一种基于聚类和显著性的点云精简方法和系统

1.本发明涉及点云数据处理领域，具体涉及一种基于聚类和显著性的点云精简方法和系统。


背景技术：

2.点云数据是三维数字化信息的一种重要形式，被广泛用于三维重建、机器人感知、虚拟现实等领域。但是，点云数据通常密度很高，同时也包含大量冗余信息，这对数据处理和存储带来很大挑战。
3.现有技术中，点云精简方法主要是基于表面重建和三角剖分技术，通过将点云数据转换为网格形式，并根据一定的准则删除冗余点来实现点云精简，然而会导致失真和信息丢失，并且在处理大规模点云数据时计算成本较高；另外基于点云数据本身的属性，例如点云密度、法线方向、曲率等进行精简，也有基于点云数据的聚类、分割和合并等技术来实现点云精简，然而，现有的点云精简技术往往只能保证在一定程度上减少数据量，可能会丢失一些关键信息，导致数据的精度下降，这使得精简后的数据可能会影响后续处理和应用的效果，同时精简后的数据往往会产生点云空洞。
4.因此有必要提供新的一种基于聚类和显著性的点云精简方法和系统。


技术实现要素：

5.基于现有技术中存在的上述问题，本发明实施例的目的在于提供一种基于聚类和显著性的点云精简系统，对点云数据进行预处理，在保留点云的完整性，减少了大量的冗余点，加快了后续精简的速度，根据显著性对点云簇进行区域划分，对不同的区域使用不同大小的体素进行采样，有效的避免了点云空洞，同时保证了简化后的点云在局部区域的均匀性。
6.为实现上述目的，本发明采用的技术方案是：一种基于聚类和显著性的点云精简方法，包括：
7.s1，将点云数据进行预处理；
8.s2，根据预处理后的点云数据，采用预设算法，分割为多个点云簇；
9.s3，根据多个点云簇，采用预设的显著性计算方法进行计算，得到每个点的显著性；
10.s4，根据显著性将每个点云簇划分为主特征区域、次特征区域和非特征区域；
11.s5，根据划分的主特征区域、次特征区域和非特征区域分别进行分层次精简。
12.进一步的，s1中，所述将点云数据进行预处理，包括：使用体素下采样对点云数据进行初精简，减少大量的冗余点。
13.进一步的，s2中，所述预设算法为k-means算法。
14.进一步的，s2中，所述根据预处理后的点云数据，采用预设算法，分割为多个点云簇；包括：
15.s2-1，选择聚类中心，包括：设置体素大小为模型高度的12.5％，将点云分成多个体素，提取每个体素的中心，将距离体素中心最近的点作为初始聚类中心；
16.s2-2，分配剩余点到最近的聚类中心，包括：对于剩余的点，计算每个点到k个聚类中心的距离，并将其分配给距离最近的聚类中心；
17.s2-3，重新计算聚类中心，包括：对于每个聚类，计算其中所有点的平均值，并将其设为新的聚类中心；
18.s2-4，判断是否收敛，若每个点都被分配到了与其最近的聚类中心，并且聚类中心不再发生变化，则执行步骤s2-5；否则返回步骤s2-2；
19.s2-5，输出聚类结果，包括：最终聚类结果包括k个聚类，每个聚类包含若干个点，这些点被划分到同一个聚类中心。
20.进一步的，s3中，所述显著性计算方法，包括：使用点云数据的两个特征参数粗糙度和曲率计算每个点的显著性。
21.进一步的，s4中，所述根据显著性将每个点云簇划分为主特征区域、次特征区域和非特征区域，包括：
22.s4-1，阈值设置，包括：对于每个点云簇均计算其平均显著性值为阈值。将大于阈值的点划分到特征区域，小于阈值的点划分到非特征区域；
23.s4-2，主特征区域与次特征区域划分，包括：对特征区域中点的显著性值进行降序排序，将前50％的点作为主特征区域，后50％的点作为次特征区域。
24.进一步的，所述阈值的计算公式为：
[0025][0026]
其中，为该点云簇的平均显著性，n为该点云簇内的点数，si为该点云簇内第i个点的显著性值。
[0027]
进一步的，s5中，所述根据划分的主特征区域、次特征区域和非特征区域分别进行分层次精简，包括：
[0028]
在主特征区域，使用第一体素进行下采样，以保留其重要特征；
[0029]
在次特征区域，使用第二体素进行下采样；
[0030]
在非特征区域，使用第三的体素进行下采样，以更有效地减少数据量。
[0031]
进一步的，所述第一体素最小，所述第三体素最大，所述第二体素大于所述第一体素且小于所述第三体素。
[0032]
一种基于聚类和显著性的点云精简系统，应用于上述基于聚类和显著性的点云精简方法，所述点云精简系统包括：
[0033]
存储模块，用于存储预设算法和预设的显著性计算方法；
[0034]
预处理模块，用于将点云数据进行预处理；
[0035]
