【学习笔记】三维重建中Alpha shapes与Ball Pivoting方法区别

Alpha Shapes和Ball Pivoting是两种不同的点云重建方法。Alpha Shapes基于Delaunay三角化，通过alpha值控制重建细节，适合处理凸形结构但对噪声敏感。Ball Pivoting采用滚球原理进行流形重建，适用于稠密点云但依赖点云密度和法向量。两者都利用了Delaunay三角化的"空圆"特性，但实现方式不同：Alpha Shapes是全局筛选过程，Ball Pi

狮智先生

1233人浏览 · 2025-11-22 07:52:43

狮智先生 · 2025-11-22 07:52:43 发布

概述

Alpha shapes和Ball Pivoting方法都是经典的重建方法，但是原理不同。Alpha shapes基于计算几何的Delaunay三角化，通过alpha值控制细节程度，适合凸形结构，但对噪声敏感。而Ball Pivoting是一种基于滚球原理的流形重建方法，更适合稠密点云，能处理曲面，但依赖点云密度和法向量。

具体区分

特性	Alpha shapes	BPA
核心原理	基于计算几何，对点集的Delaunay三角化进行“修剪”	基于物理物理过程模拟，一个球在点云上“滚动”
关键参数	alpha值 $(\alpha)$ ，	球半径 $(\rho)$ ，固定半径的球，控制可跨越点间距
对点云密度的要求	相对不敏感，较大的 $(\alpha)$ 值可跨越稀疏区域	高度敏感，球半径必须大于局部点间距
优点	概念简单，能重建任意拓扑（包括非流形），对开放边界和系数区域处理较好	在稠密均匀点云上快速高效，易生成水密网格
缺点	对 $(\alpha)$ 值敏感，难以选择；曲率大区域易产生锯齿，结果可能非流形	对点云密度非常敏感；稀疏或密度不均区域易重建失败，形成孔洞

它们都利用了 “空圆” 这一Delaunay三角化的基本性质。但使用这个性质的方式完全不同：

Alpha Shapes (全局雕刻)：先生成完整的Delaunay三角网，然后根据一个全局统一的尺度 α，像用剪刀剪一样，移除不合格的三角形。它是一个 “自上而下”的筛选过程。

Ball Pivoting (局部生长)：没有预先构建完整的三角网。它用一个固定半径的球作为“探针”，从局部开始，在点云表面滚动，增量地连接三个接触点来生成三角形。它是一个 “自下而上”的生长过程。

它们最根本的关联在于：当点云无限稠密且完全均匀时，对于某个特定的 α 值，Alpha Shapes 的理论结果会与使用相同半径的 Ball Pivoting 的结果非常相似。因为在这样的理想情况下，BPA的滚球路径恰好会勾勒出Alpha Shapes所定义的“空圆”边界。

探究：alpha shapes

理论基础：Delaunay三角剖分
这是Aplha shapes的基础。对于给定的点集 $S$ ，其Delaunay三角剖分满足“空圆特性”：即对于DT中的任何一个三角形，其外接圆内不包含 $S$ 中的任何其他点。
$\alpha$ 形状的定义
对于给定的点集 $S$ 和参数 $\leq \alpha \leq \infty)$ ，点集的 $\alpha$ 形状由Delaunay三角剖分中满足一下条件的所有边（在3D中还包括面）构成：
存在一个半径为 $\alpha$ 的空圆盘（不包含点集中的任何内点），使得该边（或面）位于圆盘的边界上。
这个定义的直观理解是：
在点集 $S$ 的“背景”上滚动一个半径为 $\alpha$ 的圆盘，当圆盘在点之间“卡住”时，这些点之间就形成了一条 $\alpha$ -形状的边。
从定义到算法
从算法角度看， $\alpha$ -形状是Delaunay三角剖分的子复型。
Alpha（ $\alpha$ ）参数是一个“尺度”或“筛选器”。作用是，从唯一的、庞大的Delaunay三角网中，筛选出当前我们关心的特征尺度相关的部分。
Delaunay三角剖分算法：

图片引用自：链接:Delaunay三角剖分学习笔记

常用的为Bowyer_Watson算法。

探究 Ball Pivoting

一、核心思想

基本假设：想象一个半径为 $\rho$ 的“球”。如果这个球能同时接触三个点而不包含其他任何点，那么这三个点很可能来自同一个局部曲面，因此可以用一个三角形来连接它们。

关键定理：在采样密度足够高的理想条件下，BPA算法重建出的三角形网格式点集Delaunay三角化的一个子集，并且同胚于原始曲面。

滚球法核心思想为：滚球法的核心是模拟一个半径为ρ的球体在点云表面“滚动”的物理过程。算法从一组密集且分布均匀（不均匀无法确定合适的ρ）的点云出发，首先找到一个初始的“种子”三角形，使得该球能同时接触三个点且球内为空；然后以已生成网格的边界边为轴，让球沿其旋转滚动，寻找下一个接触点来形成新的三角形，通过这种局部生长的机制逐步扩展，最终重建出完整的曲面模型。该方法高度依赖于点云的密度和法线的一致性（此处法线用于告诉球应该沿着轴往哪个方向滚动），在理想条件下能高效生成水密的流形网格。图2表示二维滚球法获取边界。

小结

Alpha Shapes 过程概括为：首先为输入点云构建一个唯一且完整的 Delaunay 三角网作为基础[每个点集的Delaunay固定的]，然后利用预设的 alpha 半径参数作为筛选尺度，遍历并剔除所有外接圆半径大于 alpha 的三角形，最终剩下的三角形集合即构成了能反映点云宏观形状的 alpha shape。

需要注意两个关键问题：其一，alpha 参数的选择至关重要且异常敏感，过小的值会导致形状支离破碎（如图1-第2行第2子图），过大的值则会过度平滑细节，使其退化为凸包（如图1-第1行第1子图），实践中往往需要通过多次试探才能确定合适值；其二，该方法对点云质量依赖度高，若点云密度不均或噪声较多，Delaunay 三角网中会产生大量畸形三角形，导致最终生成的 Alpha Shape 包含许多错误的连接和空洞，严重影响其保真度。

当点集无限稠密（现实中不可能实现，均是有限稠密）、分布完全均匀（现实中也不可能完全均匀）、且无噪声，同时滚球法的球半径 ρ 与 Alpha Shapes 的 alpha 半径 α 相等，并且滚球法采用了正确的法线方向时，滚球法可被视为 Alpha Shapes 的一种高效、增量式的实现。它无需构建全局 Delaunay 三角化，而是通过局部模拟物理过程，复现全局几何筛选的结果。