CN106918813A - 一种基于距离统计的三维声纳点云图像增强方法 - Google Patents
一种基于距离统计的三维声纳点云图像增强方法 Download PDFInfo
- Publication number
- CN106918813A CN106918813A CN201710135604.0A CN201710135604A CN106918813A CN 106918813 A CN106918813 A CN 106918813A CN 201710135604 A CN201710135604 A CN 201710135604A CN 106918813 A CN106918813 A CN 106918813A
- Authority
- CN
- China
- Prior art keywords
- cloud data
- cloud
- data
- dimensional sonar
- point cloud
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000002708 enhancing effect Effects 0.000 claims abstract description 13
- 241001269238 Data Species 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Radar, Positioning & Navigation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于距离统计的三维声纳点云图像增强方法,包含以下步骤:(1)获取声纳数据,将每帧声纳数据对应的三维声纳范围图像信息转换为全局坐标下的点云数据;(2)采用kd‑树对点云数据进行搜索,并计算每个点云数据Pi与其最邻近K个点云数据之间的欧式距离Lij,其中,i的取值范围为1≤i≤N,j的取值范围为1≤j≤K,N为点云数据的总数;(3)利用高斯分布对Lij的均值进行统计,排除高斯分布以外的均值对应的点云数据,完成三维声纳点云图像的增强。该方法操作简单,高效快捷,能够有效地去除离群点,达到减小噪声、增强点云图像的目的。
Description
技术领域
本发明属于三维声纳点云图像处理领域,具体涉及一种基于距离统计的三维声纳点云图像增强方法。
背景技术
相控阵三维声纳系统是一种新型的水下三维声学成像系统,在港口实时监测及蛙人水下作业保护等方面具有广泛的应用价值。
但是在获取三维声纳点云数据时,由于设备精度、操作者经验、水下环境因素等带来的影响,以及被测物体表面性质变化和数据拼接配准操作过程的影响,点云数据中将不可避免地出现一些噪声点。实际应用中除了这些测量随机误差产生的噪声点之外,由于受到外界干扰如障碍物等因素的影响,点云数据中往往存在着一些离主体点云即被测物体点云较远的离散点,即离群点。不同的获取设备点云噪声结构也有不同,在点云处理流程中滤波处理作为预处理的第一步,往往对后续处理管道影响很大,只有在滤波预处理中将噪声点、离群点等按照后续处理定制,才能够更好地进行配准、特征提取、曲面重建、可视化等后续应用处理。
针对上述情况,亟需提出一种可靠高效的三维声纳点云图像增强方法,使得其具有重要的工程使用价值。
发明内容
鉴于上述,本发明提供了一种基于距离统计的三维声纳点云图像增强方法,该方法操作简单,高效快捷,能够有效地去除离群点,达到减小噪声、增强点云图像的目的。
本发明第一方面提出了一种基于距离统计的三维声纳点云图像增强方法,包含以下步骤:
(1)获取声纳数据,将每帧声纳数据对应的三维声纳范围图像信息转换为全局坐标下的点云数据;
(2)采用kd-树对点云数据进行搜索,并计算每个点云数据Pi与其最邻近K个点云数据之间的欧式距离Lij,其中,i的取值范围为1≤i≤N,j的取值范围为1≤j≤K,N为点云数据的总数;
(3)利用高斯分布对Lij的均值进行统计,排除高斯分布以外的均值对应的点云数据,完成三维声纳点云图像的增强。
所述的步骤(2)的具体步骤为:
(2-1)对N个点云数据建立一个kd-树,并利用该kd-树对每个点云数据Pi进行搜索;
(2-2)每当搜索到一个点云数据Pi时,采用K近邻法搜索该点云数据Pi的K个最邻近点云数据,并计算得到点云数据Pi与其K个最邻近点云数据之间的欧式距离Lij。
所述的步骤(3)的具体步骤为:
(3-1)求取属于点云数据Pi的K个欧式距离Lij的平均值Li;
(3-2)求取N个Li的均值μ和标准差σ;
(3-3)采用均值为μ和标准差为σ的高斯分布对所有的Li进行统计,将落在范围a~b之外的Li所对应的点云数据命名为离群点,并将该离群点移除,完成三维声纳点云图像的增强,其中,a=μ-α×σ,b=μ+α×σ,α为膨胀系数,为实数。
本发明第二方面提出了一种基于距离统计的三维声纳点云图像增强方法,包含以下步骤:
(1’)获取声纳数据,将每帧声纳数据对应的三维声纳范围图像信息转换为全局坐标下的点云数据;
