本發(fā)明屬于三維圖像
技術(shù)領(lǐng)域：
，具體涉及一種基于協(xié)方差矩陣和投影映射的點(diǎn)云特征曲線提取方法。該方法適用于提取三維點(diǎn)云模型表面的特征線，用于描述模型的幾何特征。
背景技術(shù)：
：隨著三維掃描獲取技術(shù)的快速發(fā)展，點(diǎn)云數(shù)據(jù)處理研究已成為數(shù)字幾何處理研究發(fā)展過程中的研究熱點(diǎn)。特征線的提取，是處理幾何模型的一種基本操作，可以為三維模型的理解提供重要的信息。因此，廣泛地應(yīng)用于幾何模型的可視化、優(yōu)化和簡化，曲面重建，模式識(shí)別，逆向工程等領(lǐng)域。對于三維點(diǎn)云模型，其特征曲線提取過程就是對模型上的數(shù)據(jù)點(diǎn)進(jìn)行分析并計(jì)算，找出其中的特征點(diǎn)，并連接構(gòu)成光滑特征曲線。由于掃描獲取到的點(diǎn)云數(shù)據(jù)量大，本身沒有自然拓?fù)溥B接關(guān)系，且還存在噪聲、數(shù)據(jù)缺失等問題。技術(shù)實(shí)現(xiàn)要素：為了解決現(xiàn)有特征線提取方法存在對模型細(xì)微特征不敏感、時(shí)間代價(jià)高、抗噪性較差的缺點(diǎn),本發(fā)明提出了一種基于協(xié)方差矩陣和投影映射的特征曲線提取方法。為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：步驟1，對輸入的點(diǎn)云數(shù)據(jù)source計(jì)算出點(diǎn)云表面的分辨率mr，計(jì)算出每個(gè)點(diǎn)的協(xié)方差矩陣的最大特征值作為該點(diǎn)的強(qiáng)度intensity。步驟2，在點(diǎn)云數(shù)據(jù)source找到第一個(gè)強(qiáng)度intensity大于閾值t1的點(diǎn)作為特征點(diǎn)，以該點(diǎn)為種子點(diǎn)進(jìn)行區(qū)域增長，尋找更多符合條件的特征點(diǎn)，將其加入到同一個(gè)點(diǎn)集中。直到區(qū)域無法增長，集合作為第一個(gè)聚類。繼續(xù)尋找新的種子點(diǎn)，進(jìn)行區(qū)域增長，生成新的聚類，直到遍歷完全部點(diǎn)云數(shù)據(jù)。經(jīng)過上述驟，點(diǎn)云數(shù)據(jù)被劃分為多個(gè)聚類，將這些聚類作為閾值t1條件下的一個(gè)聚類集合cluster_list1。步驟3，根據(jù)步驟2同樣求出閾值t2且t1<t2條件下的一個(gè)聚類集合cluster_list2。根據(jù)兩個(gè)聚類集合中的每個(gè)聚類的重合度關(guān)系，判斷是否將聚類融合。最終形成一個(gè)特征更全面的聚類集合cluster_list。步驟4，取出聚類集合cluster_list中的一個(gè)聚類，根據(jù)聚類中的第一個(gè)點(diǎn)經(jīng)過計(jì)算協(xié)方差矩陣的特征值特征向量、修正法向量和主方向、尋找預(yù)測點(diǎn)、按權(quán)重計(jì)算新的關(guān)鍵特征點(diǎn)、將關(guān)鍵特征點(diǎn)投影至最近局部曲面一系列操作生成了一個(gè)在模型表面的連接點(diǎn)。以這個(gè)連接點(diǎn)為起點(diǎn)同樣經(jīng)過上述生成連接點(diǎn)的步驟不斷生成新的連接點(diǎn)，直到無法生成新的連接點(diǎn)。這樣就得到一個(gè)有序的點(diǎn)的集合，即為一條特征線。重新選取聚類中的點(diǎn)，繼續(xù)生成特征線，直到遍歷聚類內(nèi)全部的點(diǎn)。步驟5，選取聚類集合cluster_list中的其他聚類，根據(jù)步驟4繼續(xù)生成特征線，直到聚類集合中的所有集合都已生成特征線。其得到的全部的特征線就是模型的特征線。