CN106683105A - 图像分割方法及图像分割装置 - Google Patents

图像分割方法及图像分割装置 Download PDF

Info

Publication number
CN106683105A
CN106683105A CN201611099438.5A CN201611099438A CN106683105A CN 106683105 A CN106683105 A CN 106683105A CN 201611099438 A CN201611099438 A CN 201611099438A CN 106683105 A CN106683105 A CN 106683105A
Authority
CN
China
Prior art keywords
point
image
cloud
segmentation
subpoint
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
CN201611099438.5A
Other languages
English (en)
Other versions
CN106683105B (zh
Inventor
邱纯鑫
刘乐天
王斌
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.)
Suteng Innovation Technology Co Ltd
Original Assignee
Suteng Innovation Technology Co Ltd
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 Suteng Innovation Technology Co Ltd filed Critical Suteng Innovation Technology Co Ltd
Priority to CN201611099438.5A priority Critical patent/CN106683105B/zh
Publication of CN106683105A publication Critical patent/CN106683105A/zh
Application granted granted Critical
Publication of CN106683105B publication Critical patent/CN106683105B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明的实施例中公开了一种图像分割方法和图像分割装置，所述方法包括：使图像采集装置对目标区域进行图像的数据采集；使激光扫描装置对所述目标区域进行点云的数据采集；对所述点云进行分类；将所述点云映射为图像采集装置成像平面上的投影点；获取每个类别点云对应的投影点的在成像平面上的分割轮廓；根据所述分割轮廓，对所述图像进行分割。本发明能提高图像分割的准确性。

