En el registro de nubes de puntos tridimensionales, los datos de nubes de puntos escaneados con láser de cada vista presentan partes superpuestas entre sí. Para abordar el problema de la densidad desigual de las nubes de puntos provocado por diferentes áreas de superposición que afecta directamente la precisión del registro multisitio, este artículo propone un método de registro de nubes de puntos tridimensionales multisitio con densidad no uniforme basado en un submuestreo mediante agrupación de variedades. Primero, se utiliza la distancia geodésica como medida de similitud para realizar la agrupación de datos desbalanceados y simplificar los datos de la nube de puntos; luego, se emplea el método de búsqueda de vecindario K para calcular el número de puntos dentro del radio de cada punto, dividiendo la nube de puntos en zonas de densidad; luego se agrupan las zonas de alta densidad y se ajusta la superficie de cada agrupación calculando la curvatura de todos los puntos en la superficie; después se extraen los puntos con mayor curvatura para equilibrar aproximadamente el número de puntos entre las zonas de alta y baja densidad, obteniendo datos de nube de puntos con una densidad más equilibrada. Finalmente, la nube de puntos submuestreada mediante agrupación de variedades se agrupa usando K-medias y se actualizan los centros de los grupos y la matriz de transformación rígida, logrando el registro multisitio de nubes de puntos con densidad no uniforme. En comparación con los métodos de muestreo aleatorio y uniforme, el método propuesto presenta una distancia de chaflán menor y conserva la información de características locales de la nube de puntos. Los experimentos con el conjunto de datos Bunny de Stanford muestran que el método propuesto mejora la eficiencia del registro en más del 60% mientras garantiza la precisión.

registro de nubes de puntos; nubes multisitio; clustering de variedades; simplificación de nubes de puntos;k-medias