進(jìn)一步，所述步驟2中，在點(diǎn)云數(shù)據(jù)source找到第一個(gè)強(qiáng)度intensity大于閾值t1的點(diǎn)作為特征點(diǎn)，以該點(diǎn)為種子點(diǎn)進(jìn)行區(qū)域增長，尋找更多符合條件的特征點(diǎn)，將其加入到同一個(gè)點(diǎn)集中；直到區(qū)域無法增長，集合作為第一個(gè)聚類；繼續(xù)尋找新的種子點(diǎn)，進(jìn)行區(qū)域增長，生成新的聚類，直到遍歷完全部點(diǎn)云數(shù)據(jù)；經(jīng)過上述驟，點(diǎn)云數(shù)據(jù)被劃分為多個(gè)聚類，將這些聚類作為閾值t1條件下的一個(gè)聚類集合cluster_list1，包括：將點(diǎn)云數(shù)據(jù)source在閾值t1條件下生成一個(gè)聚類集合cluster_list1的過程通過如下步驟2.1至步驟2.5實(shí)現(xiàn)：步驟2.1，設(shè)置一個(gè)空的種子點(diǎn)隊(duì)列、空的聚類和聚類集合，分別記為l、cluster和cluster_list；步驟2.2，順序遍歷點(diǎn)云source，從中選取第一個(gè)強(qiáng)度intensity大于閾值t1且未被檢測的點(diǎn)p，作為一個(gè)特征點(diǎn)，同時(shí)作為區(qū)域增長的初始種子點(diǎn)，將其加入種子點(diǎn)隊(duì)列l(wèi)和當(dāng)前聚類cluster中，并將其標(biāo)記為已檢測；步驟2.3，彈出隊(duì)列l(wèi)中第一個(gè)元素，作為當(dāng)前種子點(diǎn)，記為pseed；以其為中心，搜索半徑為r范圍內(nèi)的鄰域點(diǎn)，記為n(pseed)，n(pseed)＝{pj|pj∈pc,‖pj-p‖≤r}；對每一個(gè)鄰域點(diǎn)pj，計(jì)算強(qiáng)度intensity，判斷強(qiáng)度是否大于t1，并標(biāo)記為已檢測；若大于t1，則加入當(dāng)前聚類cluster和種子點(diǎn)隊(duì)列l(wèi)中；若不大于t1，繼續(xù)檢測下一個(gè)鄰域點(diǎn)；步驟2.4，循環(huán)執(zhí)行步驟2.3，直到種子點(diǎn)序列l(wèi)為空，結(jié)束當(dāng)前區(qū)域增長，得到聚類cluster,并將其置入到cluster_list之中，然后清空cluster；步驟2.5，循環(huán)執(zhí)行步驟2.2–步驟2.4；直到點(diǎn)云source中所有的點(diǎn)都已檢測過，則聚類結(jié)束；最終得到一個(gè)將點(diǎn)云source分割成若干個(gè)特征點(diǎn)聚類的聚類集合cluster_list；cluster_list就是在閾值t1條件下聚類集合cluster_list1。更進(jìn)一步，所述步驟3中，根據(jù)步驟2同樣求出閾值t2且t1<t2條件下的一個(gè)聚類集合cluster_list2；根據(jù)兩個(gè)聚類集合中的每個(gè)聚類的重合度關(guān)系，判斷是否將聚類融合；最終形成一個(gè)特征更全面的聚類集合cluster_list，包括：cluster_list2可通過將步驟2中的閾值設(shè)置為t2計(jì)算獲得，將cluster_list1、cluster_list2融合成一個(gè)聚類cluster_list可通過步驟3.1至步驟3.7實(shí)現(xiàn)：首先假定兩個(gè)特征點(diǎn)聚類集合cluster_list1和cluster_list2里的聚類個(gè)數(shù)分別是m，n；步驟3.1，為cluster_list2中的每一個(gè)聚類cluster_list2j設(shè)置一個(gè)計(jì)數(shù)器，其集合記為{count0,count1,...,countn}；步驟3.2，從cluster_list1選取一個(gè)聚類，記為cluster_list1i，其中i<m，m為cluster_list1中的聚類個(gè)數(shù)；步驟3.3，對cluster_list1i中的每一個(gè)點(diǎn)pi，在cluster_list2中的每一個(gè)聚類cluster_list2j(j<n)中,找是否存在對應(yīng)點(diǎn)q使得點(diǎn)pi與其對應(yīng)點(diǎn)q的距離在一倍分辨率mr以內(nèi)，若存在，則countj加1；步驟3.4，計(jì)數(shù)器總和記為count，count＝