Description

图像分割方法及图像分割装置
技术领域
本发明涉及图像处理领域，特别涉及一种图像分割方法及图像分割装置。
背景技术
图像分割就是把图像分成若干个特定的、具有独特性质的区域的技术和过程，是由图像处理到图像分析的关键步骤。
现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。以上的图像分割技术大多依赖于图像中纹理以及颜色，在光照条件较差或者缺乏纹理、颜色的场景下，图像分割的稳定性和准确性大大下降，直接决定着后续算法的稳定性和准确性。
可见，现有技术中的图像分割方法准确性较差，无法满足需求。
发明内容
本发明实施例中提供了一种图像分割方法及图像分割装置装置，能提高图像分割的准确性。
为了解决上述技术问题，本发明实施例公开了如下技术方案：
一方面，提供了一种图像分割方法，所述方法包括：
使图像采集装置对目标区域进行图像的数据采集；
使激光扫描装置对所述目标区域进行点云的数据采集；
对所述点云进行分类；
将所述点云映射为图像采集装置成像平面上的投影点；
获取每个类别点云对应的投影点的在成像平面上的分割轮廓；
根据所述分割轮廓，对所述图像进行分割。
可选的，所述图像采集装置和激光扫描装置在同一采样时刻对所述目标区域采样。
可选的，所述将点云映射为图像采集装置成像平面上的投影点，包括：
将所述点云的坐标变换为所述图像采集装置的成像平面坐标系下投影点的坐标。
可选的，所述获取每个类别的点云对应的投影点在成像平面上的分割轮廓，包括：
获取所述类别的点云对应的投影点在成像平面上的投影轮廓C；
在所述投影轮廓C上进行采样，得到点序列Q，以Q中的qi为初始控制点构造初始轮廓，构建主动轮廓模型，在所述主动轮廓模型的能量评价函数中增加点云分割轮廓的能量，所述主动轮廓模型的能量评价函数E＝E内+E外+E轮廓，其中，E内表示图像曲率能量，E外为图像梯度能量，E轮廓为点云轮廓能量，E轮廓＝∑di，对于当前迭代步骤，初始控制点qi移动至q′i，则di为qi与q′i之间的欧式距离；
当所述能量评价函数E收敛至最小值时，认为当前轮廓为对应图像的分割轮廓。
可选的，所述获取每个类别的点云对应的投影点在成像平面上的分割轮廓，包括：
获取所述点云分类后类别的个数作为K；
对于每一个类别点云对应的投影点在成像平面上的几何中心点作为Gi；
以K值和Gi作为k-means算法的初始值，采用k-means算法对图像进行聚类，得到图像分割结果。
可选的，将所述投影点作为种子点，以预设生长准则对所述种子点进行生长；
不同种子点的生长区域发生冲突，若发生冲突的种子点为同一类别，则将所述发生冲突的种子点对应的生长区域融合，若发生冲突的种子点为不同类别，则将所述发生冲突的种子点对应的生长区域进行边界入侵；
根据所述生长区域，获得所述分割轮廓。
可选的，所述预设生长准则为根据梯度大小生长。
可选的，所述边界入侵为：
第一种子点的第一生长区域与第二种子点的第二生长区域在冲突点发生边界冲突时，
若所述冲突点在第一生长区域的梯度小于所述冲突点在第二生长区域的梯度，则所述冲突点属于所述第一生长区域，
若所述冲突点在第一生长区域的梯度大于等于所述冲突点在第二生长区域的梯度，则所述冲突点属于所述第二生长区域。
第二方面，提供了一种图像分割装置，所述装置包括：
处理单元，用于使图像采集装置对目标区域进行图像的数据采集；
所述处理单元还用于使激光扫描装置对所述目标区域进行点云的数据采集；
分类单元，用于对所述点云进行分类；
映射单元，用于将所述点云映射为图像采集装置成像平面上的投影点；
分割轮廓获取单元，用于获取每个类别点云对应的投影点的在成像平面上的分割轮廓；
分割单元，用于根据所述分割轮廓，对所述图像进行分割。
可选的，所述分割轮廓处理单元还用于：
获取所述类别的点云对应的投影点在成像平面上的投影轮廓C；
在所述投影轮廓C上进行采样，得到点序列Q，以Q中的qi为初始控制点构造初始轮廓，构建主动轮廓模型，在所述主动轮廓模型的能量评价函数中增加点云分割轮廓的能量，所述主动轮廓模型的能量评价函数E＝E内+E外+E轮廓，其中，E内表示图像曲率能量，E外为图像梯度能量，E轮廓为点云轮廓能量，E轮廓＝∑di，对于当前迭代步骤，初始控制点qi移动至q′i，则di为qi与q′i之间的欧式距离；
当所述能量评价函数E收敛至最小值时，认为当前轮廓为对应图像的分割轮廓。
