針對(duì)三維點(diǎn)云數(shù)據(jù)壓縮中細(xì)節(jié)特征不易保留,模型平緩部位存在過度壓縮以及壓縮后的點(diǎn)云模型不易復(fù)原等問題,提出一種基于向量相似度的三維點(diǎn)云壓縮算法和復(fù)原算法CVS。向量相似性度量采用提出的L3A進(jìn)行度量。CVS把每個(gè)三維坐標(biāo)點(diǎn)看作是連接其坐標(biāo)和原點(diǎn)的三維向量,按照三維坐標(biāo)點(diǎn)的讀入順序選取參考向量,生成覆蓋整個(gè)點(diǎn)云區(qū)域的采樣區(qū)域,進(jìn)行分區(qū)壓縮。在采樣區(qū)域中使用最小二乘曲面擬合算法對(duì)包含其中的點(diǎn)云進(jìn)行曲面擬合,設(shè)置曲率閾值剔除坐標(biāo)點(diǎn),并存儲(chǔ)曲面方程參數(shù)用于復(fù)原。通過控制L3A向量相似度中的長(zhǎng)度和角度的變化閾值,使得密集點(diǎn)云區(qū)域的壓縮率高于非密集區(qū)域的壓縮率,通過控制曲率閾值,使得低曲率區(qū)域的壓縮率高于高曲率區(qū)域的壓縮率,最大程度保留模型細(xì)節(jié)特征。CVS使用壓縮階段產(chǎn)生的復(fù)原信息生成點(diǎn)云來(lái)恢復(fù)模型的細(xì)節(jié)特征,使得模型特征更加明顯。

【文章頁(yè)數(shù)】：12 頁(yè)

【部分圖文】：

圖1L3A相似度定義

如圖1所示，V1、V2是兩個(gè)從原點(diǎn)出發(fā)的向量，標(biāo)號(hào)(1)、(5)分別代表向量V1、V2的長(zhǎng)度，記作L(V1)、L(V2)。標(biāo)號(hào)(2)、(3)、(4)分別代表向量V1與坐標(biāo)軸X、Y、Z的夾角的余弦，記作A(V1,X)、A(V1,Y)、A(V1,Z)。標(biāo)號(hào)(6)、(7)、(8)分別代....

圖2多團(tuán)點(diǎn)云坐標(biāo)與原點(diǎn)連接形成的向量圖

圖2是將點(diǎn)云中每個(gè)點(diǎn)與原點(diǎn)連接形成向量后的示意圖。區(qū)域(1)和(2)點(diǎn)云較密，向量之間的長(zhǎng)度和夾角都相近。區(qū)域(3)點(diǎn)云較疏，向量之間的長(zhǎng)度相差較大，夾角相近。區(qū)域(4)點(diǎn)云較疏，向量之間長(zhǎng)度相近，夾角相差較大。在三維模型的一個(gè)稠密點(diǎn)云區(qū)域中，會(huì)存在大量的位置相近的點(diǎn)，這些點(diǎn)分成....

圖3在小車模型中生成若干個(gè)參考向量

CVS選取多個(gè)參考向量，并設(shè)定閾值，使得這些參考向量生成的采樣空間集合能夠覆蓋整個(gè)點(diǎn)云。在每個(gè)采樣空間中根據(jù)曲率大小使用概率算法保留或者剔除其中包含的點(diǎn)。圖3是使用小車模型生成若干個(gè)參考向量的示意圖。參考向量選取可以通過算法自動(dòng)生成，其數(shù)量因模型而異，詳細(xì)算法在第3.6節(jié)介紹。采....

圖4參考向量采樣空間形狀與閾值的關(guān)系

圖4(a）的閾值參數(shù)為ΔL=13，ΔA=1（大距離、大角度），整個(gè)空間的點(diǎn)都和向量相似，點(diǎn)云壓縮變成了全局壓縮。圖4(b）的閾值參數(shù)為ΔL=0.1，ΔA=1（小距離、大角度），采樣區(qū)域形成“洋蔥”，即分層壓縮的形式。圖4(c）的閾值參數(shù)為ΔL=0.11，ΔAY=0.08，ΔAX=....

本文編號(hào)：3987813