CN102629367A - 基于KDTree的点云数据双边滤波去噪的方法 - Google Patents

基于KDTree的点云数据双边滤波去噪的方法 Download PDF

Info

Publication number
CN102629367A
CN102629367A CN2012100137236A CN201210013723A CN102629367A CN 102629367 A CN102629367 A CN 102629367A CN 2012100137236 A CN2012100137236 A CN 2012100137236A CN 201210013723 A CN201210013723 A CN 201210013723A CN 102629367 A CN102629367 A CN 102629367A
Authority
CN
China
Prior art keywords
point
data
filtering
kdtree
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012100137236A
Other languages
English (en)
Other versions
CN102629367B (zh
Inventor
施贵刚
刘仁义
黄显怀
左光之
金乃玲
夏开旺
廖振修
周利利
左伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Architecture
Original Assignee
Anhui University of Architecture
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University of Architecture filed Critical Anhui University of Architecture
Priority to CN201210013723.6A priority Critical patent/CN102629367B/zh
Publication of CN102629367A publication Critical patent/CN102629367A/zh
Application granted granted Critical
Publication of CN102629367B publication Critical patent/CN102629367B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

本发明公开了一种利用地面激光扫描技术进行测量对象表面重建时基于KDTree的点云数据双边滤波去噪的方法,在双边滤波算法中,通过KDTree来建立散乱点云数据点的领域,有了数据点的领域点集,利用逆迭代法求领域点得法向量ni,再计算滤波函数参数及滤波高斯参数得到双边滤波权因子λ,最终得到滤波后的新数据点p'i=pi+λni。本发明的双边滤波方法用于滤除点云数据的噪声,方法简单有效,并且运算速度快,能够在保持特征的同时去除噪声,适用于处理小范围的噪声。