第一计算模块，用于根据预处理后的点云数据，采用预设算法，分割为多个点云簇；
[0036]
第二计算模块，用于根据多个点云簇，采用预设的显著性计算方法进行计算，得到每个点的显著性；
[0037]
划分模块，用于根据显著性将每个点云簇划分为主特征区域、次特征区域和非特征区域；
[0038]
精简模块，根据划分的主特征区域、次特征区域和非特征区域分别进行分层次精简；
[0039]
输出模块，用于输出精简后的点云数据。
[0040]
本发明的有益效果是：本发明的基于聚类和显著性的点云精简方法包包括：将点云数据进行预处理；根据预处理后的点云数据，采用预设算法，分割为多个点云簇；根据多个点云簇，采用预设的显著性计算方法进行计算，得到每个点的显著性；根据显著性将每个点云簇划分为主特征区域、次特征区域和非特征区域；根据划分的主特征区域、次特征区域和非特征区域分别进行分层次精简。本发明通过对点云数据进行预处理，在保留点云的完整性的同时减少了大量的冗余点，并加快了后续精简的速度；根据显著性对点云簇进行区域划分，对不同的区域使用不同大小的体素进行采样，有效的避免了点云空洞；同时保证了简化后的点云在局部区域的均匀性，更有利于后期的建模质量；自适应选择精简参数，避免了传统方法中需要经验和试错来选择精简参数的问题。
附图说明
[0041]
下面结合附图和实施例对本发明作进一步说明。
[0042]
图中：
[0043]
图1为本发明实施例一提供的基于聚类和显著性的点云精简方法的流程图；
[0044]
图2为本发明的实施例二提供的基于聚类和显著性的点云精简系统的模块示意图；
[0045]
图3为本发明的实施例三提供的基于聚类和显著性的点云精简系统的结构示意图。
具体实施方式
[0046]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0047]
第一实施方式：
[0048]
本发明的第一实施方式提供了一种基于聚类和显著性的点云精简方法，包括：将点云数据进行预处理；根据预处理后的点云数据，采用预设算法，分割为多个点云簇；根据多个点云簇，采用预设的显著性计算方法进行计算，得到每个点的显著性；根据显著性将每个点云簇划分为主特征区域、次特征区域和非特征区域；根据划分的主特征区域、次特征区域和非特征区域分别进行分层次精简。本发明通过对点云数据进行预处理，在保留点云的完整性的同时减少了大量的冗余点，并加快了后续精简的速度；根据显著性对点云簇进行区域划分，对不同的区域使用不同大小的体素进行采样，有效的避免了点云空洞；同时保证了简化后的点云在局部区域的均匀性，更有利于后期的建模质量；自适应选择精简参数，避免了传统方法中需要经验和试错来选择精简参数的问题。
[0049]
下面对本实施方式的基于聚类和显著性的点云精简方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须，本实施方式的具体流程如图1所示，本实施方式应用于基于聚类和显著性的点云精简系统。
[0050]
步骤s1，将点云数据进行预处理。
[0051]
具体而言，使用体素下采样对点云数据进行初精简，减少大量的冗余点，加快后续的数据处理速度。另外，对于点云数据量为百万级别的则不需要进行预处理。
[0052]
步骤s2，根据预处理后的点云数据，采用预设算法，分割为多个点云簇。
[0053]
具体而言，预设算法为为k-means算法。
[0054]
步骤s2-1，选择聚类中心，包括：设置体素大小为模型高度的12.5％，将点云分成多个体素，提取每个体素的中心，将距离体素中心最近的点作为初始聚类中心；
[0055]
步骤s2-2，分配剩余点到最近的聚类中心，包括：对于剩余的点，计算每个点到k个聚类中心的距离，并将其分配给距离最近的聚类中心；
[0056]
步骤s2-3，重新计算聚类中心，包括：对于每个聚类，计算其中所有点的平均值，并将其设为新的聚类中心；
[0057]
步骤s2-4，判断是否收敛，若每个点都被分配到了与其最近的聚类中心，并且聚类中心不再发生变化，则执行步骤s2-5；否则返回步骤s2-2；
[0058]
步骤s2-5，输出聚类结果，包括：最终聚类结果包括k个聚类，每个聚类包含若干个点，这些点被划分到同一个聚类中心。
[0059]
步骤s3，根据多个点云簇，采用预设的显著性计算方法进行计算，得到每个点的显著性。
[0060]
具体而言，显著性计算方法，包括：使用点云数据的两个特征参数粗糙度和曲率计算每个点的显著性。
[0061]
步骤s3-1，对粗糙度的计算，设定粗糙度为每个点pi与其最近邻最佳拟合平面之间的距离，包括，具体计算步骤如下：