count0+count1+…+countn；若count為0，即cluster_list1i不存在于cluster_list2中，將cluster_list1i添加到cluster_list2中，執(zhí)行步驟3.7；若count不為0，則認(rèn)為cluster_list1i與cluster_list2有一定程度的重合，執(zhí)行步驟3.5；步驟3.5，計(jì)算count與cluster_list1i中點(diǎn)的個(gè)數(shù)的比值，記為rate1，若rate1>30％，則認(rèn)為cluster_list2中存在聚類cluster_list1i，執(zhí)行步驟3.7；否則，執(zhí)行步驟3.6；步驟3.6，計(jì)數(shù)器集合中的最大值記為countmax；計(jì)算count與countmax的比值，記為rate2；若rate2>90％，則認(rèn)為cluster_list1i比cluster_list2max特征更全面，用cluster_list1i替換cluster_list2max；若rate2<10％，則認(rèn)為重合度不高，將cluster_list1i添加到cluster_list2中；步驟3.7，返回步驟3.2，直到遍歷cluster_list1中全部聚類；最終得到新的聚類集合cluster_list2就是融合后的特征點(diǎn)的聚類集合cluster_list。更進(jìn)一步，所述步驟4中，取出聚類集合cluster_list中的一個(gè)聚類，根據(jù)聚類中的第一個(gè)點(diǎn)經(jīng)過計(jì)算協(xié)方差矩陣的特征值特征向量、修正法向量和主方向、尋找預(yù)測點(diǎn)、按權(quán)重計(jì)算新的關(guān)鍵特征點(diǎn)、將關(guān)鍵特征點(diǎn)投影至最近局部曲面一系列操作生成了一個(gè)在模型表面的連接點(diǎn)；以這個(gè)連接點(diǎn)為起點(diǎn)同樣經(jīng)過上述生成連接點(diǎn)的步驟不斷生成新的連接點(diǎn)，直到無法生成新的連接點(diǎn)；這樣就得到一個(gè)有序的點(diǎn)的集合，即為一條特征線；重新選取聚類中的點(diǎn)，繼續(xù)生成特征線，直到遍歷聚類內(nèi)全部的點(diǎn)，包括：在聚類集合cluster_list的一個(gè)聚類中生成特征線可由步驟4.1至步驟4.10實(shí)現(xiàn)：首先設(shè)特征點(diǎn)的聚類集合cluster_list＝{clusteri},i＝1,…,m；步驟4.1，設(shè)有一個(gè)空的種子點(diǎn)隊(duì)列、線段連接點(diǎn)的列表和特征線列表，分別記為seed_list，point_list，line_list；步驟4.2，在特征點(diǎn)聚類的集合cluster_list中選取一個(gè)聚類clusteri，將該聚類中的第一個(gè)點(diǎn)p作為種子點(diǎn)加入種子點(diǎn)隊(duì)列seed_list中，記為seed0，同時(shí)設(shè)置為當(dāng)前種子點(diǎn)，記為pseed_curr，即pseed_curr＝seed0；步驟4.3，在當(dāng)前聚類clusteri中，以當(dāng)前種子點(diǎn)pseed_curr為中心，搜索半徑為r范圍內(nèi)的鄰域點(diǎn)，記為n(pseed_curr)，n(pseed_curr)＝{pj|pj∈clusteri,‖pj-p‖≤r}；計(jì)算點(diǎn)pseed_curr的協(xié)方差矩陣，取最大特征值對應(yīng)的特征向量作為當(dāng)前種子點(diǎn)pseed_curr的主方向，記為取最小特征值對應(yīng)得特征向量作為當(dāng)前種子點(diǎn)pseed_curr的法向量，記為步驟4.4，修正法向量和主方向的方向；判斷若是，則法向量其中是點(diǎn)云中距離當(dāng)前種子點(diǎn)pseed_curr最近的點(diǎn)的法向量，是點(diǎn)pseed_curr的法向量；若seed_list<2，即種子點(diǎn)隊(duì)列中只有一個(gè)點(diǎn)，不需要修正主方向；否則，判斷是否成立，若是，則主方向其