(2’)采用kd-树对点云数据进行搜索,并计算每个点云数据Pi与其邻域范围r内所有点云数据之间的欧式距离Lij,i的取值范围1≤i≤N,j的取值范围为1≤j≤Mi,N为点云数据的总数,Mi为点云数据Pi的邻域范围r内的点云数据的个数;
(3’)利用高斯分布对Lij的均值进行统计,排除高斯分布以外的均值对应的点云数据,完成三维声纳点云图像的增强。
所述的步骤(2’)的具体步骤为:
(2-1’)对N个点云数据建立一个kd-树,并利用该kd-树对每个点云数据Pi进行搜索;
(2-2’)每当搜索到一个点云数据Pi时,搜索该点云数据Pi的邻域范围r内所有点云数据,并计算得到点云数据Pi与其邻域范围r内所有点云数据之间的欧式距离Lij。
所述的步骤(3’)的具体步骤为:
(3-1’)求取属于点云数据Pi的Mi个欧式距离Lij的平均值Li’;
(3-2’)求取N个Li的均值μ’和标准差σ’;
(3-3’)采用均值为μ’和标准差为σ’的高斯分布对所有的Li’进行统计,将落在范围a’~b’之外的Li所对应的点云数据命名为离群点,并将该离群点移除,完成三维声纳点云图像的增强,其中,a’=μ’-α×σ’,b’=μ’+α×σ’,α为膨胀系数,为实数。
相较于现有的技术,本发明具有以下有益的技术效果:
(1)在对采集到的大量点云数据进行处理前,通过本方法可以有选择地去除大部分离群点,减弱设备和环境噪声的影响,同时降低后续处理的工作量,增强数据的有效性,有助于后期图像的重构,达到图像增强的目的。
(2)本发明可以根据不同的设备和环境,通过人为地设定参数值,达到不同程度地去除离群点的目的,而不需要重新修改系统的程序,方便快捷,具有很强的实用性和灵活性。
(3)本发明的增强方法效率高,通过采用特别的算法完成三维声纳点云的图像增强,程序运行时间短,数据处理速度快,满足实时性的要求。
附图说明
图1为实施例1基于距离统计的三维声纳点云图像增强方法流程图;
图2为实施例2基于距离统计的三维声纳点云图像增强方法流程图;
图3为三维声纳点云数据kd-树建立流程图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
图1所示的是实施例1提出的一种基于距离统计的三维声纳点云图像增强方法,包含以下步骤:
S01,获取声纳数据,将每帧声纳数据对应的三维声纳范围图像信息转换为全局坐标下的点云数据。
S02,对N个点云数据建立一个kd-树,并利用该kd-树对每个点云数据Pi进行搜索;其中,i的取值范围为1≤i≤N。
S03,每当搜索到一个点云数据Pi时,采用K近邻法搜索该点云数据Pi的K个最邻近点云数据,并计算得到点云数据Pi与其K个最邻近点云数据之间的欧式距离Lij;其中,j的取值范围为1≤j≤K。
S04,求取属于点云数据Pi的K个欧式距离Lij的平均值Li。
S05,求取N个Li的均值μ和标准差σ。
S06,采用均值为μ和标准差为σ的高斯分布对所有的Li进行统计,将落在范围a~b之外的Li所对应的点云数据命名为离群点,并将该离群点移除,完成三维声纳点云图像的增强,其中,a=μ-α×σ,b=μ+α×σ,α为膨胀系数,为实数。
图2所示的是实施例2提出的另一种基于距离统计的三维声纳点云图像增强方法,包含以下步骤:
S01’,获取声纳数据,将每帧声纳数据对应的三维声纳范围图像信息转换为全局坐标下的点云数据。
S02’,对N个点云数据建立一个kd-树,并利用该kd-树对每个点云数据Pi进行搜索;i的取值范围1≤i≤N。
S03’,每当搜索到一个点云数据Pi时,搜索该点云数据Pi的邻域范围r内所有点云数据,并计算得到点云数据Pi与其邻域范围r内所有点云数据之间的欧式距离Lij,j的取值范围为1≤j≤Mi,Mi为点云数据Pi的邻域范围r内的点云数据的个数
S04’,求取属于点云数据Pi的Mi个欧式距离Lij的平均值Li’。
S05’,求取N个Li的均值μ’和标准差σ’。
S06’,采用均值为μ’和标准差为σ’的高斯分布对所有的Li’进行统计,将落在范围a’~b’之外的Li所对应的点云数据命名为离群点,并将该离群点移除,完成三维声纳点云图像的增强,其中,a’=μ’-α×σ’,b’=μ’+α×σ’,α为膨胀系数,为实数。
以上所述的kd-树的建立过程为:
(1)统计所有三维声纳点云数据在全局坐标(x,y,z)三个维度上的方差;
(2)令三个维度方差中的最大值所对应的维度就是split域的值;
(3)将所有点云数据按照其第split维的值进行排序,位于正中间的数据点选为分裂节点;
(4)以分裂节点第split维的值做垂直坐标轴的超平面,将整个空间分为两部分;
(5)分别对做子空间中的数据点和右子空间中的数据点重复上述步骤构建左子树和右子树,直至经过划分的子样本集为空。
采用第一种方法,对点云数据进行噪声移除,且设置α=1和K=30,经多次实际测试的数据证明,当采取上述参数时,大约有1%的点被认为是噪声而移除。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于距离统计的三维声纳点云图像增强方法,包含以下步骤:
(1)获取声纳数据,将每帧声纳数据对应的三维声纳范围图像信息转换为全局坐标下的点云数据;
