基于间接邻域点集的散乱点云三角网格曲面重构研究

曲面重构算法研究综述 随着激光测量技术的发展，获取三维模型表面样点变得更加容易。然而，利用激光扫描获取的模型样点缺少拓扑邻接关系且数据量庞大，需要相关的算法来复原拓扑邻接关系。因此，基于散乱点云的曲面重构问题便得到了广泛关注。 目前，基于散乱点云的曲面重构的主流算法主要包括隐式曲面法、基于Delaunay三角化的剖分方法以及区域生长算法。隐式曲面法根据点云数据定义一个有向距离函数，然后再将该函数的零值集作为零等值面，近似拟合出三角网格曲面。其难点在于如何选取适当的隐式曲面模型。 基于Delaunay三角化的重构方法通过Delaunay三角剖分或Voronoi图从散乱点云数据中建立几何邻近拓扑关系，然后从拓扑关系中提取面片来近似原曲面。基于Delaunay三角化的典型重构方法有alphashapes算法、Crust方法、Co-cone方法等。 区域生长算法是基于点的邻域点集进行区域生长的方法。该方法的思想是以点为生长对象，选择邻域点集为样点，估算微切平面，将邻域点投影至该平面上，并按照右手定则、逆时针方向进行排序，通过拓扑正确性原则从点列中去除错误的连接点，优化局部网格，选择较好的连接点，实现网格曲面的区域生长。 本文提出了一种结合间接邻域的散乱点云三角网格曲面重构方法。该方法在K邻域点集的基础上提出间接邻域点集的概念，对以点为生长对象进行区域生长的三角网格曲面重构方法进行了研究，实现三角网格曲面重构。 在该方法中，我们首先选择邻域点集为样点，估算微切平面，将邻域点投影至该平面上，并按照右手定则、逆时针方向进行排序，通过拓扑正确性原则从点列中去除错误的连接点，优化局部网格，选择较好的连接点，实现网格曲面的区域生长。 该方法的优点是可以更好地处理非均匀散乱点云数据，避免了孔洞等缺陷的出现。该方法的应用前景广泛，能够应用于计算机辅助设计、计算机视觉、机器人学、地理信息系统等领域。 本文提出的结合间接邻域的散乱点云三角网格曲面重构方法是一种有效的曲面重构算法，能够更好地处理非均匀散乱点云数据，避免了孔洞等缺陷的出现。该方法的应用前景广泛，能够应用于计算机辅助设计、计算机视觉、机器人学、地理信息系统等领域。