中是當(dāng)前種子點(diǎn)pseed_curr的主方向；步驟4.5，根據(jù)當(dāng)前種子點(diǎn)pseed_curr及其鄰域點(diǎn)n(pseed_curr)建立局部坐標(biāo)系；以當(dāng)前種子點(diǎn)pseed_curr的法向量作為w軸，主方向作為u軸，即為v軸的正方向，形成點(diǎn)pseed_curr的局部坐標(biāo)系，記為(pseed_curr,u,v,w)；平面upseed_currv即為當(dāng)前種子點(diǎn)pseed_curr鄰域內(nèi)的曲面在點(diǎn)pseed_curr處的切平面；步驟4.6，利用公式(1)，將點(diǎn)pseed_curr的鄰域點(diǎn){p0,p1,…,pj,…,pn}(pj∈n(pseed_curr))投影到平面upseed_currv上，對應(yīng)的投影后的點(diǎn)記為{q0,q1,…,qj,…,qn}；按照公式(2)計(jì)算qj和點(diǎn)pseed_curr的連線與坐標(biāo)軸u軸的夾角αj，將αj≤45°的點(diǎn)加入待選預(yù)測點(diǎn)集合，記為pre_points，且將45°≤αj≤90°的點(diǎn)標(biāo)記為已檢測；將pre_points中的點(diǎn)按照與點(diǎn)pseed_curr的距離排序，選擇距離最近的點(diǎn)作為預(yù)測點(diǎn)，記為ppre，并標(biāo)記已檢測；判斷是否成立，若是，則主方向其中是預(yù)測點(diǎn)ppre的主方向；步驟4.7，計(jì)算關(guān)鍵特征點(diǎn)；根據(jù)公式(3)計(jì)算關(guān)鍵特征點(diǎn)，記為pkey；其中d是自定義的步長，w是由當(dāng)前種子點(diǎn)pseed_curr的主方向和預(yù)測點(diǎn)ppre的主方向按照公式(4)計(jì)算的方向權(quán)重，是當(dāng)前種子點(diǎn)pseed_curr的主方向，是預(yù)測點(diǎn)ppre的主方向；pkey＝pseed_curr+w*d(3)步驟4.8，計(jì)算線段的連接點(diǎn)lk，k＝0,1,…；在點(diǎn)云中以關(guān)鍵特征點(diǎn)pkey為中心，搜索半徑為r范圍的鄰域點(diǎn)，從中選取距離點(diǎn)pkey最近的點(diǎn)，用移動(dòng)最小二乘法擬合該點(diǎn)處的局部曲面，并將關(guān)鍵特征點(diǎn)pkey投影到局部曲面上，得到線段的連接點(diǎn)lk，并加入連接點(diǎn)的列表point_list中；并將第一個(gè)連接點(diǎn)l0的主方向保存，記為line_dir；步驟4.9，將得到的連接點(diǎn)lk加入種子點(diǎn)隊(duì)列seed_list中，并設(shè)置為當(dāng)前種子點(diǎn)，循環(huán)執(zhí)行步驟4.3–步驟4.9，繼續(xù)生成新的連接點(diǎn)，直到步驟4.5中找不到預(yù)測點(diǎn)，則當(dāng)前方向line_dir上特征線的連接點(diǎn)提取結(jié)束，得到point_list，生成線段，記為l1；清空point_list；依上述步驟，計(jì)算相反方向-line_dir，生成線段，記為l2；連接線段l1與l2，生成當(dāng)前聚類中的一條完整的特征線，將其加入line_list；步驟4.10，計(jì)算該聚類clusteri中未被檢測的點(diǎn)數(shù)所占聚類中全部點(diǎn)數(shù)的比值；若小于一定閾值，則認(rèn)為該聚類中的全部特征線提取完成；否則，在未被檢測到的點(diǎn)中選取新的起始點(diǎn)作為新的種子點(diǎn)，循環(huán)執(zhí)行步驟4.3–步驟4.10，繼續(xù)生成特征線。本發(fā)明采用以上技術(shù)方案，首先利用協(xié)方差矩陣的特征值作為點(diǎn)的強(qiáng)度特征，將強(qiáng)度大于閾值的點(diǎn)作為特征點(diǎn)，利用區(qū)域增長的方法將特征點(diǎn)劃分成多個(gè)帶狀聚類，然后在各個(gè)聚類內(nèi)部根據(jù)協(xié)方差矩陣得到的主方向趨勢計(jì)算出關(guān)鍵特征點(diǎn)，將關(guān)鍵特征點(diǎn)投影到距該關(guān)鍵點(diǎn)最近的利用移動(dòng)最小二乘法擬合出的局部模型曲面上，生成連接點(diǎn)，不斷計(jì)算連接點(diǎn)形成光滑的貼合模型的特征線。