[0062]
步骤s3-1-1，以点pi为中心建立半径为r的球邻域，并利用kdtree对象查找该邻域内的点的索引和距离；
[0063]
步骤s3-1-2，判断邻域内点的个数，若果邻域内的点数小于3，则跳过该点。否则进行步骤步骤s3-1-3；
[0064]
步骤s3-1-3，通过质心计算公式来计算点pi所在邻域点云的质心pc，所述质心计算公式为：
[0065][0066]
其中，pc为所在邻域点云的质心，k为该点邻域内点的个数，(xi，yi，zi)为该点的坐标。
[0067]
步骤s3-1-4，构建协方差矩阵m，并计算特征向量和特征值，根据最小特征值对应的位置，可以计算出该点邻域的一个拟合平面方程的系数，所述协方差矩阵m计算公式为：
[0068]
[0069]
其中，m为协方差矩阵，k为该点邻域内点的个数，pi为坐标点，pc为点pi所在邻域点云的质心pc。
[0070]
所述特征向量和特征值计算公式为：
[0071][0072]
其中，m为协方差矩阵，j为三个特征值及其对应特征向量的下标，λj为特征值，为特征向量。
[0073]
所述拟合平面方程公式为：
[0074]
ax+by+cz+d＝0
[0075]
其中，a，b，c为拟合平面方程的系数，d为常量，x，y和z为平面方程的三个变量。
[0076]
步骤s3-1-5，算出该点的粗糙度r
si
，所述粗糙度r
si
计算公式为：
[0077][0078]
其中，r
si
为该点的粗糙度，a，b，c为拟合平面方程的系数，d为常量，xi，yi，zi为该点的坐标。
[0079]
步骤s3-2，曲率的计算，包括：点云曲率是一种描述点云中每个点局部几何形状的属性，可以用来描述点云中每个点周围局部的曲率变化程度。在曲面的平坦或平缓区域曲率变化较小，在凸起、凹陷、边界、角点等有较大变化。曲率的具体计算步骤如下：
[0080]
步骤s3-2-1，构建协方差矩阵m，所述协方差矩阵m计算公式为：
[0081][0082]
其中，m为协方差矩阵，k为该点邻域内点的个数，pi为坐标点，pc为点pi所在邻域点云的质心pc。
[0083]
步骤s3-2-2，计算三个特征值λj(j＝0,1,2)以及对应的特征向量(j＝0,1,2)。所述特征向量和特征值计算公式为：
[0084][0085]
其中，m为协方差矩阵，j为为三个特征值及其对应特征向量的下标，λj为特征值，为特征向量。
[0086]
步骤s3-2-2，定义特征值λ0≤λ1≤λ2满足，则计算点pi的表面曲率c
ur
，点pi的表面曲率c
ur
计算公式为：
[0087][0088]
其中，c
ur
为点pi的表面曲率，λ0为j＝0时的特征值，λ1为j＝1时的特征值，λ2为j＝2时的特征值。
[0089]
步骤s3-3，对显著值的计算，具体计算步骤如下：
[0090]
步骤s3-3-1，数据标准化，包括：为了避免量纲对计算每个数据点的显著性值产生影响，本方法使用min-max标准化方法，将计算出的粗糙度和表面曲率进行无量纲化，即标准化计算公式将结果映射到[0-1]之间。标准化后的数据分别用和表示。所述标准化计算公式为：
[0091][0092]
其中，为为归一化后的数据，xi为样本数据，x
max
为样本数据的最大值，x
min
为样本数据的最小值。
[0093]
步骤s3-3-2，计算每个点的显著性值，所述显著性值si计算公式为：
[0094][0095]
其中，si为第i个点的显著性值，为归一化后的粗糙度值，为归一化后的粗糙度值，a，b分别为权重调整系数，且a+b＝1，默认设置a＝b＝0.5。
[0096]
步骤s4，根据显著性将每个点云簇划分为主特征区域、次特征区域和非特征区域。
[0097]
具体而言，特征区域主要包含物体的细节特征(复杂的几何图形设计)，非特征区域主要是物体的平面部分，根据步骤s3计算的显著性值，将每个点云簇都分为主特征区域、次特征区域和非特征区域三部分，具体步骤如下：
[0098]
步骤s4-1，阈值设置，包括对于每个点云簇均计算其平均显著性值为阈值。将大于阈值的点划分到特征区域，小于阈值的点划分到非特征区域。所述阈值的计算公式为：
[0099][0100]
其中，为该点云簇的平均显著性，n为该点云簇内的点数，si为该点云簇内第i个点的显著性值。
[0101]
步骤s4-2，主特征区域与次特征区域划分，包括：对特征区域中点的显著性值进行降序排序，将前50％的点作为主特征区域，后50％的点作为次特征区域。
[0102]
步骤s5，根据划分的主特征区域、次特征区域和非特征区域分别进行分层次精简。