Description

基于KDTree的点云数据双边滤波去噪的方法
技术领域
本发明涉及到测绘科学与技术、逆向工程、古建数字保护领域,具体涉及利用地面激光扫描技术进行对象表面重建时,基于KDTree的点云数据双边滤波去噪的方法。 
背景技术
地面三维激光扫描技术是三维激光扫描技术的非常重要组成部分,在测绘领域有广泛的应用。TLS获取的原始点云数据是密集、离散分布的,又是海量数据的集合,同时存在大量噪声与冗余数据。针对TLS的海量点云数据的去噪,需要有一套行之有效的优化方法,才能达到精化、压缩与平滑点云数据的目的。 
对TLS采集的点云数据可以删除肉眼能识别的噪声点,但物体点云的表面仍然有“浮点”、“坏点”无法去除,需要进行滤波。其中研究比较成熟的方法如中值、均值、高斯及平均曲率流滤波对于海量点云数据的滤波来说,消耗的时间难以承受,效率低;拉普拉斯、维纳与卡尔曼滤波会使模型产生不同程度的收缩,导致模型变形;小波去噪、均值漂移算法效果好,但算法复杂,实现较难。相比较而言,本发明采用的双边滤波算法很好地保持了点云数据所表达的实体表面特征信息,方法简单有效,并且运算速度快。为了克服不能处理大范围噪声的局限,可先通过交互去噪处理大量的噪声,在此基础上,结合KDTree建立点与点拓扑关系,快速搜索最近邻域点,运用双边滤波法去噪,加速滤波速度和效果。 
发明内容
本发明所要解决的技术问题是提供一种将双边滤波方法用于三维点云数据的滤波,主要是处理点云数据中的噪声,即基于KDTree的点云数据双边滤波去噪的方法。 
本发明采用的技术方案是: 
利用地面激光扫描技术进行测量对象表面重建时基于KDTree的点云数据双边滤波去噪的方法,其特征在于,其具体步骤为: 
①在地面三维激光扫描技术中的三维点云数据的滤波中,定义 
p′=p+λn(1) 
上式中p′为数据点p滤波后的新数据点,λ为双边滤波权因子,n为数据点p的法向,双边滤波权因子λ定义如下 
&lambda; = &Sigma; k ij &Element; N ( p i ) H C ( | | p i - k ij | | ) H S ( < p i - k ij > ) ( n i , q i - k ij ) &Sigma; k ij &Element; N ( p i ) H C ( | | p i - k ij | | ) H S ( < p i - k ij > ) - - - ( 2 )
式中N(pi)是数据点pi的邻居点,光顺滤波是标准高斯滤波,表示为 
H C ( x ) = e - x 2 / 2 &sigma; C 2 - - - ( 3 )
特征保持权重函数类似于光顺滤波,可定义为 
H S ( y ) = e - y 2 / 2 &sigma; S 2 - - - ( 4 )
其中,参数σc是数据点pi到邻居点的距离对该点的影响因子;参数σs是数据点pi到邻近点的距离向量,在该点法向ni上的投影对数据点qi的影响因子; 
②散乱数据点的法矢量估计,可以利用数据点领域内的点集进行最小二乘平面拟合,以拟合平面的法矢量作为该点的法矢量;设P为散乱点云中的一个数据点,其领域点集记为k-N(P),即包含与P距离最近的k个数据点;令拟合平面的法矢量为N,构造目标函数D表示k-N(P)中的点Q到拟合平面的距离: 
min D = min &Sigma; i = 0 , Q i &Element; k - N ( P ) k - 1 ( | | Q i - P | | &CenterDot; N ) 2 - - - ( 5 )
式(5)的求解可转化求下面矩阵M的特征值问题: 
M = &Sigma; i = 0 k - 1 ( Q i - P ) ( Q i - P ) T - - - ( 6 )
利用数值方法可以得到矩阵M的最小特征值,最小特征值对应的特征向量单位化后就是拟合平面的法矢量N,即散乱数据点P的单位法矢量;它们分别表示数据点切平面方向和法向方向上的高斯滤波常量系数,反映了对任一数据点p实施双边滤波操作时的切向和法向影响范围;可以设置相邻两个数据点的N1·N2≈±1的条件,克服法矢量二义性的问题(即法矢量的指向可能不是曲面的同侧); 
③读取点云数据,通过KDTree找到每一个数据点pi的m个近邻点kij,j=0,…,m-1; 
④按散乱点法向估计的方法计算每个数据点pi的法向量ni; 
⑤计算每个邻近点kij的滤波函数参数x=||pi-kij||,表示点pi到邻近点 kij的距离;求特征保持权重函数的参数y=<ni,pi-kij>,表示点pi与邻近点的距离向量pi-kij与该点法向的内积; 
⑥按照式(3)和(4)求出滤波高斯函数HC(x )和HS(y); 
⑦计算双边滤波权因子λ,将HC(x )和HS(y)代入式(2)求解; 
⑧得到滤波后的新数据点p′i=pi+λni; 
⑨当所有的数据点都经过更新后,双边滤波结束,把得到的优质数据源提供给三维重建技术,用于测量对象表面的三维重建。 
