Nos dados de registro de nuvens de pontos tridimensionais, os dados de nuvens de pontos digitalizadas a laser de cada visão apresentam partes sobrepostas entre si. Para abordar o problema da densidade desigual de nuvens de pontos, causada por diferentes áreas de sobreposição que afetam diretamente a precisão do registro multissítio, este artigo propõe um método de registro tridimensional de nuvens de pontos multissítio com densidade não uniforme baseado em subamostragem via clustering de variedades. Primeiro, a distância geodésica é usada como medida de similaridade para realizar o clustering dos dados de nuvens de pontos desequilibrados, simplificando os dados da nuvem; em seguida, utiliza-se o método de busca de vizinhança K para calcular o número de pontos no raio de cada ponto, dividindo a nuvem de pontos em zonas de densidade; depois, as zonas de maior densidade são agrupadas e realizam-se ajustes de superfície para cada cluster, calculando a curvatura de todos os pontos na superfície; em seguida, os pontos com curvatura mais elevada são extraídos, equilibrando aproximadamente o número de pontos entre as áreas de alta e baixa densidade, obtendo assim dados de nuvem de pontos com densidade mais equilibrada. Por fim, a nuvem de pontos subamostrada via clustering de variedades é agrupada usando K-means, atualizando os centros de cluster e a matriz de transformação rígida para realizar o registro multissítio de nuvens de pontos com densidade não uniforme. Em comparação com os métodos de amostragem aleatória e uniforme, o método proposto apresenta menor distância de chanfro e preserva as informações das características locais da nuvem de pontos. Os experimentos com o conjunto de dados Bunny da Universidade de Stanford mostram que o método proposto melhora a eficiência do registro em mais de 60%, garantindo a precisão.

registro de nuvem de pontos; nuvem multissítio; clustering de variedades; simplificação de nuvem de pontos;k-means