虛擬現實環境下散亂點云圖像智能化拼接處理

中圖分類號：G642 文獻標志碼：A

0 引言

在虛擬現實應用中，三維場景構建依賴多視角散亂點云圖像高精度拼接，如工業產品虛擬裝配需毫米級精度，古建筑數字化保護要保留完整細節。但激光雷達和深度相機等設備獲取到的原始點云圖像存在分布散亂、空間錯位等問題，導致拼接后幾何畸變、細節丟失[1]。因此，研究虛擬現實背景下散亂點云圖像智能化拼接處理方法具有重要的現實意義。針對圖像拼接處理，研究者提出了一些方法。其中，陶磊等[2提出利用相位相關法獲取待拼接圖像的重疊區域，進一步利用Harris角點響應函數結合預設閾值劃分出圖像的強紋理區與弱紋理區，在強紋理區通過SIFT算法進行特征匹配，從而實現圖像拼接。李朝清等[3提出首先對圖像局部拼接進行降采樣處理，進一步采用LoFTR算法對圖像進行粗細粒度匹配，同時結合聚類算法優化匹配對，對優化后的匹配對使用單應性矩陣變換以及加權融合，從而完成圖像無縫拼接。然而，這些方法在處理虛擬現實環境下的三維散亂點云數據時，無法準確捕捉點云局部幾何特征，從而導致拼接精度不足。

基于上述背景，文章研究虛擬現實中散亂點云圖像智能拼接處理，用主成分分析法與曲率加權迭代最近點算法實現粗、精配準，再經高斯渲染優化，有效解決幾何特征捕捉難與拼接精度不足問題。

1虛擬現實環境下散亂點云圖像智能化拼接處理方法設計

1.1捕捉散亂點云圖像點云特征

在虛擬現實場景中，原始點云數據包含噪聲等冗余信息，在特征捕捉前進行預處理。首先采用雙邊濾波法進行去噪，以目標點 p_o 為中心，構建半徑為 r_s 的球形鄰域，計算鄰域內點 p_j 與目標點 p_o 的歐氏距離權重并基于點云的反射強度信息，構建強度差異權重[4]。利用上述2種權重通過加權平均更新目標點的坐標，從而在抑制噪聲點的同時保留了點云圖像邊緣特征。為了降低點云數據的規模，同時維持幾何結構完整性，本方法進行下采樣。將點云包圍盒劃分為邊長為 σ_v 的立方體體素，每個體素內點集記為 v_k 。對于非空體素，計算其質心作為代表點，從而保留體素內強度均值和點云密度等特征信息。為了獲取點云的局部幾何信息，本方法采用基于 K 近鄰的法線估計方法。對于點云中的每一個點 p_i ，在其鄰域內搜索距離最近的 k 個點，構成點 p_i 的 K 近鄰集合 N_κ（p_i） 。基于此，計算其加權協方差矩陣，其鄰域內任意點 p_j 的權重計算公式如下：

式中， w_j 為點 p_j 在鄰域半徑 r 內搜索到的點云數，即為該點的權重。下一步，基于點云的局部幾何特征捕捉散亂點云圖像的點云特征，通過曲率張量計算每個點的曲率以及曲率在不同方向上的變化。考慮曲率變化率與法線方向之間的關系，利用ISS評分衡量點云的幾何特征顯著程度。給定一個點，計算搜索半徑內的所有點的加權協方差矩陣 c_iss ，該矩陣描述了2個隨機變量之間的關系。接下來對 c_?iss 進行特征值分解，該矩陣的特征值越大則表示數據在對應的特征向量方向上的變異程度越大，反之則數據在相應方向上的變化較小[5]。如果分解出的特征值滿足以下關系，則該點為一個特征點。

式中， τ₁ 和 τ₂ 分別表示設定的閾值。通過上述步驟，完成散亂點云圖像點云特征的捕捉。

1.2利用粗配準進行點云全局對齊

完成散亂圖像點云特征捕捉后，本方法采用主成分分析法進行點云粗配準，從而使不同視角下獲取的散亂點云圖像在空間位置上大致對齊。首先對于待配準的2片點云 P 和 Q ，分別計算其質心，計算公式如下：

式中， ∣P∣ 和 1Q1 分別為點云 P 和 Q 中點的數量； P_i 和 Q_i 分別為點云 P 和 Q 中的點。為了得到中心化后的點云數據 P^′ 和 Q^′ ，將2片點云中的每個點分別減去其對應的質心。下一步，分別計算中心化后的2片點云的協方差矩陣 C_P 和 C_Q ，并對上述矩陣進行特征值分析，得到了點云 P 和 Q 的3個主成分方向[6]

