《表1 3种算法精简前后数据对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合k-means聚类和Hausdorff距离的散乱点云精简算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

将本文的融合算法分别与基于k-means聚类的点云精简算法和基于Hausdorff的点云精简算法进行对比，以验证本文算法的准确性和有效性。采用经典的兔子数据和马数据（该数据来源于斯坦福大学）作为实验数据，点云数量分别为31 606和48 485。兔子模型的特征较为集中，主要集中在兔子四肢和耳朵等处；马模型的特征主要集中在马的四肢和头部等地方。图4是3种算法对兔子点云精简后的结果，图5是3种算法对马点云精简后的结果，表1是3种精简算法对兔子和马点云精简后的精简率和点云数量对比。图4(b）和图5(b）表示k-means聚类精简结果，其精简结果具有k-means聚类的特性，精简后的点云分布均匀，并具有一定填充空洞的效果，但易精简大量特征点，造成特征区域变形，丢失大量特征信息。图4(c）和图5(c）表示基于Hausdorff距离的精简结果，由于Hausdorff距离能判断相似性，所以该算法能保留特征点周围大量的点，但其精简结果出现了大量的空洞现象。图4(d）和图5(d）表示本文融合算法的精简结果，通过图4、图5和表1可以看出，在总的保留点数差不多的情况下，本文算法在兔子和马的特征区域保留了大量点，并且本文融合算法精简结果的轮廓保留完整，未造成数据空洞。