海量散乱点云的特征线提取及表面重建

地面激光扫描仪所采集的古建筑表面数据具有数据量大、无拓扑关系、密疏不均等特点。针对此类海量散乱点云，现有特征线提取与表面重建算法自动化程度不高，重建的模型不能保持尖锐特征、精度也不能保证，甚至不能重建拓扑复杂的实体模型。本课题旨在研究出一种特征线自动提取方法，并基于特征线实现模型的准确重建。拟研究内容包括特征线提取、造型误差计算及表面质量评定、表面重建三个方面。首先构建近邻域，计算法向量与表面曲率，提取特征点，拟合特征曲线，接着实现当前几种主流建模算法，同时建立造型误差模型，评价当前算法所建表面模型的精度、光顺度等质量情况，然后提出一种新的高精度的保持尖锐特征的自动化表面重建算法，最后研究表面模型分块方法，实现采用分片非有理曲面（NURBS）表达表面模型。预期的研究成果对于古建筑物的数字保护有着十分重要的实用价值，在科学计算可视化、曲面造型、特征识别等领域也有着广泛的应用前景。

海量散乱点云具有数据量大，数据之间无拓扑关系等特点，如何有效地从海量散乱点云中提取特征并根据特征进行点云的重建是一个重要的研究课题。根据国内外的研究动向，海量散乱点云特征线的提取研究主要针对两个方向即从散乱点云直接提取特征线和从网格中提取特征线。针对三维空间散乱点云表面重建的研究主要是根据网格或参数曲面来逼近或拟合数据点集。由于海量散乱点云特征提取和表面重建问题的复杂性，目前相关的研究算法存在一定的局限性。本基金项目正是在这种背景下获得资助并展开研究的。主要的研究内容包括特征线提取、造型误差计算及表面质量评定、表面重建三个方面。获取的研究成果主要有：1）对激光扫描仪的精度及作业方法进行了分析和研究；2）针对多视点云数据，进行基于特征的配准方法研究；3）系统地阐述点云数据压缩方法，分别对有序和散乱的点云数据优化压缩算法做了深入研究，并实验验证了针对不同数据的压缩方法；4）针对散乱点云，提出一种基于多尺度及局部特征权值的特征线提取算法；5）针对散乱点云，提出了一种基于区域增长及Delaunay三角剖分相结合的网格化方法；6）提出了海量散乱点云轮廓特征线的快速生成算法；7）根据树木等海量散乱点云的特点提出了点云的特征提取和表面重建方法；8）针对重建后的点云模型，提出了基于径向基函数的曲面修复算法；9）提出了系统的点云数据及模型的质量评定方法。在课题的研究中，共发表论文21篇其中EI检索14篇（含国际会议论文9篇），专利3个，专著1本，原型测试系统1个。通过对海量散乱点云的基础问题进行研究，项目的研究成果对于海量点云的数字化有着重要的实用价值，在科学计算可视化、曲面造型、特征识别等领域也有着广泛的应用前景。