[0103]
具体而言，根据划分的主特征区域、次特征区域和非特征区域，使用体素下采样对每个区域分别进行下采样，在主特征区域，使用第一体素进行下采样，以保留其重要特征；在次特征区域，使用第二体素进行下采样；在非特征区域，使用第三的体素进行下采样，以更有效地减少数据量。其中，第一体素最小，第三体素最大，第二体素大于第一体素且小于第三体素，第二体素靠近第二体素。从而保证在主特征区域，使用第一体素进行下采样，以保留其重要特征，在非特征区域，使用第三的体素进行下采样，以更有效地减少数据量，对不同的区域使用不同大小的体素进行采样，有效的避免了点云空洞，最后输出精简后的点云数据。
[0104]
第二实施方式：
[0105]
如图2所示，本发明的第二实施方式提供一种基于聚类和显著性的点云精简系统，
包括：存储模块201、预处理模块202、第一计算模块203、第二计算模块204、划分模块205、精简模块206、输出模块207。
[0106]
具体而言，存储模块201，用于存储预设算法和预设的显著性计算方法；预处理模块202，用于将点云数据进行预处理；第一计算模块203，用于根据预处理后的点云数据，采用预设算法，分割为多个点云簇；第二计算模块204，用于根据多个点云簇，采用预设的显著性计算方法进行计算，得到每个点的显著性；划分模块205，用于根据显著性将每个点云簇划分为主特征区域、次特征区域和非特征区域；精简模块206，根据划分的主特征区域、次特征区域和非特征区域分别进行分层次精简；输出模块207，用于输出精简后的点云数据。
[0107]
在一些示例中，所述预处理模块202的输出端与所述第一计算模块203的第一输入端连接，所述第一计算模块203的输出端与所述第二计算模块204的第一输入端连接，所述第二计算模块204的输出端与所述划分模块205的输入端连接，所述划分模块205的输出端与所述精简模块206的输入端连接，所述精简模块206的输出端与所述输出模块207的输入端连接，所述存储模块201的第一输出端与所述第一计算模块203的第二输入端连接，所述存储模块201的第二输出端与所述第二计算模块204的第二输入端连接。
[0108]
不难发现，本实施方式为与第一实施方式相对应的系统实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
[0109]
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
[0110]
第三实施方式：
[0111]
本发明的第三实施方式提供了一种网络侧服务断，如图3所示，包括至少一个处理器301；以及，与至少一个处理器301通信连接的存储器302；其中，存储器302存储有可被至少一个处理器301执行的命令，指令至少被一个处理器301执行，以使至少一个处理器301能够执行上述的数据处理方法。
[0112]
其中，存储器302和处理器301采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器301和存储器302的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器301处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器301。
[0113]
处理器301负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器302可以被用于存储处理器301在执行操作时所使用的数据。
[0114]
第四实施方式：
[0115]
本发明的第四实施方式提供了一种计算机读存储介质，存储有计算机程序。计算机程序被处理器执行时实现第一实施方式中的基于聚类和显著性的点云精简方法。
[0116]
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0117]
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本技术给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本技术的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
