检索结果

Select

1. 散乱点云去噪与简化的统一算法

赵京东, 杨凤华, 郭英新

计算机应用 2017, 37 (10): 2879-2883. DOI: 10.11772/j.issn.1001-9081.2017.10.2879

摘要（486）

PDF （864KB）（408）

针对三维点云去噪和简化很难用同一参数的问题，提出一种基于扩展的曲面变化度局部离群系数（ESVLOF）的散乱点云去噪与简化的统一算法。通过对ESVLOF定义的分析，给出了其性质。利用ESVLOF去噪过程中计算的曲面变化度和预设的相似度系数，构造出随曲面变化度增大而减小的参数 γ，并将其作为点云简化的局部阈值，在点云去噪的同时进行点云简化。仿真结果显示，该方法能够保留原始数据的几何特征，与传统的三维点云预处理相比，效率提高近一倍。

参考文献 | 相关文章 | 多维度评价

Select

2. 激光散乱点云 K最近邻搜索算法

赵京东, 杨凤华

计算机应用 2016, 36 (10): 2863-2869. DOI: 10.11772/j.issn.1001-9081.2016.10.2863

摘要（495）

PDF （1113KB）（364）

针对激光散乱点云的数据量大，且具有面型的特点，为降低存储器使用量，提高散乱点云的处理效率，提出了一种散乱点云 K最近邻（KNN）搜索算法。首先，利用多级分块、动态链表的存储方式，只存储非空的子空间编号。对相邻子空间进行3进制编码，利用编码的对偶关系，建立相邻子空间之间的指针连接，构造出包含KNN搜索所需的各类信息的广义表，然后再搜索KNN。KNN搜索过程中，在计算被测点到候选点距离时，直接删除筛选立方体内切球之外的点，可将参入按距离排序的候选点数减少为现有算法的一半。 依赖K值和不依赖K值的分块原则，均可计算不同的K邻域。实验结果表明，该算法不仅具有低的存储器使用量，而且具有较高的效率。

参考文献 | 相关文章 | 多维度评价

Select

3. 散乱点云近离群点识别算法

赵京东, 杨凤华, 刘爱晶

计算机应用 2015, 35 (4): 1089-1092. DOI: 10.11772/j.issn.1001-9081.2015.04.1089

摘要（670）

PDF （747KB）（578）

针对原始曲面变化度的局部离群系数(SVLOF)无法有效滤除三维实体的棱边或棱角处的离群点问题,提出了一种散乱点云近离群点的滤除算法。该算法首先将SVLOF定义在类k邻域上,并将SVLOF的定义内容进行了扩展,使其既能滤除平滑曲面上的离群点,又能滤除三维实体的棱边或棱角点处的离群点,同时仍然保留SVLOF原有的足够宽泛的阈值选取空间。仿真数据和实际数据的实验结果均表明,在效率基本保持不变的情况下,所提算法能比原始SVLOF算法更有效地检测出距离主体点云近的离群点。

参考文献 | 相关文章 | 多维度评价