(2)采用kd-树对点云数据进行搜索,并计算每个点云数据Pi与其最邻近K个点云数据之间的欧式距离Lij,其中,i的取值范围为1≤i≤N,j的取值范围为1≤j≤K,N为点云数据的总数;
(3)利用高斯分布对Lij的均值进行统计,排除高斯分布以外的均值对应的点云数据,完成三维声纳点云图像的增强。
2.如权利要求1所述的基于距离统计的三维声纳点云图像增强方法,其特征在于,所述的步骤(2)的具体步骤为:
(2-1)对N个点云数据建立一个kd-树,并利用该kd-树对每个点云数据Pi进行搜索;
(2-2)每当搜索到一个点云数据Pi时,采用K近邻法搜索该点云数据Pi的K个最邻近点云数据,并计算得到点云数据Pi与其K个最邻近点云数据之间的欧式距离Lij。
3.如权利要求2所述的基于距离统计的三维声纳点云图像增强方法,其特征在于,所述的步骤(3)的具体步骤为:
(3-1)求取属于点云数据Pi的K个欧式距离Lij的平均值Li;
(3-2)求取N个Li的均值μ和标准差σ;
(3-3)采用均值为μ和标准差为σ的高斯分布对所有的Li进行统计,将落在范围a~b之外的Li所对应的点云数据命名为离群点,并将该离群点移除,完成三维声纳点云图像的增强,其中,a=μ-α×σ,b=μ+α×σ,α为膨胀系数,为实数。
4.一种基于距离统计的三维声纳点云图像增强方法,包含以下步骤:
(1’)获取声纳数据,将每帧声纳数据对应的三维声纳范围图像信息转换为全局坐标下的点云数据;
(2’)采用kd-树对点云数据进行搜索,并计算每个点云数据Pi与其邻域范围r内所有点云数据之间的欧式距离Lij,i的取值范围1≤i≤N,j的取值范围为1≤j≤Mi,N为点云数据的总数,Mi为点云数据Pi的邻域范围r内的点云数据的个数;
(3’)利用高斯分布对Lij的均值进行统计,排除高斯分布以外的均值对应的点云数据,完成三维声纳点云图像的增强。
5.如权利要求4所述的基于距离统计的三维声纳点云图像增强方法,其特征在于,所述的步骤(2’)的具体步骤为:
(2-1’)对N个点云数据建立一个kd-树,并利用该kd-树对每个点云数据Pi进行搜索;
(2-2’)每当搜索到一个点云数据Pi时,搜索该点云数据Pi的邻域范围r内所有点云数据,并计算得到点云数据Pi与其邻域范围r内所有点云数据之间的欧式距离Lij。
6.如权利要求4所述的基于距离统计的三维声纳点云图像增强方法,其特征在于,所述的步骤(3’)的具体步骤为:
(3-1’)求取属于点云数据Pi的Mi个欧式距离Lij的平均值Li’;
(3-2’)求取N个Li的均值μ’和标准差σ’;
(3-3’)采用均值为μ’和标准差为σ’的高斯分布对所有的Li’进行统计,将落在范围a’~b’之外的Li所对应的点云数据命名为离群点,并将该离群点移除,完成三维声纳点云图像的增强,其中,a’=μ’-α×σ’,b’=μ’+α×σ’,α为膨胀系数,为实数。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710135604.0A CN106918813B (zh) | 2017-03-08 | 2017-03-08 | 一种基于距离统计的三维声纳点云图像增强方法 |
PCT/CN2017/115158 WO2018161662A1 (zh) | 2017-03-08 | 2017-12-08 | 一种基于距离统计的三维声纳点云图像增强方法 |
US16/079,543 US11093790B2 (en) | 2017-03-08 | 2017-12-08 | Distance statistics based method for 3D sonar point cloud image enhancement |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710135604.0A CN106918813B (zh) | 2017-03-08 | 2017-03-08 | 一种基于距离统计的三维声纳点云图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106918813A true CN106918813A (zh) | 2017-07-04 |
CN106918813B CN106918813B (zh) | 2019-04-30 |
Family
ID=59460658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710135604.0A Active CN106918813B (zh) | 2017-03-08 | 2017-03-08 | 一种基于距离统计的三维声纳点云图像增强方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11093790B2 (zh) |
CN (1) | CN106918813B (zh) |
