針對海量點云數(shù)據(jù)存在大量冗余問題,該文提出基于K-近鄰長方體的點云壓縮算法。利用目標(biāo)點的K近鄰在非特征點云與特征點云之間的不同分布特性,基于該文算法將點云集合分為特征及非特征點集。該方法先對目標(biāo)點近鄰點進(jìn)行坐標(biāo)轉(zhuǎn)換并構(gòu)建K-近鄰長方體,建立壓縮準(zhǔn)則,對長方體進(jìn)行扁平程度篩選,結(jié)合分段采樣去除大量冗余點及少量密集特征點,實現(xiàn)保留原始特征的點云壓縮。該文方法涉及K、α、采樣率β_all3個參數(shù),在實驗分析中,采用體積偏差、表面積偏差和Hausdorff距離對該文方法涉及的3個參數(shù)進(jìn)行精度影響分析,結(jié)果表明,該方法能保留大量原始特征,在最優(yōu)K值條件下β_all為0.4,α為0.9,此時體積偏差百分比為0.27%,表面積偏差百分比為0.5%,具有較高的壓縮精度。

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引言
1 基于K-近鄰長方體的點云數(shù)據(jù)壓縮算法
    1.1 K-近鄰搜索
    1.2 K-近鄰點坐標(biāo)轉(zhuǎn)換
    1.3 計算K-近鄰長方體的邊長屬性
    1.4 采樣原則及點云壓縮
2 實例應(yīng)用與分析
    2.1 點云壓縮實例
    2.2 點云壓縮精度分析
        2.2.1 K值對點云壓縮精度的影響
        2.2.2 α值對壓縮精度的分析
        2.2.3 不同采樣率精度分析
3 結(jié)束語



本文編號：4051619