所述基于KDTree的点云数据双边滤波去噪的方法,其特征在于,所述的KDTree为二叉树,每个节点对应一个长方体盒和一个分割平面,分割平面与一个坐标轴平行,分割平面将长方体盒分割成两个子长方体盒,构成KDTree的两个子节点;基于这样的结构,KDTree非常适合与存储空间中的位置和大小信息,将离散的点云数据存储到KDTree中,可以利用KDTree的这个性质,更好的组织点云的存储结构,达到建立点的拓扑关系,快速遍历领域点集的目的。 
所述基于KDTree的点云数据双边滤波去噪的方法,其特征在于,求得矩阵M的最小特征值的数值方法是逆迭代法。 
本发明的有益效果在于: 
本发明的双边滤波方法用于滤除点云数据的噪声,方法简单有效,并且运算速度快,能够在保持特征的同时去除噪声,适用于处理小范围的噪声。 
附图说明
图1为本发明的点云数据双边滤波去噪的流程图。 
图2为某历史古建筑单站扫描原始点云图。 
图3为交互方法去噪后剩下的噪声点的点云图。 
图4为按本发明的方法实现滤波去噪后的最终点云图。 
具体实施方式
如图1所示,利用地面激光扫描技术进行测量对象表面重建时基于KDTree的点云数据双边滤波去噪的方法,具体步骤为: 
①在地面三维激光扫描技术中的三维点云数据的滤波中,定义 
p′=p+λn(1) 
上式中p′为数据点p滤波后的新数据点,λ为双边滤波权因子,n为数据点p的法向,双边滤波权因子λ定义如下 
&lambda; = &Sigma; k ij &Element; N ( p i ) H C ( | | p i - k ij | | ) H S ( < p i - k ij > ) ( n i , q i - k ij ) &Sigma; k ij &Element; N ( p i ) H C ( | | p i - k ij | | ) H S ( < p i - k ij > ) - - - ( 2 )
式中N(pi)是数据点pi的邻居点,光顺滤波是标准高斯滤波,表示为 
H C ( x ) = e - x 2 / 2 &sigma; C 2 - - - ( 3 )
特征保持权重函数类似于光顺滤波,可定义为 
H S ( y ) = e - y 2 / 2 &sigma; S 2 - - - ( 4 )
其中,参数σc是数据点pi到邻居点的距离对该点的影响因子;参数σs是数据点pi到邻近点的距离向量,在该点法向ni上的投影对数据点qi的影响因子; 
②散乱数据点的法矢量估计,可以利用数据点领域内的点集进行最小二乘平面拟合,以拟合平面的法矢量作为该点的法矢量;设P为散乱点云中的一个数据点,其领域点集记为k-N(P),即包含与P距离最近的k个数据点;令拟合平面的法矢量为N,构造目标函数D表示k-N(P)中的点Q到拟合平面的距离: 
min D = min &Sigma; i = 0 , Q i &Element; k - N ( P ) k - 1 ( | | Q i - P | | &CenterDot; N ) 2 - - - ( 5 )
式(5)的求解可转化求下面矩阵M的特征值问题: 
M = &Sigma; i = 0 k - 1 ( Q i - P ) ( Q i - P ) T - - - ( 6 )
利用数值方法可以得到矩阵M的最小特征值,最小特征值对应的特征向量单位化后就是拟合平面的法矢量N,即散乱数据点P的单位法矢量;它们分别表示数据点切平面方向和法向方向上的高斯滤波常量系数,反映了对任一数据点p实施双边滤波操作时的切向和法向影响范围;可以设置相邻两个数据点的N1·N2≈±1的条件,克服法矢量二义性的问题(即法矢量的指向可能不是曲面的同侧); 
③读取点云数据,通过KDTree找到每一个数据点pi的m个近邻点kij,j=0,…,m-1; 
④按散乱点法向估计的方法计算每个数据点pi的法向量ni; 
⑤计算每个邻近点kij的滤波函数参数x=||pi-kij||,表示点pi到邻近点kij的距离;求特征保持权重函数的参数y=<ni,pi-kij>,表示点pi与邻近点的距离向量pi-kij与该点法向的内积; 
⑥按照式(3)和(4)求出滤波高斯函数HC(x)和HS(y); 
⑦计算双边滤波权因子λ,将HC(x)和HS(y)代入式(2)求解; 
⑧得到滤波后的新数据点p′i=pi+λni; 
⑨当所有的数据点都经过更新后,双边滤波结束,把得到的优质数据源提供给三维重建技术。 
所述的KDTree为二叉树,每个节点对应一个长方体盒和一个分割平面,分割平面与一个坐标轴平行,分割平面将长方体盒分割成两个子长方体盒,构成KDTree的两个子节点;基于这样的结构,KDTree非常适合与存储空间中的位置和大小信息,将离散的点云数据存储到KDTree中,可以利用KDTree的这个性质,更好的组织点云的存储结构,达到建立点的拓扑关系,快速遍历领域点集的目的。 
求得矩阵M的最小特征值的数值方法是逆迭代法。 