WO (1) | WO2018161662A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110136072A (zh) * | 2018-02-08 | 2019-08-16 | 北京大学 | 点云噪声的去除方法、去噪系统、计算机设备及存储介质 |
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 |
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 |
WO2021142995A1 (zh) * | 2020-01-17 | 2021-07-22 | 五邑大学 | 基于图像处理的k近邻点云滤波方法、装置和存储介质 |
CN114445648A (zh) * | 2020-10-16 | 2022-05-06 | 北京四维图新科技股份有限公司 | 障碍物识别方法、设备及存储介质 |
CN114612598A (zh) * | 2022-02-16 | 2022-06-10 | 苏州一径科技有限公司 | 一种点云的处理方法、装置及激光雷达 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12046374B2 (en) * | 2021-05-23 | 2024-07-23 | Zhiqing Cheng | Digital twin |
CN113484875B (zh) * | 2021-07-30 | 2022-05-24 | 燕山大学 | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 |
CN114627020B (zh) * | 2022-03-18 | 2023-06-20 | 易思维(杭州)科技有限公司 | 一种曲面工件反光噪点去除方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726255A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院光电研究院 | 从三维激光点云数据中提取感兴趣建筑物的方法 |
CN102629367A (zh) * | 2012-01-17 | 2012-08-08 | 安徽建筑工业学院 | 基于KDTree的点云数据双边滤波去噪的方法 |
CN102881015A (zh) * | 2012-09-11 | 2013-01-16 | 山东理工大学 | 产品模型散乱点云边界特征提取方法 |
CN102944174A (zh) * | 2012-11-28 | 2013-02-27 | 北京矿冶研究总院 | 一种点云数据的处理方法及系统 |
CN103197308A (zh) * | 2013-03-15 | 2013-07-10 | 浙江大学 | 基于多波束相控阵声纳系统的三维声纳可视化处理方法 |
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 |
CN105096268A (zh) * | 2015-07-13 | 2015-11-25 | 西北农林科技大学 | 一种点云去噪平滑方法 |
CN105785349A (zh) * | 2016-05-09 | 2016-07-20 | 浙江大学 | 一种相控阵三维声学摄像声呐的噪声去除方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8335346B2 (en) * | 2007-03-23 | 2012-12-18 | Raytheon Company | Identifying whether a candidate object is from an object class |
WO2009143651A1 (en) * | 2008-05-29 | 2009-12-03 | Carestream Health, Inc. | Fast image segmentation using region merging with a k-nearest neighbor graph |
CA2737724A1 (en) * | 2008-09-19 | 2010-03-25 | The University Of Sydney | A method and system of data modelling |
US20120139325A1 (en) * | 2010-09-01 | 2012-06-07 | The University Of Sydney | System and method for terrain analysis |
US8274508B2 (en) * | 2011-02-14 | 2012-09-25 | Mitsubishi Electric Research Laboratories, Inc. | Method for representing objects with concentric ring signature descriptors for detecting 3D objects in range images |
