基于角度-树非均匀网格法的数据点云数据预处理

基于角度-树非均匀网格法的数据点云数据预处理

随着市场需求的多样性，逆向工程（resource）已成为核电站产品中不可或缺的重要因素。非接触式测量如光栅投影扫描等数据获取速度快，单次扫描能获上万个数据点，随着其测量精度的提高，非接触式测量应用愈加广泛。虽然非接触方法可快速获取待测表面的大量数据，但所获得的测量数据点群密度一般很大，存储处理或显示都将消耗大量的时间和计算机资源。因此，在逆向工程中点云测量数据的精简是数据预处理的重要工作之一。Martin,Stroud和Marshall提出了均匀网格精简算法，现已在图像处理中得到广泛应用。Lee等对均匀网格法进行了改进，提出了非均匀网格精简方法，但对数据点云的边界点不容易确定。本文在此基础上提出了一种改进型的点云精简方法，该方法的基本思路是先利用基于八叉树非均匀网格法，将点云处理成按扫描线存储的结构化测量数据，再利用角度-弦差法进行逐线精简。这样能够处理一些曲率变化大、具有复杂特征的散乱点云。1维数据的精简化激光扫描测量得到的数据通常都是按扫描线进行存储的，按逐行扫描所得的点云数据是一维的。虽然这些点在扫描线上的分布密度很大，但由于每条扫描线之间的间距较大，因此对扫描数据的精简可以简化到扫描线上，即对一维数据的精简。如果单独用角度阈值来进行数据精简，当两个相邻点相距较远时，即使夹角很小，弦高差也可能很大，这时不能单凭角度小就将其剔除：另外当两个相邻点相距较近时，弦高很小也可能有较大夹角，这时也不能由于弦差小而将其保留。因此，采用给定的角度误差和弦高误差两个方面的限制，可以克服上述缺陷，快速有效地精简数据。2利用双组分树状结构的方法，分为8个树状结构的设计和去木处理该方法的模型基础是八叉树结构，八叉树的空间分割模型是利用一个立方体序列包围一片数据点云所占据的空间，其方法是首先构造出测量点云的最小外接立方体，并把它作为八叉树结构的根结点，然后将该立方体均匀分割成大小相同的8个子立方体，如图1所示，每个子立方体被看作根结点的子结点，由此将造型空间递归细分为2的幂次方个子立方体，这种方法是网格的均匀细分法，并且已经广泛应用在计算机图形学和图像处理中，它可以看作是一个树状结构。在八叉树结构中，每个结点对应着1个立方体，每个立方体包含8个子立方体，在均匀细分中每个子立方体在x、y方向上的边长为上一级立方体边长的一半，所以这8个子立方体就是上一级立方体的一次细分，同一次细分得到的子立方体属于同一级，根据实际应用的不同，细分的标准也就不同，在进行实体边界的拟合中，那些完全在实体内部或者是外部的网格单元就要被删掉，而那些包含边界点的网格单元才会进行细分。3叉树非均匀网格法的应用上述两种数据的直接简化算法都具有较高的效率，但鉴于算法自身的特点，其适用范围均有限制。对于曲率变化大、附加特征多的表面测量数据，上述两种直接精简算法均难以得到直接应用。改进的数据直接精简算法是将二者结合起来。其基本思路是：首先利用基于八叉树非均匀网格法，分割初始测量点云，获得一条条按扫描线有序排列的测量点群，然后应用角度—弦差法来逐线精简，从而得到一个精简后的点云。由于角度—弦差法可以较好地保留特征点，本文算法还可以适用于附加特征较多的表面测量数据，完整的算法过程描述如下。(1）若初始测量点云为按扫描线存储的结构化测量点云，则直接调用角度-弦差法进行数据精简。若用户认为被测表面曲率变化较小、附加特征较少，则直接调用八叉树非均匀网格法进行数据精简。(2）调用八叉树非均匀网格法，构造网格单元，删除空的网格单元，构造出扫描线群。当数据点云进行拼接以后，建立一个可以完全包围数据点云的立方体，然后根据立方体的最小边长和用户设定的网格参数确定原始网格单元的尺寸，由于在网格细分中这些原始的网格要被分割成8个子单元，所以应该设定合理的原始网格尺寸。精简的误差增大，曲面拟合误差相应地也会增大。在基于八叉树的非均匀三维网格方法中利用法向量和主曲率两者的偏差作为网格划分的标准，细分后的网格单元在x、y方向上的尺寸不同，避免了均匀网格法不能准确确定边界点的情况，但其计算的复杂程度相应增加。网格细分结束的标准是网格内的δ<δmax和η<ηmax或者是最终的网格内仅包含1个数据点。用物体表面的形状和期望的数据精简比来设定两个标准参数：给定的最大法向矢量标准偏差δmax和最大主曲率标准偏差ηmax作为判断值，如果一个网格单元中的法向矢量δ>δmax或者主曲率η>ηmax时，表示这个网格内曲面的形状变化较大，要对这个网格进行细分。(3）调用角度—弦差法对每条扫描线点群进行精简处理，获得精简后的点云。角度弦差法先给定角度误差限αmax和弦差限dmax，如图2所示。同时使用这两个误差参数来综合处理密集点云数据，将处在这两个误差限内的点精简掉。αmax要根据精度要求在0°～15°来选取，精度要求越高，取值越小；同时也可以根据实测点进行校验，从而选用简化效果较好的αmax值。dmax的确定则根据前述扫描线上相邻点距离正态分布的μ值，精简前点数量Nb，预期精简点的数Na按下式确定：具体算法步骤如下：(1）给定出一个角度误差限αmax并计算弦高误差限dmax;(2）从起点开始取相邻的3点：P1、P2、P3，计算与的夹角α，弦高；(3）若α<αmax，且d<dmax成立，则舍去P2，取P3后的一点P4，若P4不存在，说明该扫描线上的点已经处理完毕，转第（5）步，若P4存在则置P2=P3,P3=P4，转第（2）步；(4）若α<αmax，且d<dmax不成立，则置P1=P2,P2=P3，取P3后一点P4，若P4不存在，说明该扫描线上的点已处理完毕，转第（5）步，若P4存在则置P3=P4，转第（2）步；(5）判断是否所有扫描线均已取完，如果没有则取下一条扫描线，转第（2）步，若已取完则说明测量精简结束。4基于atos的算法图3(a）为某汽车引擎盖板点云，点云数据采集由德国GOM公司光栅式投影扫描仪ATOS完成，数据点数目为403218。按照本文算法精简后，得到的点云如图3(b）所示，数据点数目精简为103887。精简率为74.2%，精简效果显著，特征也保留完好。5非接触法分离点云数据点云数据的精简处理是逆向工程实施过程中的关键步骤之一。好的算法能够很好地提高后续工作的效率和质量。实际应用表明，采用角度-弦差