《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》

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

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。