本发明的实施例中公开了一种图像分割方法，先使图像采集装置和激光扫描装置对所述目标区域进行点云的数据采集，对所述点云进行分类；将所述点云映射为图像采集装置成像平面上的投影点；获取每个类别点云对应的投影点的在成像平面上的分割轮廓；根据所述分割轮廓，对所述图像进行分割。激光扫描装置采集的点云数据通常为三维数据，比二维图像数据包含更多的特征，因此用点云数据作为辅助手段来实现对图像的分割，提高了图像分割的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1所示为本发明实施例的图像分割方法的流程图；
图2是本发明实施例的分类后点云在成像平面上的投影点的分布示意图；
图3所示为本发明实施例的图像采集装置采集到的图像的示意图；
图4所示为本发明实施例的采用点云数据辅助对图像进行分割的示意图；
图5所示为本发明实施例的图像分割完成后的示意图；
图6所示为本发明实施例的图像分割装置的示意图。
具体实施方式
本发明如下实施例提供了一种图像分割方法和图像分割装置，能提高图像分割的准确度。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1所示为本发明实施例的图像分割方法的流程图，如图1所示，所述方法包括：
步骤101，使图像采集装置对目标区域进行图像的数据采集。
步骤102，使激光扫描装置对所述目标区域进行点云的数据采集。
图像采集装置和激光扫描装置可以是现有技术中的任何设备和装置，在此不再赘述。
本发明实施例中，步骤101中图像采集装置采样和步骤102中激光扫描装置的在同一时刻对同一目标区域进行采样。因此步骤101和步骤102可以是同时进行的，并无时间上的先后次序。
步骤103，对所述点云进行分类。
本发明中，对点云进行分类可以采用现有技术中的分类方法，在此不再赘述。
步骤104，将所述点云映射为图像采集装置成像平面上的投影点。
步骤104中，所述将所述点云映射为图像采集装置成像平面上的投影点，包括：
将所述点云的坐标变换为所述图像采集装置的成像平面坐标系下投影点的坐标。
坐标变换可以采用现有技术中的坐标变换方法，在此不再赘述。
步骤105，获取每个类别点云对应的投影点的在成像平面上的分割轮廓。
在步骤105中，可以先获取一个类别点云对应的投影点在成像平面上的分割轮廓，然后重复此步骤，直到获取完每一个类别点云的对应的投影点在成像平面上的分割轮廓。
对于每个类别的点云，获取所述类别的点云对应的投影点在成像平面上的投影轮廓C；
在所述投影轮廓C上进行采样，得到点序列Q，以Q中的qi为初始控制点构造初始轮廓，构建主动轮廓模型，在所述主动轮廓模型的能量评价函数中增加点云分割轮廓的能量，所述主动轮廓模型的能量评价函数E＝E内+E外+E轮廓，其中，E内表示图像曲率能量，E外为图像梯度能量，E轮廓为点云轮廓能量，E轮廓＝∑di，对于当前迭代步骤，初始控制点qi移动至q′i，则di为qi与q′i之间的欧式距离；
当所述能量评价函数E收敛至最小值时，认为当前轮廓为对应图像的分割轮廓。
本发明实施例中，每个类别的点云对应的投影点可以是S，对S内的点做Delaunay三角划分，取出三角形非共享边的起始点作为轮廓点，多个轮廓点构成的点集为投影轮廓C，则C∈S。
对投影轮廓C上的采样可以是均匀采样，或其他采样方式，在此不再赘述。
获得投影轮廓还可以采用现有技术中的其他方法，在此不再赘述。
步骤106，根据所述分割轮廓，对所述图像进行分割。
图2是本发明实施例的分类后点云在成像平面上的投影点的分布示意图，如图2所示，201为第一类点云对应的投影点，202为第二类点云对应的投影点。
图3所示为本发明实施例的图像采集装置采集到的图像的示意图。
图4所示为本发明实施例的采用点云数据辅助对图像进行分割的示意图。
图5所示为本发明实施例的图像分割完成后的示意图。
本发明实施例的方法，在同一时刻，激光扫描装置和图像采集装置对同一目标区域进行采样，由于激光扫描装置采集的点云数据通常为三维数据，比二维图像数据包含更多的特征，因此用点云数据作为辅助手段，来实现对图像的分割，提高了图像分割的准确性。
本发明实施例还提供了步骤105的其他实施方式，如下：
步骤105中，所述获取每个类别的点云对应的投影点在成像平面上的分割轮廓，包括：
获取所述点云分类后类别的个数作为K；
对于每一个类别点云对应的投影点在成像平面上的几何中心点作为Gi；
以K值和Gi作为k-means算法的初始值，采用k-means算法对图像进行聚类，得到图像分割结果。
例如点云分类后共八个类别，则K＝8。
k-means算法是现有技术中应用广泛的算法，在此不再赘述。
本发明实施例的方法，在同一时刻，激光扫描装置和图像采集装置对同一目标区域进行采样，由于激光扫描装置采集的点云数据通常为三维数据，比二维图像数据包含更多的特征，因此用点云数据作为辅助手段，来实现对图像的分割，提高了图像分割的准确性。