相對之前的特征線提取方法，本發(fā)明利用協(xié)方差矩陣求得主方向來描述聚類的趨勢，一定程度上彌補(bǔ)了特征點(diǎn)提取不足的情況，比如特征點(diǎn)的帶狀聚類過寬、過窄等情況，而且特征線的連接點(diǎn)是采用移動(dòng)最小二乘法擬合的曲面上的點(diǎn)，在符合模型曲面變化的同時(shí)，特征線也更光滑。同時(shí)，本發(fā)明在確定特征線的起始點(diǎn)時(shí)，利用的是生成的連接點(diǎn)而不是隨機(jī)的聚類內(nèi)的點(diǎn)，避免了其他方法中因?yàn)殡S機(jī)選取聚類內(nèi)的點(diǎn)作為特征線起始點(diǎn)帶來的誤差。因此，與
背景技術(shù)：
相比，本發(fā)明具有算法運(yùn)行時(shí)間短、魯棒性高、抗噪性好和特征線明顯的優(yōu)點(diǎn)。附圖說明圖1是本發(fā)明的方法流程圖；圖2是pauly提出的方法對venus模型提取出的特征線；圖3是龐旭芳提出的方法對venus模型提取出的特征線；圖4是本發(fā)明的方法對venus模型提取出的特征線。具體實(shí)施方式下面結(jié)合附圖和實(shí)施例對本發(fā)明作進(jìn)一步的詳細(xì)描述。如圖1所示，本發(fā)明中的基于協(xié)方差矩陣和投影映射的點(diǎn)云特征曲線提取方法，其包括步驟1至步驟7：步驟1，對輸入的點(diǎn)云數(shù)據(jù)source計(jì)算出點(diǎn)云表面的分辨率mr，計(jì)算出每個(gè)點(diǎn)的協(xié)方差矩陣的最大特征值作為該點(diǎn)的強(qiáng)度intensity。其中，計(jì)算點(diǎn)云表面分辨率mr和計(jì)算協(xié)方差矩陣的最大特征值的方式，可以參考已有的點(diǎn)云表面分辨率mr和協(xié)方差矩陣的最大特征值的計(jì)算方式，此處不做具體闡述。計(jì)算出的點(diǎn)云表面的分辨率mr作為后續(xù)步驟的參數(shù)，計(jì)算出的每個(gè)點(diǎn)的協(xié)方差矩陣的最大特征值作為該點(diǎn)的強(qiáng)度intensity條件，用于后續(xù)步驟中判斷該點(diǎn)是否為關(guān)鍵點(diǎn)。步驟2，在點(diǎn)云數(shù)據(jù)source找到第一個(gè)強(qiáng)度intensity大于閾值t1的點(diǎn)作為特征點(diǎn)，以該點(diǎn)為種子點(diǎn)進(jìn)行區(qū)域增長，尋找更多符合條件的特征點(diǎn)，將其加入到同一個(gè)點(diǎn)集中。直到區(qū)域無法增長，集合作為第一個(gè)聚類。繼續(xù)尋找新的種子點(diǎn)，進(jìn)行區(qū)域增長，生成新的聚類，直到遍歷完全部點(diǎn)云數(shù)據(jù)。經(jīng)過上述驟，點(diǎn)云數(shù)據(jù)被劃分為多個(gè)聚類，將這些聚類作為閾值t1條件下的一個(gè)聚類集合cluster_list1。該步驟中閾值的取值范圍一般0.1-0.3。具體的，該步驟可以通過如下步驟2.1至步驟2.5實(shí)現(xiàn)：步驟2.1，設(shè)置一個(gè)空的種子點(diǎn)隊(duì)列、空的聚類和聚類集合，分別記為l、cluster和cluster_list。步驟2.2，順序遍歷點(diǎn)云source，從中選取第一個(gè)強(qiáng)度intensity大于閾值t1且未被檢測的點(diǎn)p，作為一個(gè)特征點(diǎn)，同時(shí)作為區(qū)域增長的初始種子點(diǎn)，將其加入種子點(diǎn)隊(duì)列l(wèi)和當(dāng)前聚類cluster中，并將其標(biāo)記為已檢測。步驟2.3，彈出隊(duì)列l(wèi)中第一個(gè)元素，作為當(dāng)前種子點(diǎn)，記為pseed。以其為中心，搜索半徑為r范圍內(nèi)的鄰域點(diǎn)，記為n(pseed)，n(pseed)＝{pj|pj∈pc,‖pj-p‖≤r}。