✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知。
更多Matlab仿真内容点击👇
⛄ 内容介绍
根据建筑物在高度方向截面上的点云数据必定位于其轮廓线的原理,提出基于聚类平面特征的点云数据精简算法.该算法无需对扫描对象进行表面重构,而是在保持建筑物高度方向数据精度的前提下,对点云数据分层聚类简化,保留满足条件的特征点,删除其余的点.通过实例证明该算法可以在保持建筑物外形特征的同时,达到较高的精简比率.
⛄ 部分代码
clc
clear
close all
tic
% mydir=uigetdir('d:','选择一个目录');
mydir='.\bunny';
DIRS=dir(fullfile(mydir,'*.ply'));
name={DIRS.name}';
p=7;
[~,P] = ply_read(fullfile(mydir,DIRS(p).name),'tri');
figure,plot3(P(1,:),P(2,:),P(3,:),'.');
axis equal
% figure;
% x=P(1,:);
% y=P(2,:);
% z=P(3,:);
% c=z+1;
% scatter3(x,y,z,0.1,c,'filled');
% colorbar
title('原始点云');
[~,n]=size(P);
k=500;
[idx0,~]=knnsearch(P',P','k',k+1);
idx0=idx0';
[nor,cur] = norcur(P, 8);
sign=zeros(1,n);
cidx=zeros(1,n);
for i=1:n
if ~sign(i)
sign(1,idx0(2:end,i))=1;
cidx(i)=1;
end
end
cent=P(:,cidx>0);%聚类中心
figure,plot3(cent(1,:),cent(2,:),cent(3,:),'.');
axis equal
% figure;
% x=P(1,:);
% y=P(2,:);
% z=P(3,:);
% c=z+1;
% scatter3(x,y,z,0.01,c,'filled');
% colorbar
title('聚类中心种子');
[idx,C]=kmeans(P',[],'start',cent');
figure,plot3(C(:,1),C(:,2),C(:,3),'.');
% figure;
% x=C(:,1);
% y=C(:,2);
% z=C(:,3);
% c=z+1;
% scatter3(x,y,z,3,c,'filled');
% colorbar
% view(2)
axis equal
title('Kmeans聚类中心');
jingjian=zeros(3,n);
pointer=0;
% jingjian=[];
%对每一个聚类簇，建立高斯球，在其中进行自适应漂移聚类
for i=1:size(C,1)
p=P(:,idx==i);
nor_i=nor(:,idx==i);
bandwidth=pi./30;
[data2cluster,numClust] = mymeanshift1(nor_i,bandwidth);
for j=1:numClust
clust=p(:,data2cluster==j);
pointer=pointer+1;
jingjian(:,pointer)=mean(clust,2);
end
end
jingjian(:,pointer+1:end)=[];
figure,plot3(jingjian(1,:),jingjian(2,:),jingjian(3,:),'.');
axis equal
title('精简后的点云')
toc
⛄ 运行结果
⛄ 参考文献
[1] 王茹, 周明全, 邢毓华. 基于聚类平面特征的三维点云数据精简算法[J]. 计算机工程, 2011, 37(10):4.
[2] 曹晓叶, 王知衍, 梁英宏,等. 基于均值漂移聚类的点模型简化方法[J]. 计算机应用, 2008, 28(4):3.
[3] 王甲福, 秦昊. 基于八叉树的均值聚类点云精简方法[J]. 自动化应用, 2019(4):3.