本发明实施例还提供了步骤105的第三种实施方式，包括：
将所述投影点作为种子点，以预设生长准则对所述种子点进行生长；
不同种子点的生长区域发生冲突，若发生冲突的种子点为同一类别，则将所述发生冲突的种子点对应的生长区域融合，若发生冲突的种子点为不同类别，则将所述发生冲突的种子点对应的生长区域进行边界入侵；
根据所述生长区域，获得所述分割轮廓。
本发明实施例中，所述预设生长准则为根据梯度大小生长。
所述边界入侵为：
第一种子点的第一生长区域与第二种子点的第二生长区域在冲突点发生边界冲突，
若所述冲突点在第一生长区域的梯度小于所述冲突点在第二生长区域的梯度，则所述冲突点属于所述第一生长区域，
若所述冲突点在第一生长区域的梯度大于等于所述冲突点在第二生长区域的梯度，则所述冲突点属于所述第二生长区域。
点云集合对应的投影点集合{pi}中的投影点作为种子点，以梯度大小进行生长，若周围邻域点与种子点的梯度小于预设阈值H，则认为当前邻域点与种子点是同一类的，继续生长；若周围邻域点与种子点的梯度大于等于预设阈值H，则认为当前邻域点与种子点是不同类的，停止生长。
种子点的生长区域是不断增大的，因此不同种子点的生长区域会发生冲突。
如果种子点a的生长区域A与种子点b的生长区域B在点x处发生边界冲突，并且冲突点x在区域A的梯度在冲突点x在区域B的梯度如果则点x属于区域A；
如果则点x属于区域A，
其中都小于预设阈值H。
本发明实施例中，若所述冲突点在第一生长区域的梯度等于所述冲突点在第二生长区域的梯度，可以如上所述使所述冲突点属于所述第一生长区域，或可以使所述冲突点属于所述第一生长区域。
本发明实施例的方法，在同一时刻，激光扫描装置和图像采集装置对同一目标区域进行采样，由于激光扫描装置采集的点云数据通常为三维数据，比二维图像数据包含更多的特征，因此用点云数据作为辅助手段，来实现对图像的分割，提高了图像分割的准确性。
与上述方法相对应，本发明实施例还提供了一种图像分割装置。图6所示为本发明实施例的图像分割装置的示意图，如图6所示，所述装置包括：
处理单元601，用于使图像采集装置对目标区域进行图像的数据采集；
所述处理单元601还用于使激光扫描装置对所述目标区域进行点云的数据采集；
分类单元602，用于对所述点云进行分类；
映射单元603，用于将所述点云映射为图像采集装置成像平面上的投影点；
分割轮廓获取单元604，用于获取每个类别点云对应的投影点的在成像平面上的分割轮廓；
分割单元605，用于根据所述分割轮廓，对所述图像进行分割。
本发明实施中，所述分割轮廓处理单元604还用于：
获取每一个类别的点云对应的投影点在成像平面上的投影轮廓C；
在所述投影轮廓C上进行采样，得到点序列Q，以Q中的qi为初始控制点构造初始轮廓，构建主动轮廓模型，在所述主动轮廓模型的能量评价函数中增加点云分割轮廓的能量，所述主动轮廓模型的能量评价函数E＝E内+E外+E轮廓，其中，E内表示图像曲率能量，E外为图像梯度能量，E轮廓为点云轮廓能量，E轮廓＝∑di，对于当前迭代步骤，初始控制点qi移动至q′i，则di为qi与q′i之间的欧式距离；
当所述能量评价函数E收敛至最小值时，认为当前轮廓为对应图像的分割轮廓。
本发明实施例的装置，在同一时刻，激光扫描装置和图像采集装置对同一目标区域进行采样，由于激光扫描装置采集的点云数据通常为三维数据，比二维图像数据包含更多的特征，因此用点云数据作为辅助手段，来实现对图像的分割，提高了图像分割的准确性。
本发明实施例提供了一种图像分割方法和图像分割装置，所述方法包括：使图像采集装置对目标区域进行图像的数据采集；使激光扫描装置对所述目标区域进行点云的数据采集；对所述点云进行分类；将所述点云映射为图像采集装置成像平面上的投影点；获取每个类别点云对应的投影点的在成像平面上的分割轮廓；根据所述分割轮廓，对所述图像进行分割。本发明实施例中，在同一时刻，激光扫描装置和图像采集装置对同一目标区域进行采样，由于激光扫描装置采集的点云数据通常为三维数据，比二维图像数据包含更多的特征，因此用点云数据作为辅助手段，来实现对图像的分割，提高了图像分割的准确性。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件的方式来实现，通用硬件包括通用集成电路、通用CPU、通用存储器、通用元器件等，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种图像分割方法，其特征在于，所述方法包括：