通過上述步驟，完成散亂點云圖像在空間位置上的全局粗略拼接對齊。

1.3通過精配準進行局部優化

完成散亂點云圖像的全局對齊后，為了提高圖像拼接精度，本方法通過精配準進行局部優化。首先將經過粗配準后的點云作為目標點云，而原始參考點云Q 保持不變。設定初始的旋轉矩陣 R₀ 為單位矩陣，平移向量 t₀ 為零向量。基于KD-tree數據結構，對于目標點云中的每一個點 p_i^k ，在參考點云 Q 中搜索其最近的對應點 p_j^q ，構成最近鄰點對 （p_i^k，p_j^q） 。下一步，計算對應點對的法線夾角，為了保證匹配點對位于相似幾何表面，提升拼接可靠性，僅保留法線夾角小于閾值 θ_th 的點對。接下來，引入點云曲率信息構建加權誤差函數，對于不同曲率區域的點對賦予差異化權重，從而避免平坦區域主導優化過程[7]。基于上述步驟中獲得的法線估計結果，通過局部鄰域二次曲面擬合計算出高斯曲率和平均曲率，然后定義曲率權重 w_i ，對于曲率較大的邊緣和角點賦予更高的權重，計算公式如下[8]：

式中，為 C^′ 表示有效對應點對集合。

1.4進行實時渲染優化增強拼接效果

在虛擬現實環境下，為了實現更為流暢逼真的視覺體驗，本方法對拼接后的點云圖像進行實時渲染優化，從而進一步增強拼接效果。利用高斯渲染優化，將精配準后的點云轉換為帶有概率密度的高斯渲染基本單元，每個點表示為三維高斯分布，利用光學渲染模型進行優化，表達式如下：

式中， I（x） 為渲染后的像素值； 為三維高斯核函數，其描述了點云在空間中的概率分布 σ_;μi 和 Σ 分別表示點 i 的均值和協方差矩陣； w_i 表示權重，用于確定邊緣和角點等特征區域的渲染優先級。通過高斯渲染將離散點云轉化為連續概率密度場，使拼接過渡更加自然[9]。為了提升渲染的自適應性和圖像細節保持能力，設計基于 K 近鄰的帶寬調節函數，計算公式如下：

式中， n_i 為點 p_i 的 K 近鄰點數； σ 為尺度因子，根據點云平均間距動態調整； Π_I 為單位矩陣； s 為微小常數，用于避免除零。利用調節函數處理后，高密度區域帶寬減小以保留更多圖像細節，低密度區域帶寬增大填充孔洞，使拼接更平滑。結合法線估計結果，完成虛擬現實下散亂點云圖像智能拼接方法設計。

2 實驗分析

2.1實驗環境

為了驗證文章提出的虛擬現實環境下散亂點云圖像智能化拼接處理方法的實際性能，實驗搭建高性能計算集群環境。其中，硬件平臺由雙路IntelXeonPlatinum8380處理器和NVIDIAA100GPU構成。為了確保大規模點云數據的快速加載與并行計算能力，采用高速NVMeSSD存儲陣列。軟件方面，基于Ubuntu22.04LTS操作系統，使用 C++ 結合CUDA實現算法核心邏輯。

2.2實驗參數

文章提出的虛擬現實環境下散亂點云圖像智能化拼接處理方法涉及的參數將對各個處理階段的執行效率以及最終拼接結果的質量產生一定的影響，因此針對不同處理階段的特點和散亂點云數據的固有特性，對相關參數進行詳細設定，如表1所示。

在實驗環境中，基于上述實驗參數設置開展虛擬現實環境下散亂點云圖像智能化拼接處理方法的性能測試。

2.3拼接結果分析

實驗選取StanfordBunny數據集作為實驗模型，在該模型中選取了2片相鄰角度獲得的點云，使用文章所提方法對其進行拼接處理，具體拼接處理結果如圖1所示。

表1實驗參數設置

a D T（a）原始散亂點云 （b）散亂點云拼接配準 （c）拼接配準結果

圖（a）為原始的散亂點云圖像，其中的2片未配準點云存在明顯的空間錯位，圖（b）展示散亂點云圖像的拼接配準過程，2片點云之間的連線表示對應點對的匹配關系。圖（c）為應用文章拼接處理方法獲得的散亂點云圖像拼接結果，從整體視覺效果來看，拼接后的兔子模型完整且平滑，還原兔子模型的幾何形態。為了進一步量化評估拼接結果的精度，文章利用均方根誤差這一指標衡量拼接后2片點云對應點之間的平均距離誤差，該指標越小，表明拼接精度越高。經過計算，拼接結果的均方根誤差為 0.0042m ，說明本方法具有高精度的散亂點云圖像拼接處理性能。

