استفاده از همسايگي همگن در محاسبه بردار نرمال ابرهاي نقاط

Using homogeneous neighborhood in point clouds normal vector calculation

ارايه مدل‌هاي سه بعدي بر پايه نقاط به‌دليل سادگي آن مورد توجه قرار گرفته است. پايه بسياري از تحليل‌هاي صورت پذيرفته در ابر نقاط، مشخص كردن همسايگي‌هاي هر نقطه در ابر نقاط است. در اين مقاله براي تعيين همسايگي‌هاي يك نقطه در ابر نقاط از روشي جديد با نام همسايگي همگن استفاده شده است. در اين روش براي تعيين همسايگي، اقدام به بهبود روش نزديك‌ترين k همسايگي شد تا علاوه‌بر نزديك بودن همسايگي‌ها، توزيع آن‌ها در اطراف نقطه مورد بررسي نيز لحاظ شود. در اين پژوهش تاثير انتخاب همسايگي‌ها بر تخمين بردار نرمال سطح مورد بررسي قرار گرفته وبردار نرمال سطح با استفاده از همسايگي همگن محاسبه شده است. براي ارزيابي كارآيي روش پيشنهادي، بردار نرمال سطح با استفاده از همسايگي‌هاي به‌دست آمده از روش نزديك‌ترين k همسايگي نيز محاسبه و با بردار نرمال حاصل شده از روش همسايگي همگن مقايسه شد. نتايج حاصله نشان داد كه همسايگي همگن در تخمين بردار نرمال از دقت بهتري برخوردار است. همچنين براي ارزيابي كاركرد، همسايگي همگندر هم‌مرجع‌سازي ابرهاي نقاط مورد استفاده قرارگرفت كه نتايج به‌دست آمده نشان داد استفاده از آن مي‌تواند سبب كاهش خطا در هم‌مرجع‌سازي ابرهاي نقاط شود.

Point based 3D modeling has recently received greater attention, mainly due to its simplicity. One of the most fundamentaloperations for point set processing is to find the neighbors of each point in point clouds. This paper presents a new method called homogeneous neighborhood for determining neighbors in point clouds. This method of choosing neighbors, in addition to the distance takes into consideration the directional balance by improving the k nearest neighbors. The directional balance describes whether the neighbors are well spread around the point of concern. In this study effects of selecting neighbors on normal vector estimation are investigated. Normal vector is calculated using homogeneous neighborhood. For evaluation of the proposed method in determining neighbors, normal vector are calculated using the k nearest neighbors. The results show that the homogeneous neighborhood method is more accurate in normal vector estimation than the k nearest method. For evaluation of the homogeneous neighborhood method, it was employed in point cloud registration application. The results of registration by using the homogeneous neighborhood show that this method of neighbor selection yields reduced registration errors.