Claims (2)

1.利用地面激光扫描技术进行测量对象表面重建时基于KDTree的点云数据双边滤波去噪的方法,其特征在于,具体步骤为:
①在地面三维激光扫描技术中的三维点云数据的滤波中,定义
p′=p+λn(1)
上式中p′为数据点p滤波后的新数据点,λ为双边滤波权因子,n为数据点p的法向,双边滤波权因子λ定义如下
&lambda; = &Sigma; k ij &Element; N ( p i ) H C ( | | p i - k ij | | ) H S ( < p i - k ij > ) ( n i , q i - k ij ) &Sigma; k ij &Element; N ( p i ) H C ( | | p i - k ij | | ) H S ( < p i - k ij > ) - - - ( 2 )
式中N(pi)是数据点pi的邻居点,光顺滤波是标准高斯滤波,表示为
H C ( x ) = e - x 2 / 2 &sigma; C 2 - - - ( 3 )
特征保持权重函数类似于光顺滤波,可定义为
H S ( y ) = e - y 2 / 2 &sigma; S 2 - - - ( 4 )
其中,参数σc是数据点pi到邻居点的距离对该点的影响因子;参数σs是数据点pi到邻近点的距离向量,在该点法向ni上的投影对数据点qi的影响因子;
②散乱数据点的法矢量估计,可以利用数据点领域内的点集进行最小二乘平面拟合,以拟合平面的法矢量作为该点的法矢量;设P为散乱点云中的一个数据点,其领域点集记为k-N(P),即包含与P距离最近的k个数据点;令拟合平面的法矢量为N,构造目标函数D表示k-N(P)中的点Q到拟合平面的距离:
min D = min &Sigma; i = 0 , Q i &Element; k - N ( P ) k - 1 ( | | Q i - P | | &CenterDot; N ) 2 - - - ( 5 )
式(5)的求解可转化求下面矩阵M的特征值问题:
M = &Sigma; i = 0 k - 1 ( Q i - P ) ( Q i - P ) T - - - ( 6 )
利用数值方法可以得到矩阵M的最小特征值,最小特征值对应的特征向量单位化后就是拟合平面的法矢量N,即散乱数据点P的单位法矢量;
③读取点云数据,通过KDTree找到每一个数据点pi的m个近邻点kij,j=0,…,m-1;
④按散乱点法向估计的方法计算每个数据点pi的法向量ni
⑤计算每个邻近点kij的滤波函数参数x=||pi-kij||,表示点pi到邻近点kij的距离;求特征保持权重函数的参数y=<ni,pi-kij>,表示点pi与邻近点的距离向量pi-kij与该点法向的内积;
⑥按照式(3)和(4)求出滤波高斯函数HC(x )和HS(y);
⑦计算双边滤波权因子λ,将HC(x )和HS(y)代入式(2)求解;
⑧得到滤波后的新数据点p′i=pi+λni
⑨当所有的数据点都经过更新后,双边滤波结束,把得到的优质数据源提供给三维重建技术,用于测量对象表面的三维重建。
2.根据权利要求1所述基于KDTree的点云数据双边滤波去噪的方法,其特征在于,所述的KDTree为二叉树,每个节点对应一个长方体盒和一个分割平面,分割平面与一个坐标轴平行,分割平面将长方体盒分割成两个子长方体盒,构成KDTree的两个子节点。
根据权利要求1所述基于KDTree的点云数据双边滤波去噪的方法,其特征在于,求得矩阵M的最小特征值的数值方法是逆迭代法。
CN201210013723.6A 2012-01-17 2012-01-17 基于KDTree的点云数据双边滤波去噪的方法 Expired - Fee Related CN102629367B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210013723.6A CN102629367B (zh) 2012-01-17 2012-01-17 基于KDTree的点云数据双边滤波去噪的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210013723.6A CN102629367B (zh) 2012-01-17 2012-01-17 基于KDTree的点云数据双边滤波去噪的方法

Publications (2)

Publication Number Publication Date
CN102629367A true CN102629367A (zh) 2012-08-08
CN102629367B CN102629367B (zh) 2014-11-26

Family

ID=46587625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210013723.6A Expired - Fee Related CN102629367B (zh) 2012-01-17 2012-01-17 基于KDTree的点云数据双边滤波去噪的方法

Country Status (1)