對每一個(gè)鄰域點(diǎn)pj，計(jì)算強(qiáng)度intensity，判斷強(qiáng)度是否大于t1，并標(biāo)記為已檢測。若大于t1，則加入當(dāng)前聚類cluster和種子點(diǎn)隊(duì)列l(wèi)中；若不大于t1，繼續(xù)檢測下一個(gè)鄰域點(diǎn)。步驟2.4，循環(huán)執(zhí)行步驟2.3，直到種子點(diǎn)序列l(wèi)為空，結(jié)束當(dāng)前區(qū)域增長，得到聚類cluster,并將其置入到cluster_list之中，然后清空cluster。步驟2.5，循環(huán)執(zhí)行步驟2.2–步驟2.4。直到點(diǎn)云source中所有的點(diǎn)都已檢測過，則聚類結(jié)束。最終得到一個(gè)將點(diǎn)云source分割成若干個(gè)特征點(diǎn)聚類的聚類集合cluster_list。cluster_list就是在閾值t1條件下聚類集合cluster_list1。其中步驟2.3中，搜索半徑為r范圍內(nèi)的鄰域點(diǎn)已有一些現(xiàn)有的成熟的算法，如：kdtree等，此處不做闡述。r的取值范圍一般為3-18倍的分辨率。步驟3，根據(jù)步驟2同樣求出閾值t2且t1<t2條件下的一個(gè)聚類集合cluster_list2。根據(jù)兩個(gè)聚類集合中的每個(gè)聚類的重合度關(guān)系，判斷是否將聚類融合。最終形成一個(gè)特征更全面的聚類集合cluster_list。聚類集合cluster_list2可以通過將步驟2中的閾值換為t2得到，注意的是要保證t1<t2。做出這樣定義是為了后續(xù)將兩個(gè)聚類集合融合時(shí)，有一個(gè)對應(yīng)關(guān)系。即，cluster_list1是閾值較小的條件下獲取的聚類集合，cluster_list2是閾值較大的條件下獲取的聚類集合。將cluster_list1、cluster_list2融合成一個(gè)聚類cluster_list可通過步驟3.1至步驟3.7實(shí)現(xiàn)：首先假定兩個(gè)特征點(diǎn)聚類集合cluster_list1和cluster_list2里的聚類個(gè)數(shù)分別是m，n。步驟3.1，為cluster_list2中的每一個(gè)聚類cluster_list2j設(shè)置一個(gè)計(jì)數(shù)器，其集合記為{count0,count1,...,countn}。步驟3.2，從cluster_list1選取一個(gè)聚類，記為cluster_list1i，其中i<m，m為cluster_list1中的聚類個(gè)數(shù)。步驟3.3，對cluster_list1i中的每一個(gè)點(diǎn)pi，在cluster_list2中的每一個(gè)聚類cluster_list2j(j<n)中,找是否存在對應(yīng)點(diǎn)q使得點(diǎn)pi與其對應(yīng)點(diǎn)q的距離在一倍分辨率mr以內(nèi)，若存在，則countj加1。步驟3.4，計(jì)數(shù)器總和記為count，count＝count0+count1+…+countn。若count為0，即cluster_list1i不存在于cluster_list2中，將cluster_list1i添加到cluster_list2中，執(zhí)行步驟3.7；若count不為0，則認(rèn)為cluster_list1i與cluster_list2有一定程度的重合，執(zhí)行步驟3.5。步驟3.5，計(jì)算count與cluster_list1i中點(diǎn)的個(gè)數(shù)的比值，記為rate1，若rate1>30％，則認(rèn)為cluster_list2中存在聚類cluster_list1i，執(zhí)行步驟3.7；否則，執(zhí)行步驟3.6。步驟3.6，計(jì)數(shù)器集合中的最大值記為countmax。計(jì)算count與countmax的比值，記為rate2；若rate2>90％，則認(rèn)為cluster_list1i比cluster_list2max特征更全面，用cluster_list1i替換cluster_list2max；若rate2<10％，則認(rèn)為重合度不高，將cluster_list1i添加到cluster_list2中。