2.4不同方法的拼接重疊度對比

為了進一步評估本方法的拼接能力，選取2種圖像拼接方法進行對比實驗。2種方法分別為方法A（基于相位相關和Harris紋理分類的圖像拼接方法）、方法B（基于改進LoFTR算法的圖像拼接方法）。對比實驗選取了包含工業零件、建筑場景以及人體掃描的綜合數據集進行測試，其中每類數據均包含不同視角的點云圖像。利用上述數據集，分別應用文章方法和2種對比方法進行圖像拼接處理，拼接完成后計算拼接后點云與真實重疊區域的重合比例，得到拼接重疊度。為了保證對比結果的可靠性，每組數據重復進行3次拼接實驗，取平均值作為最終結果。3種方法的拼接重疊度對比結果如表2所示。

表2不同方法的拼接重疊度結果

拼接重疊度高意味著拼接方法能精準識別散亂點云對應關系，實現精準圖像拼接。表2數據顯示，在3類數據集中，文章方法拼接重疊度均高于方法A和B。這得益于該方法先用主成分分析法使散亂點云全局對齊、減少初始誤差，再引入法線夾角篩選與曲率加權誤差函數精配準，提高可靠性。綜上所述，文章提出的虛擬現實環境下散亂點云圖像智能化拼接處理方法在不同場景下均能實現高精度的點云圖像拼接。

3結語

文章針對虛擬現實場景下散亂點云圖像拼接難題，提出一種智能化拼接處理方法，通過點云特征捕捉、粗配準與精配準以及渲染優化，解決現有方法三維幾何特征利用不足、拼接精度低的問題。實驗結果進一步驗證文章方法的拼接性能。未來研究將結合深度學習增強復雜場景下的特征匹配能力，為虛擬現實技術發展提供更堅實的技術支撐。

參考文獻

[1]楊琦，徐子卿.虛擬現實場景中散亂點云圖像拼接仿真[J].計算機仿真，2025（2）：366-370.

[2]陶磊，郝曉麗，王松濤，等.基于相位相關和Harris紋理分類的SIFT圖像拼接算法[J].計算技術與自動化，2025（1） ：12-18.

[3]李朝清，譚興強，李吉，等.基于改進LoFTR算法的草畜平衡監測圖像拼接方法[J].農業與技術，2025（6） ：65-70.

[4]馬然.基于特征點提取和PCA的改進ICP點云配準方法[J].電子技術應用，2025（4）：110-114.

[5]鄭麒麟，羅印升，宋偉.基于組合特征點提取與匹配的點云配準研究[J].無線互聯科技，2025（6）：91-95，104.

[6]但遠宏，惠郁雯.局部特征的高精度點云配準算法研究［J].重慶理工大學學報（自然科學），2025（3）：110-117.

[7]單馨平，蘇建強，劉利強，等.基于雙約束特征提取的三維激光雷達點云ICP配準算法[J].應用激光，2025（1） ：143-152.

[8]周健，羅玉恒.基于SFM與高斯渲染優化的建筑物三維重建方法[J].科技創新與應用，2025（11）：152-155.

[9]季桉寧.虛擬仿真平臺中的智能算法優化與場景渲染技術分析[J].電子技術，2025（1）：398-400.

（編輯戴啟潤）

Intelligent mosaic processing of scattered point cloud images in virtual reality environment

YANG Zehui， YUE Yang （Guangzhou College of Technology and Business，Foshan 528oOo，China）

Abstract：Existing image stitching methods face the issue of insuficientutilization of three-dimensional geometric features when processing scattred point cloud images in virtual reality environments，leading tolow stitching accuracy andfailing to meet the high-precisionrequirementsof virtual realityscenes.Basedonthis background，an intelligent method for stitching scattered point cloud images in virtual reality environments is studied.Thismethod preproceses theoriginal point cloud imageusing bilateral filtering andvoxel downsampling，then capturespoint cloud features through normal estimation based on K -nearest neighbors and the ISS scoring mechanism. Principal component analysis is used toachieveglobalcoarseregistrationofthepointcloud.Next，ICPalgorithmcombinedwith normal angle selectionand curvature-weighted errorfunction isemployed for fineregistration，optimizing localstitching accuracy. Also，Gaussian rendering optimization and bandwidth adjustment functions based on K -nearest neighbors enhance the stitching efect.Experimental resultsshow that compared to2 contrasting methods，this method improves the stitching accuracy of scattered point clouds.

Key words：virtual reality；scattered point cloud image；intelligent splicing processing;local splicing optimization; real-time rendering optimization