WO2013042811A1 (ko) * | 2011-09-22 | 2013-03-28 | (주)바이오에프디엔씨 | 카페오일알파네오엔돌핀 펩타이드 유도체 및 이의 항가려움 및 항아토피 소재로의 활용 |
US8705870B2 (en) * | 2012-03-02 | 2014-04-22 | Microsoft Corporation | Image searching by approximate κ-NN graph |
US9008458B2 (en) * | 2013-02-07 | 2015-04-14 | Raytheon Company | Local area processing using packed distribution functions |
US9196021B2 (en) * | 2013-05-29 | 2015-11-24 | Adobe Systems Incorporated | Video enhancement using related content |
CN104463826A (zh) * | 2013-09-18 | 2015-03-25 | 镇江福人网络科技有限公司 | 一种新的点云并行Softassign配准算法 |
US10430551B2 (en) * | 2014-11-06 | 2019-10-01 | Siemens Healthcare Gmbh | Scan data retrieval with depth sensor data |
CN106918813B (zh) * | 2017-03-08 | 2019-04-30 | 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 |
US10467756B2 (en) * | 2017-05-14 | 2019-11-05 | International Business Machines Corporation | Systems and methods for determining a camera pose of an image |
US10846562B2 (en) * | 2018-01-12 | 2020-11-24 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for image matching |
-
2017
- 2017-03-08 CN CN201710135604.0A patent/CN106918813B/zh active Active
- 2017-12-08 US US16/079,543 patent/US11093790B2/en active Active
- 2017-12-08 WO PCT/CN2017/115158 patent/WO2018161662A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726255A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院光电研究院 | 从三维激光点云数据中提取感兴趣建筑物的方法 |
CN102629367A (zh) * | 2012-01-17 | 2012-08-08 | 安徽建筑工业学院 | 基于KDTree的点云数据双边滤波去噪的方法 |
CN102881015A (zh) * | 2012-09-11 | 2013-01-16 | 山东理工大学 | 产品模型散乱点云边界特征提取方法 |
CN102944174A (zh) * | 2012-11-28 | 2013-02-27 | 北京矿冶研究总院 | 一种点云数据的处理方法及系统 |
CN103197308A (zh) * | 2013-03-15 | 2013-07-10 | 浙江大学 | 基于多波束相控阵声纳系统的三维声纳可视化处理方法 |
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 |
CN105096268A (zh) * | 2015-07-13 | 2015-11-25 | 西北农林科技大学 | 一种点云去噪平滑方法 |
CN105785349A (zh) * | 2016-05-09 | 2016-07-20 | 浙江大学 | 一种相控阵三维声学摄像声呐的噪声去除方法 |
Non-Patent Citations (1)
Title |
---|
王儒等: ""基于KD 树的点云索引技术研究"", 《科技视界》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110136072A (zh) * | 2018-02-08 | 2019-08-16 | 北京大学 | 点云噪声的去除方法、去噪系统、计算机设备及存储介质 |