[0118]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于聚类和显著性的点云精简方法，其特征在于，包括：s1，将点云数据进行预处理；s2，根据预处理后的点云数据，采用预设算法，分割为多个点云簇；s3，根据多个点云簇，采用预设的显著性计算方法进行计算，得到每个点的显著性；s4，根据显著性将每个点云簇划分为主特征区域、次特征区域和非特征区域；s5，根据划分的主特征区域、次特征区域和非特征区域分别进行分层次精简。2.根据权利要求1所述的基于聚类和显著性的点云精简方法，其特征在于，s1中，所述将点云数据进行预处理，包括：使用体素下采样对点云数据进行初精简，减少大量的冗余点。3.根据权利要求1所述的基于聚类和显著性的点云精简方法，其特征在于，s2中，所述预设算法为k-means算法。4.根据权利要求1所述的基于聚类和显著性的点云精简方法，其特征在于，s2中，所述根据预处理后的点云数据，采用预设算法，分割为多个点云簇；包括：s2-1，选择聚类中心，包括：设置体素大小为模型高度的12.5％，将点云分成多个体素，提取每个体素的中心，将距离体素中心最近的点作为初始聚类中心；s2-2，分配剩余点到最近的聚类中心，包括：对于剩余的点，计算每个点到k个聚类中心的距离，并将其分配给距离最近的聚类中心；s2-3，重新计算聚类中心，包括：对于每个聚类，计算其中所有点的平均值，并将其设为新的聚类中心；s2-4，判断是否收敛，若每个点都被分配到了与其最近的聚类中心，并且聚类中心不再发生变化，则执行步骤s2-5；否则返回步骤s2-2；s2-5，输出聚类结果，包括：最终聚类结果包括k个聚类，每个聚类包含若干个点，这些点被划分到同一个聚类中心。5.根据权利要求1所述的基于聚类和显著性的点云精简方法，其特征在于，s3中，所述显著性计算方法，包括：使用点云数据的两个特征参数粗糙度和曲率计算每个点的显著性。6.根据权利要求1所述的基于聚类和显著性的点云精简方法，其特征在于，s4中，所述根据显著性将每个点云簇划分为主特征区域、次特征区域和非特征区域，包括：s4-1，阈值设置，包括：对于每个点云簇均计算其平均显著性值为阈值。将大于阈值的点划分到特征区域，小于阈值的点划分到非特征区域；s4-2，主特征区域与次特征区域划分，包括：对特征区域中点的显著性值进行降序排序，将前50％的点作为主特征区域，后50％的点作为次特征区域。7.根据权利要求6所述的基于聚类和显著性的点云精简方法，其特征在于，所述阈值的计算公式为：其中，为该点云簇的平均显著性，n为该点云簇内的点数，s
i
为该点云簇内第i个点的显著性值。8.根据权利要求1所述的基于聚类和显著性的点云精简方法，其特征在于，s5中，所述
根据划分的主特征区域、次特征区域和非特征区域分别进行分层次精简，包括：在主特征区域，使用第一体素进行下采样，以保留其重要特征；在次特征区域，使用第二体素进行下采样；在非特征区域，使用第三的体素进行下采样，以更有效地减少数据量。9.根据权利要求8所述的基于聚类和显著性的点云精简方法，其特征在于，所述第一体素最小，所述第三体素最大，所述第二体素大于所述第一体素且小于所述第三体素。10.一种基于聚类和显著性的点云精简系统，其特征在于，应用于权利要求1中所述基于聚类和显著性的点云精简方法，所述点云精简系统包括：存储模块，用于存储预设算法和预设的显著性计算方法；预处理模块，用于将点云数据进行预处理；第一计算模块，用于根据预处理后的点云数据，采用预设算法，分割为多个点云簇；第二计算模块，用于根据多个点云簇，采用预设的显著性计算方法进行计算，得到每个点的显著性；划分模块，用于根据显著性将每个点云簇划分为主特征区域、次特征区域和非特征区域；精简模块，根据划分的主特征区域、次特征区域和非特征区域分别进行分层次精简；输出模块，用于输出精简后的点云数据。

技术总结
本发明涉及点云数据处理领域，具体涉及一种基于聚类和显著性的点云精简方法和系统，所述方法包括，将点云数据进行预处理；根据预处理后的点云数据，采用预设算法，分割为多个点云簇；根据多个点云簇，采用预设的显著性计算方法进行计算，得到每个点的显著性；根据显著性将每个点云簇划分为主特征区域、次特征区域和非特征区域；根据划分的主特征区域、次特征区域和非特征区域分别进行分层次精简。本发明对点云数据进行预处理，在保留点云的完整性，减少了大量的冗余点，加快了后续精简的速度，根据显著性对点云簇进行区域划分，对不同的区域使用不同大小的体素进行采样，有效的避免了点云空洞，同时保证了简化后的点云在局部区域的均匀性。的均匀性。的均匀性。


技术研发人员：李健 彭晨阳 崔昊 胡庆武 毛庆洲 全志雯 庞留记 陶亦文
受保护的技术使用者：武汉大学
技术研发日：2023.06.21
技术公布日：2023/9/20