步驟3.7，返回步驟3.2，直到遍歷cluster_list1中全部聚類。最終得到新的聚類集合cluster_list2就是融合后的特征點(diǎn)的聚類集合cluster_list。步驟4，取出聚類集合cluster_list中的一個(gè)聚類，根據(jù)聚類中的第一個(gè)點(diǎn)經(jīng)過計(jì)算協(xié)方差矩陣的特征值特征向量、修正法向量和主方向、尋找預(yù)測點(diǎn)、按權(quán)重計(jì)算新的關(guān)鍵特征點(diǎn)、將關(guān)鍵特征點(diǎn)投影至最近局部曲面一系列操作生成了一個(gè)在模型表面的連接點(diǎn)。以這個(gè)連接點(diǎn)為起點(diǎn)同樣經(jīng)過上述生成連接點(diǎn)的步驟不斷生成新的連接點(diǎn)，直到無法生成新的連接點(diǎn)。這樣就得到一個(gè)有序的點(diǎn)的集合，即為一條特征線。重新選取聚類中的點(diǎn)，繼續(xù)生成特征線，直到遍歷聚類內(nèi)全部的點(diǎn)。在聚類集合cluster_list的一個(gè)聚類中生成特征線可由步驟4.1至步驟4.10實(shí)現(xiàn)：首先設(shè)特征點(diǎn)的聚類集合cluster_list＝{clusteri},i＝1,…,m。步驟4.1，設(shè)有一個(gè)空的種子點(diǎn)隊(duì)列、線段連接點(diǎn)的列表和特征線列表，分別記為seed_list，point_list，line_list。步驟4.2，在特征點(diǎn)聚類的集合cluster_list中選取一個(gè)聚類clusteri，將該聚類中的第一個(gè)點(diǎn)p作為種子點(diǎn)加入種子點(diǎn)隊(duì)列seed_list中，記為seed0，同時(shí)設(shè)置為當(dāng)前種子點(diǎn)，記為pseed_curr，即pseed_curr＝seed0。步驟4.3，在當(dāng)前聚類clusteri中，以當(dāng)前種子點(diǎn)pseed_curr為中心，搜索半徑為r范圍內(nèi)的鄰域點(diǎn)，記為n(pseed_curr)，n(pseed_curr)＝{pj|pj∈clusteri,‖pj-p‖≤r}。計(jì)算點(diǎn)pseed_curr的協(xié)方差矩陣，取最大特征值對應(yīng)的特征向量作為當(dāng)前種子點(diǎn)pseed_curr的主方向，記為取最小特征值對應(yīng)得特征向量作為當(dāng)前種子點(diǎn)pseed_curr的法向量，記為步驟4.4，修正法向量和主方向的方向。判斷若是，則法向量其中是點(diǎn)云中距離當(dāng)前種子點(diǎn)pseed_curr最近的點(diǎn)的法向量，是點(diǎn)pseed_curr的法向量。若seed_list<2，即種子點(diǎn)隊(duì)列中只有一個(gè)點(diǎn)，不需要修正主方向；否則，判斷是否成立，若是，則主方向其中是當(dāng)前種子點(diǎn)pseed_curr的主方向。步驟4.5，根據(jù)當(dāng)前種子點(diǎn)pseed_curr及其鄰域點(diǎn)n(pseed_curr)建立局部坐標(biāo)系。以當(dāng)前種子點(diǎn)pseed_curr的法向量作為w軸，主方向作為u軸，即為v軸的正方向，形成點(diǎn)pseed_curr的局部坐標(biāo)系，記為(pseed_curr,u,v,w)。平面upseed_currv即為當(dāng)前種子點(diǎn)pseed_curr鄰域內(nèi)的曲面在點(diǎn)pseed_curr處的切平面。步驟4.6，利用公式(1)，將點(diǎn)pseed_curr的鄰域點(diǎn){p0,p1,…,pj,…,pn}(pj∈n(pseed_curr))投影到平面upseed_currv上，對應(yīng)的投影后的點(diǎn)記為{q0,q1,…,qj,…,qn}。