《表2 算法的运行时间：基于点云内骨架的分割算法》

  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

《基于点云内骨架的分割算法》

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

从分割层面来讲，图3和4的植物模型、图5的字母模型、图7的珊瑚模型以及图8的动物模型的分割结果都比较好，这主要是因为本研究所用到的分割方法是根据点云的曲率参数进行区域增长分割。若是前一个点的曲率和后一个点的曲率相近，则会把两个点划分为同一区域。对于这些不同部分曲率差异较大的点云模型来讲，本文算法均能取得较好分割结果。然而，对于图6的双人人体模型，如果从人眼视觉层面来讲，分割的结果是有偏差的。图6的人体模型展现的是两个人头对头，手对手，分割的结果显然不符合常理，如图6(c）所示，这是由于算法是按照点的曲率进行分割的，此过程过于复杂。实际上，把图6的人体模型从中间直接进行切割，效果应会更好。在实际应用中，要先根据模型的结构特点选择合适的方法。表2中显示了各算法的运行时间，从表中可知，对于图3的树枝模型（有叶）与图6的人体模型，算法的运行时间接近；对于图7的珊瑚模型和图8的动物模型，算法的运行时间接近；对于图4的树枝模型（无叶）与图5的字母模型，算法的运行时间相近。结合每个模型点的数量可知，在提取骨架点的过程中，影响算法运行时间的决定性因素是点云模型点的数量，与点云模型自身的空间结构关系不大。图3和图4两个模型虽然结构上相似，但是最终算法的运行时间相差很大，图7和图8两个模型尽管结构大不相同，但是因为两个模型点的数量相近，所以算法的运行时间也相近。从整体上看，上述模型处理的时间都有些缓慢，反观分割时间，几组数据的分割时间均是毫秒量级的，速度较快。如何提高骨架点的提取速度将是下一步要继续进行的工作。