Country Link
CN (1) CN102629367B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824270A (zh) * 2013-09-25 2014-05-28 浙江树人大学 一种快速的离散三维点云滤波方法
CN104050639A (zh) * 2014-06-16 2014-09-17 西安电子科技大学 一种基于双边滤波器的多视角密集点云数据融合方法
CN104251662A (zh) * 2013-06-27 2014-12-31 杭州中科天维科技有限公司 有序点云阈值自适应抑噪技术
CN106530238A (zh) * 2016-09-21 2017-03-22 燕山大学 一种散乱点云的保特征滤波方法
CN106918813A (zh) * 2017-03-08 2017-07-04 浙江大学 一种基于距离统计的三维声纳点云图像增强方法
CN107462897A (zh) * 2017-07-21 2017-12-12 西安电子科技大学 基于激光雷达的三维建图的方法
CN108022221A (zh) * 2017-12-06 2018-05-11 河北工业大学 一种各项异性扩散滤波的三维散乱点云平滑去噪方法
US20190043250A1 (en) * 2012-06-25 2019-02-07 Yoldas Askan Method of generating a smooth image from point cloud data
CN110246092A (zh) * 2019-05-02 2019-09-17 江西理工大学 一种顾及邻域点均值距离和斜率的三维激光点云去噪方法
CN110580705A (zh) * 2019-11-08 2019-12-17 江苏省测绘工程院 一种基于双域图信号滤波检测建筑物边缘点的方法
CN111507919A (zh) * 2020-04-16 2020-08-07 北京深测科技有限公司 一种三维点云数据的去噪处理方法
CN111754421A (zh) * 2020-06-01 2020-10-09 西安工业大学 改进的导向滤波三维散乱点云快速光顺方法
CN111860359A (zh) * 2020-07-23 2020-10-30 江苏食品药品职业技术学院 一种基于改进随机森林算法的点云分类方法
CN112396567A (zh) * 2020-11-26 2021-02-23 河北工业大学 基于法向修正与位置滤波两步法的散乱点云去噪方法
CN112907480A (zh) * 2021-03-11 2021-06-04 北京格灵深瞳信息技术股份有限公司 点云表面波纹去除方法、装置、终端及存储介质
CN113093217A (zh) * 2021-02-19 2021-07-09 中铁第一勘察设计院集团有限公司 多线激光扫描隧道三维重构方法
CN113658077A (zh) * 2021-08-19 2021-11-16 成都永峰科技有限公司 一种基于曲率的分区域双边海量点云降噪方法
CN117934324A (zh) * 2024-03-25 2024-04-26 广东电网有限责任公司中山供电局 激光点云数据的去噪方法、装置和雷达扫描装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
徐波等: "基于CUDA的点云去噪算法", 《计算机工程》 *
李元旺等: "空间超限邻域点云去噪算法的研究与实现", 《计算机系统应用》 *
杜小燕等: "点云模型的双边滤波去噪算法", 《计算机应用与软件》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190043250A1 (en) * 2012-06-25 2019-02-07 Yoldas Askan Method of generating a smooth image from point cloud data
CN104251662A (zh) * 2013-06-27 2014-12-31 杭州中科天维科技有限公司 有序点云阈值自适应抑噪技术
CN103824270A (zh) * 2013-09-25 2014-05-28 浙江树人大学 一种快速的离散三维点云滤波方法
CN104050639A (zh) * 2014-06-16 2014-09-17 西安电子科技大学 一种基于双边滤波器的多视角密集点云数据融合方法
CN104050639B (zh) * 2014-06-16 2017-01-11 西安电子科技大学 一种基于双边滤波器的多视角密集点云数据融合方法
CN106530238A (zh) * 2016-09-21 2017-03-22 燕山大学 一种散乱点云的保特征滤波方法
CN106918813A (zh) * 2017-03-08 2017-07-04 浙江大学 一种基于距离统计的三维声纳点云图像增强方法
US11093790B2 (en) 2017-03-08 2021-08-17 Zhejiang University Distance statistics based method for 3D sonar point cloud image enhancement
WO2018161662A1 (zh) * 2017-03-08 2018-09-13 浙江大学 一种基于距离统计的三维声纳点云图像增强方法
CN107462897A (zh) * 2017-07-21 2017-12-12 西安电子科技大学 基于激光雷达的三维建图的方法
CN108022221A (zh) * 2017-12-06 2018-05-11 河北工业大学 一种各项异性扩散滤波的三维散乱点云平滑去噪方法
CN110246092A (zh) * 2019-05-02 2019-09-17 江西理工大学 一种顾及邻域点均值距离和斜率的三维激光点云去噪方法
CN110246092B (zh) * 2019-05-02 2022-09-02 江西理工大学 一种顾及邻域点均值距离和斜率的三维激光点云去噪方法
CN110580705A (zh) * 2019-11-08 2019-12-17 江苏省测绘工程院 一种基于双域图信号滤波检测建筑物边缘点的方法
CN111507919B (zh) * 2020-04-16 2023-07-14 北京深测科技有限公司 一种三维点云数据的去噪处理方法
CN111507919A (zh) * 2020-04-16 2020-08-07 北京深测科技有限公司 一种三维点云数据的去噪处理方法
CN111754421A (zh) * 2020-06-01 2020-10-09 西安工业大学 改进的导向滤波三维散乱点云快速光顺方法
CN111754421B (zh) * 2020-06-01 2023-08-18 西安工业大学 改进的导向滤波三维散乱点云快速光顺方法
CN111860359A (zh) * 2020-07-23 2020-10-30 江苏食品药品职业技术学院 一种基于改进随机森林算法的点云分类方法
CN112396567A (zh) * 2020-11-26 2021-02-23 河北工业大学 基于法向修正与位置滤波两步法的散乱点云去噪方法
CN112396567B (zh) * 2020-11-26 2023-06-06 河北工业大学 基于法向修正与位置滤波两步法的散乱点云去噪方法
CN113093217A (zh) * 2021-02-19 2021-07-09 中铁第一勘察设计院集团有限公司 多线激光扫描隧道三维重构方法
CN112907480A (zh) * 2021-03-11 2021-06-04 北京格灵深瞳信息技术股份有限公司 点云表面波纹去除方法、装置、终端及存储介质
CN113658077A (zh) * 2021-08-19 2021-11-16 成都永峰科技有限公司 一种基于曲率的分区域双边海量点云降噪方法
CN117934324A (zh) * 2024-03-25 2024-04-26 广东电网有限责任公司中山供电局 激光点云数据的去噪方法、装置和雷达扫描装置

