《表2 3种算法重构后三角面片数据对比》
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》
本文利用Geomagic软件对原始点云数据以及3种算法精简后的点云数据进行三维曲面重构,分别对实验数据中特征明显的区域(兔子耳朵和马四肢)进行了对比,并对兔子耳朵和马四肢的三角面片数量进行了统计分析。为了保证截取的细节部位形状、大小和位置相同,本文在裁剪原始点云重构模型和3种算法精简后的点云数据重构模型时,裁剪面的坐标和旋转角度完全相同。图6和图7分别是兔子耳朵和马四肢原始点云重构模型和3种算法精简后的点云数据重构模型,表2是兔子耳朵和马四肢的三角面片数量。由表2可知,基于Hausdorff距离的精简结果重构网格切割后,兔子耳朵处三角面片数量为5 698,马四肢处为8 490;基于k-means的精简算法在兔子耳朵处的三角面片数量为3 726,在马四肢处为4 650。由此可见,基于Hausdorff距离的精简结果在特征区域保留的信息明显多于基于k-means的精简算法,但基于Hausdorff距离的精简结果出现了大量空洞。本文融合算法融合了k-means聚类和Hausdorff距离,其重构网格在兔子耳朵处的三角面片数量为4 942,在马四肢的三角面片数量为6 908,与基于Hausdorff距离算法的结果相差不大,并且未造成数据空洞。因此,本文算法在保留更多特征信息的同时,也弥补了基于Hausdorff距离易造成数据空洞的不足,提升了算法的适用范围。
图表编号 | XD00124957000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.05 |
作者 | 李健、曹垚、王宗敏、王广印 |
绘制单位 | 郑州大学地球科学与技术学院、郑州大学水利与环境学院、郑州大学水利与环境学院、中原工学院、郑州大学水利与环境学院 |
更多格式 | 高清、无水印(增值服务) |