CN110136072B (zh) * | 2018-02-08 | 2021-02-09 | 北京大学 | 点云噪声的去除方法、去噪系统、计算机设备及存储介质 |
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 |
WO2021142995A1 (zh) * | 2020-01-17 | 2021-07-22 | 五邑大学 | 基于图像处理的k近邻点云滤波方法、装置和存储介质 |
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 |
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 |
CN114445648A (zh) * | 2020-10-16 | 2022-05-06 | 北京四维图新科技股份有限公司 | 障碍物识别方法、设备及存储介质 |
CN114612598A (zh) * | 2022-02-16 | 2022-06-10 | 苏州一径科技有限公司 | 一种点云的处理方法、装置及激光雷达 |
WO2023155793A1 (zh) * | 2022-02-16 | 2023-08-24 | 苏州一径科技有限公司 | 一种点云的处理方法、装置及激光雷达 |
Also Published As
Publication number | Publication date |
---|---|
WO2018161662A1 (zh) | 2018-09-13 |
US20210192268A1 (en) | 2021-06-24 |
US11093790B2 (en) | 2021-08-17 |
CN106918813B (zh) | 2019-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106918813A (zh) | 一种基于距离统计的三维声纳点云图像增强方法 | |
CN108961272B (zh) | 一种基于深度卷积对抗生成网络的皮肤病图像的生成方法 | |
CN109272524B (zh) | 一种基于阈值分割的小尺度点云噪声去噪方法 | |
CN103870845B (zh) | 点云聚类去噪过程中新的k值优化方法 | |
CN110322453A (zh) | 基于位置注意力和辅助网络的3d点云语义分割方法 | |
CN106709950A (zh) | 一种基于双目视觉的巡线机器人跨越障碍导线定位方法 | |
CN112712546A (zh) | 一种基于孪生神经网络的目标跟踪方法 | |
CN112082545A (zh) | 一种基于imu和激光雷达的地图生成方法、装置及系统 | |
CN114119987A (zh) | 基于卷积神经网络的特征提取和描述子生成方法及系统 | |
CN114241018A (zh) | 一种牙齿点云配准方法、系统及可读存储介质 | |
CN102096913A (zh) | 压缩感知框架下的多策略图像融合方法 | |
CN110706288A (zh) | 目标检测的方法、装置、设备及可读存储介质 | |
CN113628170A (zh) | 一种基于深度学习的激光线提取方法及系统 | |
Hu et al. | R-CNN based 3D object detection for autonomous driving | |
CN113920020B (zh) | 一种基于深度生成模型的人体点云实时修复方法 | |
CN102903083A (zh) | 基于Context模型和双树复小波变换的水下声纳图像的去噪方法 | |
CN108596910A (zh) | 一种基于单高斯模型的三维声纳点云图像分割方法 | |
CN113723468B (zh) | 一种三维点云的物体检测方法 | |
CN110120058B (zh) | 一种高程散点生成紧致外边界的方法 | |
CN109934837B (zh) | 一种3d植物叶片轮廓的提取方法、装置及系统 | |
CN104182990A (zh) | 一种实时序列图像运动目标区域获取方法 | |
Chu et al. | Study on damage identification of beam bridge based on characteristic curvature and improved wavelet threshold de-noising algorithm | |
Gu et al. | Aerial image and map synthesis using generative adversarial networks | |
CN110197464A (zh) | 深度相机深度图实时去噪方法和装置 | |
CN118377031B (zh) | 一种浅海水下激光雷达数据去噪方法及系统、存储介质 |
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 |