficient Simplification of Point-sampled Surfaces[C]//Proceedings of the Conference on Visualization'02.[S.l.]:IEEE Computer Society,2002:163-170.
[7] AWWAD T M,ZHU Q,DU Z,et al.An Improved Segmentation Approach for Planar Surfaces from Unstructured 3D Point Clouds[J].Photogrammetric Record,2010,25(129):5-23.
[8] 刘闯,花向红,田茂,等.基于维度特征的RANSAC建筑物点云分割算法[J].测绘工程,2017,26(1):64-68.
[9] YANG B S,DONG Z.A Shape-based Segmentation Method for Mobile Laser Scanning Point Clouds[J].ISPRS Journal of Photogrammetry and Remote Sensing,2013,81(7):19-30.
[10] 宣伟.地面激光点云数据质量评价与三维模型快速重建技术研究[J].测绘学报,2017,46(12):2045.
[11] 李广云,李明磊,王力,等.地面激光扫描点云数据预处理综述[J].测绘通报,2015(11):1-3.
[12] 钱金菊,张昌赛,王柯,等.机载LiDAR点云数据抽稀算法研究述评[J].测绘通报,2017(S1):33-35.
[13] 叶珉吕,花向红.面向地形数据的点云简化算法[J].大地测量与地球动力学,2015,35(3):424-427.
[14] 马国正.基于误差熵的点云简化方法[J].大地测量与地球动力学,2015,35(6):1053-1056.
[15] 杨俊涛,康志忠.多尺度特征和马尔可夫随机场模型的电力线场景点云分类法[J].测绘学报,2018,47(2):188-197.

最优邻域二次误差曲面的点云简化算法

Point Cloud Simplification Algorithm of Quadric Error Based on the Optimal Neighborhood

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 4

编辑推荐

Metrics

本文评价

[1]	朱广堂, 叶珉吕. 基于曲率特征的点云去噪及定量评价方法研究[J]. 测绘通报, 2019, 0(6): 105-108.
[2]	朱爽. 用直方图面积法进行图像相似度计算[J]. 测绘通报, 2018, 0(12): 96-100.
[3]	孙成忠, 郝振国, 朱寿东, 黄璐琦, 张晓波, 郭兰萍. 地理信息技术在中药资源生产区划研究中的应用[J]. 测绘通报, 2016, 0(12): 96-99,123.
[4]	杨俊, 李闯. 基于语义优先的土地利用图斑综合的空间信息评价研究[J]. 测绘通报, 2015, 0(11): 44-46,68.