Also Published As

Publication number Publication date
CN102629367B (zh) 2014-11-26

Similar Documents

Publication Publication Date Title
CN102629367A (zh) 基于KDTree的点云数据双边滤波去噪的方法
Liu et al. Masc: Multi-scale affinity with sparse convolution for 3d instance segmentation
CN104616349B (zh) 基于局部曲面变化因子的散乱点云数据精简处理方法
CN107392875A (zh) 一种基于k近邻域划分的点云数据去噪方法
CN106780458B (zh) 一种点云骨架提取方法及装置
CN102881047B (zh) 一种自动的非封闭隐式曲面重建方法
CN103729872A (zh) 一种基于分段重采样和表面三角化的点云增强方法
CN103106632A (zh) 一种基于均值漂移的不同精度三维点云数据的融合方法
CN102129716A (zh) 一种用于水火弯板曲面拟合的方法
Sarkar et al. Structured low-rank matrix factorization for point-cloud denoising
CN107886569A (zh) 一种基于离散李导数的测度可控的曲面参数化方法及系统
CN103824323B (zh) 一种基于单幅二维图像的三维重建方法
CN109146817A (zh) 一种非迭代单一物体散乱点云数据的噪声处理方法
CN108986218A (zh) 一种基于pmvs的建筑物密集点云快速重建方法
CN103236043A (zh) 一种植物器官点云修复方法
CN105631939B (zh) 一种基于曲率滤波的三维点云畸变校正方法及其系统
Sun et al. Feasibility study on the estimation of the living vegetation volume of individual street trees using terrestrial laser scanning
CN109767492A (zh) 一种变电站三维模型的间距计算方法
CN114419278A (zh) 室内三维彩色网格模型生成方法及系统
CN115656982B (zh) 水面杂波去除方法、装置、计算机设备和存储介质
Xie et al. Geometric modeling of Rosa roxburghii fruit based on three-dimensional point cloud reconstruction
Yan et al. Research on scattered points cloud denoising algorithm
Wei et al. A Point Clouds Fast Thinning Algorithm Based on Sample Point Spatial Neighborhood.
Wang et al. A novel lidar data classification algorithm combined densenet with STN
Wang et al. Study on edge detection of LIDAR point cloud

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20141126

Termination date: 20160117

EXPY Termination of patent right or utility model