使图像采集装置对目标区域进行图像的数据采集；
使激光扫描装置对所述目标区域进行点云的数据采集；
对所述点云进行分类；
将所述点云映射为图像采集装置成像平面上的投影点；
获取每个类别点云对应的投影点的在成像平面上的分割轮廓；
根据所述分割轮廓，对所述图像进行分割。
2.如权利要求1所述的方法，其特征在于，所述图像采集装置和激光扫描装置在同一采样时刻对所述目标区域采样。
3.如权利要求1至2所述的方法，其特征在于，所述将点云映射为图像采集装置成像平面上的投影点，包括：
将所述点云的坐标变换为所述图像采集装置的成像平面坐标系下投影点的坐标。
4.如权利要求1至3任一项所述的方法，其特征在于，所述获取每个类别的点云对应的投影点在成像平面上的分割轮廓，包括：
获取所述类别的点云对应的投影点在成像平面上的投影轮廓C；
在所述投影轮廓C上进行采样，得到点序列Q，以Q中的qi为初始控制点构造初始轮廓，构建主动轮廓模型，在所述主动轮廓模型的能量评价函数中增加点云分割轮廓的能量，所述主动轮廓模型的能量评价函数E＝E内+E外+E轮廓，其中，E内表示图像曲率能量，E外为图像梯度能量，E轮廓为点云轮廓能量，E轮廓＝∑di，对于当前迭代步骤，初始控制点qi移动至q′i，则di为qi与q′i之间的欧式距离；
当所述能量评价函数E收敛至最小值时，认为当前轮廓为对应图像的分割轮廓。
5.如权利要求1至3任一项所述的方法，其特征在于，所述获取每个类别的点云对应的投影点在成像平面上的分割轮廓，包括：
获取所述点云分类后类别的个数作为K；
对于每一个类别点云对应的投影点在成像平面上的几何中心点作为Gi；
以K值和Gi作为k-means算法的初始值，采用k-means算法对图像进行聚类，得到图像分割结果。
6.如权利要求1至3任一项所述的方法，其特征在于，
将所述投影点作为种子点，以预设生长准则对所述种子点进行生长；
不同种子点的生长区域发生冲突，若发生冲突的种子点为同一类别，则将所述发生冲突的种子点对应的生长区域融合，若发生冲突的种子点为不同类别，则将所述发生冲突的种子点对应的生长区域进行边界入侵；
根据所述生长区域，获得所述分割轮廓。
7.如权利要求6所述的方法，其特征在于，所述预设生长准则为根据梯度大小生长。
8.如权利要求6或7所述的方法，其特征在于，所述边界入侵为：
第一种子点的第一生长区域与第二种子点的第二生长区域在冲突点发生边界冲突时，
若所述冲突点在第一生长区域的梯度小于所述冲突点在第二生长区域的梯度，则所述冲突点属于所述第一生长区域，
若所述冲突点在第一生长区域的梯度大于等于所述冲突点在第二生长区域的梯度，则所述冲突点属于所述第二生长区域。
9.一种图像分割装置，其特征在于，所述装置包括：
处理单元，用于使图像采集装置对目标区域进行图像的数据采集；
所述处理单元还用于使激光扫描装置对所述目标区域进行点云的数据采集；
分类单元，用于对所述点云进行分类；
映射单元，用于将所述点云映射为图像采集装置成像平面上的投影点；
分割轮廓获取单元，用于获取每个类别点云对应的投影点的在成像平面上的分割轮廓；
分割单元，用于根据所述分割轮廓，对所述图像进行分割。
10.如权利要求9所述的装置，其特征在于，所述分割轮廓处理单元还用于：
获取所述类别的点云对应的投影点在成像平面上的投影轮廓C；
在所述投影轮廓C上进行采样，得到点序列Q，以Q中的qi为初始控制点构造初始轮廓，构建主动轮廓模型，在所述主动轮廓模型的能量评价函数中增加点云分割轮廓的能量，所述主动轮廓模型的能量评价函数E＝E内+E外+E轮廓，其中，E内表示图像曲率能量，E外为图像梯度能量，E轮廓为点云轮廓能量，E轮廓＝Σdi，对于当前迭代步骤，初始控制点qi移动至q′i，则di为qi与q′i之间的欧式距离；
当所述能量评价函数E收敛至最小值时，认为当前轮廓为对应图像的分割轮廓。
CN201611099438.5A 2016-12-02 2016-12-02 图像分割方法及图像分割装置 Active CN106683105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611099438.5A CN106683105B (zh) 2016-12-02 2016-12-02 图像分割方法及图像分割装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611099438.5A CN106683105B (zh) 2016-12-02 2016-12-02 图像分割方法及图像分割装置

