.png){kind=icon}
返回
Fast point cloud simplification method based on optimized feature sampling and geometric continuity preservation
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-6501/ae2cb5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着三维激光扫描技术的发展，高密度点云数据提供了可靠的数据库，但也存在大量冗余信息，增加了数据处理的存储和计算负担。因此，亟需一种在保持几何结构完整性的同时压缩数据的点云简化方法。本文提出了一种基于网格结构构建的密度感知采样策略，根据局部密度变化动态调整局部采样点数量，以增强简化点云的全局一致性。在特征点采样阶段，基于最远点采样（FPS）算法优化采样起始点，并将曲率权重纳入迭代选择策略。该方法使得采样路径上的更多点能够代表几何特征，从而确保简化点云更准确地保留原始模型的特征。然而，基于特征的采样倾向于在点云表面的平坦区域稀疏选择点。本研究采用移动最小二乘法进行曲面拟合，随后通过均匀采样选择辅助特征点。这种结合有效提高了简化结果的几何均匀性。通过整合两种采样策略，在保持高几何保真度的同时确保了均匀性，从而支持后续点云处理任务实现更高精度。实验结果表明，与现有的AIVS、GF-Sim、FPS及基于曲率的等方法相比，所提出的方法在运行时间、信息熵、几何误差间距和误差以及重建质量方面，在多个公开点云数据集上均表现出更好的保真度和鲁棒性。
期刊
IF:
3.4
论文数:
2.6K
被引数:
2.3W
机构
引用论文
A New Simplification Algorithm for Point Cloud Based on the Vertical Plane Constraint and Moving Window基于垂直面约束和移动窗口的点云简化新算法.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏A Novel Simplification Method for 3D Geometric Point Cloud Based on the Importance of Point一种基于点重要性的三维几何点云简化方法IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏Jiao, X.; Lv, C.; Yi, R.; Zhao, J.; Pan, Z.; Wu, Z.; Liu, Y.-J. MSL-Net: Sharp Feature Detection Network for 3D Point Clouds. IEEE Trans. Visual. Comput. Graph. 2024, 30, 6433–6446. [Google Scholar] [CrossRef]焦, X.; 吕, C.; 易, R.; 赵, J.; 潘, Z.; 吴, Z.; 刘, Y.-J. MSL-Net: 3D点云的锐利特征检测网络。IEEE Trans. Visual. Comput. Graph. 2024, 30, 6433–6446. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏分享收藏
查看更多内容