發(fā)布時間：2024-06-02 22:37

　　針對三維點云數(shù)據(jù)壓縮中細節(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云模型不易復原等問題,提出一種基于向量相似度的三維點云壓縮算法和復原算法CVS。向量相似性度量采用提出的L3A進行度量。CVS把每個三維坐標點看作是連接其坐標和原點的三維向量,按照三維坐標點的讀入順序選取參考向量,生成覆蓋整個點云區(qū)域的采樣區(qū)域,進行分區(qū)壓縮。在采樣區(qū)域中使用最小二乘曲面擬合算法對包含其中的點云進行曲面擬合,設置曲率閾值剔除坐標點,并存儲曲面方程參數(shù)用于復原。通過控制L3A向量相似度中的長度和角度的變化閾值,使得密集點云區(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節(jié)特征。CVS使用壓縮階段產(chǎn)生的復原信息生成點云來恢復模型的細節(jié)特征,使得模型特征更加明顯。

【文章頁數(shù)】：12 頁

【部分圖文】：

圖1L3A相似度定義

如圖1所示，V1、V2是兩個從原點出發(fā)的向量，標號(1)、(5)分別代表向量V1、V2的長度，記作L(V1)、L(V2)。標號(2)、(3)、(4)分別代表向量V1與坐標軸X、Y、Z的夾角的余弦，記作A(V1,X)、A(V1,Y)、A(V1,Z)。標號(6)、(7)、(8)分別代....

圖2多團點云坐標與原點連接形成的向量圖

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

圖3在小車模型中生成若干個參考向量

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

圖4參考向量采樣空間形狀與閾值的關系

圖4(a）的閾值參數(shù)為ΔL=13，ΔA=1（大距離、大角度），整個空間的點都和向量相似，點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：3987813