Publications (2)

Publication Number Publication Date
CN106683105A true CN106683105A (zh) 2017-05-17
CN106683105B CN106683105B (zh) 2020-05-19

Family

ID=58867514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611099438.5A Active CN106683105B (zh) 2016-12-02 2016-12-02 图像分割方法及图像分割装置

Country Status (1)

Country Link
CN (1) CN106683105B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239794A (zh) * 2017-05-18 2017-10-10 深圳市速腾聚创科技有限公司 点云数据分割方法和终端
CN107256554A (zh) * 2017-05-18 2017-10-17 西安电子科技大学 一种用于图像分割的单层脉冲神经网络结构
CN107424166A (zh) * 2017-07-18 2017-12-01 深圳市速腾聚创科技有限公司 点云分割方法及装置
CN111466432A (zh) * 2020-04-14 2020-07-31 北京爱国小男孩科技有限公司 智能螃蟹、虾蛄分割方法、分割机和分割流水线
CN115116020A (zh) * 2021-03-23 2022-09-27 长沙智能驾驶研究院有限公司 障碍物检测方法、装置、设备及计算机存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901502A (zh) * 2010-08-17 2010-12-01 黑龙江科技学院 光学三维测量中多视点云数据的全局优化配准方法
US20140198978A1 (en) * 2013-01-11 2014-07-17 National Central University Method for searching a roof facet and constructing a building roof structure line
EP2980728A1 (en) * 2014-08-01 2016-02-03 Imersivo, S.L. Procedure for identifying a hand gesture
CN105404898A (zh) * 2015-11-26 2016-03-16 福州华鹰重工机械有限公司 一种松散型点云数据分割方法和设备
US20160154999A1 (en) * 2014-12-02 2016-06-02 Nokia Technologies Oy Objection recognition in a 3d scene
CN105701449A (zh) * 2015-12-31 2016-06-22 百度在线网络技术（北京）有限公司 路面上的车道线的检测方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901502A (zh) * 2010-08-17 2010-12-01 黑龙江科技学院 光学三维测量中多视点云数据的全局优化配准方法
US20140198978A1 (en) * 2013-01-11 2014-07-17 National Central University Method for searching a roof facet and constructing a building roof structure line
EP2980728A1 (en) * 2014-08-01 2016-02-03 Imersivo, S.L. Procedure for identifying a hand gesture
US20160154999A1 (en) * 2014-12-02 2016-06-02 Nokia Technologies Oy Objection recognition in a 3d scene
CN105404898A (zh) * 2015-11-26 2016-03-16 福州华鹰重工机械有限公司 一种松散型点云数据分割方法和设备
CN105701449A (zh) * 2015-12-31 2016-06-22 百度在线网络技术（北京）有限公司 路面上的车道线的检测方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘合娟: "基于活动轮廓模型的医学图像分割方法研究", 《中国优秀硕士学位论文全文数据库》 *
莫建文: "结合图像分割和点云分割的障碍物检测算法", 《计算机工程设计》 *
陈远: "基于CCD 图像的点云区域分割方法", 《南昌航空工业学院学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239794A (zh) * 2017-05-18 2017-10-10 深圳市速腾聚创科技有限公司 点云数据分割方法和终端
CN107256554A (zh) * 2017-05-18 2017-10-17 西安电子科技大学 一种用于图像分割的单层脉冲神经网络结构
CN107239794B (zh) * 2017-05-18 2020-04-28 深圳市速腾聚创科技有限公司 点云数据分割方法和终端
CN107424166A (zh) * 2017-07-18 2017-12-01 深圳市速腾聚创科技有限公司 点云分割方法及装置
CN111466432A (zh) * 2020-04-14 2020-07-31 北京爱国小男孩科技有限公司 智能螃蟹、虾蛄分割方法、分割机和分割流水线
CN111466432B (zh) * 2020-04-14 2021-12-14 北京爱国小男孩科技有限公司 智能螃蟹、虾蛄分割方法、分割机和分割流水线
CN115116020A (zh) * 2021-03-23 2022-09-27 长沙智能驾驶研究院有限公司 障碍物检测方法、装置、设备及计算机存储介质