按照公式(2)計(jì)算qj和點(diǎn)pseed_curr的連線與坐標(biāo)軸u軸的夾角αj，將αj≤45°的點(diǎn)加入待選預(yù)測點(diǎn)集合，記為pre_points，且將45°≤αj≤90°的點(diǎn)標(biāo)記為已檢測。將pre_points中的點(diǎn)按照與點(diǎn)pseed_curr的距離排序，選擇距離最近的點(diǎn)作為預(yù)測點(diǎn)，記為ppre，并標(biāo)記已檢測。判斷是否成立，若是，則主方向其中是預(yù)測點(diǎn)ppre的主方向。步驟4.7，計(jì)算關(guān)鍵特征點(diǎn)。根據(jù)公式(3)計(jì)算關(guān)鍵特征點(diǎn)，記為pkey。其中d是自定義的步長，w是由當(dāng)前種子點(diǎn)pseed_curr的主方向和預(yù)測點(diǎn)ppre的主方向按照公式(4)計(jì)算的方向權(quán)重，是當(dāng)前種子點(diǎn)pseed_curr的主方向，是預(yù)測點(diǎn)ppre的主方向。pkey＝pseed_curr+w*d(3)步驟4.8，計(jì)算線段的連接點(diǎn)lk，k＝0,1,…。在點(diǎn)云中以關(guān)鍵特征點(diǎn)pkey為中心，搜索半徑為r范圍的鄰域點(diǎn)，從中選取距離點(diǎn)pkey最近的點(diǎn)，用移動(dòng)最小二乘法擬合該點(diǎn)處的局部曲面，并將關(guān)鍵特征點(diǎn)pkey投影到局部曲面上，得到線段的連接點(diǎn)lk，并加入連接點(diǎn)的列表point_list中。并將第一個(gè)連接點(diǎn)l0的主方向保存，記為line_dir。步驟4.9，將得到的連接點(diǎn)lk加入種子點(diǎn)隊(duì)列seed_list中，并設(shè)置為當(dāng)前種子點(diǎn)，循環(huán)執(zhí)行步驟4.3–步驟4.9，繼續(xù)生成新的連接點(diǎn)，直到步驟4.5中找不到預(yù)測點(diǎn)，則當(dāng)前方向line_dir上特征線的連接點(diǎn)提取結(jié)束，得到point_list，生成線段，記為l1。清空point_list。依上述步驟，計(jì)算相反方向-line_dir，生成線段，記為l2。連接線段l1與l2，生成當(dāng)前聚類中的一條完整的特征線，將其加入line_list。步驟4.10，計(jì)算該聚類clusteri中未被檢測的點(diǎn)數(shù)所占聚類中全部點(diǎn)數(shù)的比值。若小于一定閾值，則認(rèn)為該聚類中的全部特征線提取完成。否則，在未被檢測到的點(diǎn)中選取新的起始點(diǎn)作為新的種子點(diǎn)，循環(huán)執(zhí)行步驟4.3–步驟4.10，繼續(xù)生成特征線。其中在步驟4.3中的計(jì)算協(xié)方差矩陣的特征值和步驟4.4中的計(jì)算法向量及步驟4.8中用移動(dòng)最小二乘法擬合局部曲面都有成熟的算法，本發(fā)明對此不做詳細(xì)闡述。步驟4.10中的閾值可以自己定義，取值范圍為0.1–1。步驟5，選取聚類集合cluster_list中的其他聚類，根據(jù)步驟4繼續(xù)生成特征線，直到聚類集合中的所有集合都已生成特征線。其得到的全部的特征線就是模型的特征線。為表明本發(fā)明具有以上優(yōu)點(diǎn)，分別利用其中pauly提出的方法、龐旭芳提出的方法和本發(fā)明的方法對venus模型提取特征線。圖2是pauly提出的方法對venus模型提取出的特征線。圖3是龐旭芳提出的方法提取出的特征線。圖4是本發(fā)明的方法提取出的特征線。表1為三種方法運(yùn)行時(shí)間的對比。從圖2、圖3、圖4對比中可以看出本發(fā)明提取的特征線更為完整，更加符合模型表面。表1不同方法配準(zhǔn)時(shí)間對比方法pauly提出的方法龐旭芳提出的方法本發(fā)明的方法運(yùn)行時(shí)間(ms)268273964128242從表1可以看出本發(fā)明的方法比龐旭芳提出的方法運(yùn)行時(shí)間短，效率更高。在和pauly提出的方法運(yùn)行時(shí)間相近的情況下，由上面提取特征線的結(jié)果截圖對比可知，本發(fā)明提出的方法特征線提取的更加完整，效果更好。當(dāng)前第1頁12