Also Published As

Publication number Publication date
CN106683105B (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
CN112489212B (zh) 一种基于多源遥感数据的建筑物智能化三维测图方法
CN111192284B (zh) 一种车载激光点云分割方法及系统
CN106683105A (zh) 图像分割方法及图像分割装置
CN109166145B (zh) 一种基于聚类分割的果树叶片生长参数提取方法及系统
CN111709420B (zh) 文本检测方法、电子设备及计算机可读介质
CN107292276B (zh) 一种车载点云聚类方法及系统
CN112070769B (zh) 一种基于dbscan的分层点云分割方法
US20220365186A1 (en) Automatic detection of a calibration standard in unstructured lidar point clouds
CN105069796B (zh) 基于小波散射网络的sar图像分割方法
CN110443810A (zh) 基于快速邻接体素查询的点云平面分割方法
CN107424166B (zh) 点云分割方法及装置
CN114332291B (zh) 一种倾斜摄影模型建筑物外轮廓规则提取方法
CN107305691A (zh) 基于图像匹配的前景分割方法及装置
CN109492606A (zh) 多光谱矢量图获取方法及系统、三维单体化方法及系统
KR101549155B1 (ko) 라이다 자료를 활용한 구조물의 직선경계 추출방법
KR101507732B1 (ko) 영역 기반의 항공 영상 분할 방법 및 이를 실행하는 프로그램 코드를 저장하는 컴퓨터로 읽을 수 있는 저장 매체
CN111783722B (zh) 一种激光点云的车道线提取方法和电子设备
CN114492619A (zh) 一种基于统计和凹凸性的点云数据集构建方法及装置
CN117292076A (zh) 工程机械局部作业场景动态三维重构方法及系统
CN110211078B (zh) 基于各向异性扩散的显著度检测方法
Sima et al. An extension of the Felzenszwalb-Huttenlocher segmentation to 3D point clouds
CN116051841A (zh) 基于车载LiDAR点云的路边地上物多阶段聚类分割算法
CN116977593A (zh) 一种基于超体素凹凸性分割与颜色区域生长的单木分割方法
CN111291662B (zh) 一种基于平面选择的车载点云杆状物提取方法
Kumar et al. COMPUTER VISION BASED DANCE POSTURE EXTRACTION USING SLIC.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant