CN107767375B - 一种点云质量评估方法及装置 - Google Patents
一种点云质量评估方法及装置 Download PDFInfo
- Publication number
- CN107767375B CN107767375B CN201711064190.3A CN201711064190A CN107767375B CN 107767375 B CN107767375 B CN 107767375B CN 201711064190 A CN201711064190 A CN 201711064190A CN 107767375 B CN107767375 B CN 107767375B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- evaluated
- score
- noise
- grid
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种点云质量评估方法及装置,包括:S1:获取点云噪声比、点云密度、点云厚度和点云重叠度,分别将点云噪声比、点云密度、点云厚度和点云重叠度与预置评分标准进行比对,获取点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分;S2:将点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分乘以预置权值并求和得到点云质量的评估值,并将点云质量的评估值与预置点云质量评价标准进行比对,获取点云质量的评价。本发明的点云质量评价方法将点云噪声比、点云密度、点云厚度和点云重叠度纳入点云质量的评价指标当中,能够全面得对点云质量进行评估,解决了当前无法对点云质量进行有效评估的技术问题。
Description
技术领域
本发明涉及数据分析领域,尤其涉及一种点云质量评估方法及装置。
背景技术
机载激光雷达测量技术作为一种新型的空间数据获取技术,具有自动化程度高、受天气影响小和精度高等优点,目前广泛应用于地形测绘、环境监测和林业管理等诸多领域。
但是,当前机载激光雷达测量尚未有相应的技术规范和作业标准,难以对机载激光雷达技术中的点云质量进行有效的评估。因此,导致了当前无法对点云质量进行有效评估的技术问题。
发明内容
本发明提供了一种点云质量评估方法及装置,解决了当前无法对点云质量进行有效评估的技术问题。
本发明提供了一种点云质量评估方法,包括:
S1:获取待评价点云的点云噪声比、点云密度、点云厚度和点云重叠度,分别将点云噪声比、点云密度、点云厚度和点云重叠度与各自的预置评分标准进行比对,获取点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分;
S2:将点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分分别乘以对应的预置权值并求和,以求和得到的数值作为点云质量的评估值,并将点云质量的评估值与预置点云质量的评价标准进行比对,得到待评价点云的点云质量的评价。
优选地,步骤S1具体包括:
S101:根据待评价点云中的噪声点的个数与待评价点云中的点云数据的总个数的比值得到点云噪声比;
S102:根据待评价点云中的点云数据的总个数与待评价点云的航带的凸多边形面积得到点云密度;
S103:根据待评价点云中平坦区域内所有点云数据的平均高程、待评价点云中平坦区域内各个点云数据的高程和待评价点云中平坦区域包含的点云数据的个数通过预置公式计算得到点云厚度,其中,预置公式为:
σ为点云厚度,H为待评价点云中平坦区域内所有点云数据的平均高程,n为待评价点云中平坦区域包含的点云数据的个数,Hi为待评价点云中平坦区域内第i(i=1,2,...,n)个点云数据的高程;
S104:根据待评价点云的航带中与相邻点云的航带重叠的凸多边形面积与待评价点云的航带的凸多边形面积的比值得到点云重叠度;
S105:分别将点云噪声比、点云密度、点云厚度和点云重叠度与各自的预置评分标准进行比对,获取点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分。
优选地,步骤S101具体包括:
S1011:将待评价点云进行三维空间网格划分,其中,每个网格的边长均为预置距离阈值;
S1012:对每个网格进行检测,将相邻网格均为空的网格设为第一噪声网格,将只有一个不为空的相邻网格且不为空的相邻网格内的点云数据的个数小于预置数量阈值的网格设为第二噪声网格,将第一噪声网格、第二噪声网格和第二噪声网格的相邻网格内的点云数据均筛选为噪声点;
S1013:根据待评价点云中的噪声点的个数与待评价点云中的点云数据的总个数的比值得到点云噪声比。
优选地,步骤S101之后,步骤S102之前还包括:
S106:将待评价点云中的各个点云数据通过Graham扫描法得到待评价点云的航带的凸多边形,并计算得到待评价点云的航带的凸多边形的面积。
优选地,步骤S103之后,步骤S104之前还包括:
S107:将待评价点云中与相邻点云重叠的点云数据通过Graham扫描法得到待评价点云的航带中与相邻点云的航带重叠的凸多边形面积。
本发明提供了一种点云质量评估装置,包括:
评分获取模块,用于获取待评价点云的点云噪声比、点云密度、点云厚度和点云重叠度,分别将点云噪声比、点云密度、点云厚度和点云重叠度与各自的预置评分标准进行比对,获取点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分;
质量评价模块,用于将点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分分别乘以对应的预置权值并求和,以求和得到的数值作为点云质量的评估值,并将点云质量的评估值与预置点云质量的评价标准进行比对,得到待评价点云的点云质量的评价。
优选地,评分获取模块具体包括:
噪声子模块,用于根据待评价点云中的噪声点的个数与待评价点云中的点云数据的总个数的比值得到点云噪声比;
密度子模块,用于根据待评价点云中的点云数据的总个数与待评价点云的航带的凸多边形面积得到点云密度;
厚度子模块,用于根据待评价点云中平坦区域内所有点云数据的平均高程、待评价点云中平坦区域内各个点云数据的高程和待评价点云中平坦区域包含的点云数据的个数通过预置公式计算得到点云厚度,其中,预置公式为:
σ为点云厚度,H为待评价点云中平坦区域内所有点云数据的平均高程,n为待评价点云中平坦区域包含的点云数据的个数,Hi为待评价点云中平坦区域内第i(i=1,2,...,n)个点云数据的高程;
重叠子模块,用于根据待评价点云的航带中与相邻点云的航带重叠的凸多边形面积与待评价点云的航带的凸多边形面积的比值得到点云重叠度;
评分子模块,用于分别将点云噪声比、点云密度、点云厚度和点云重叠度与各自的预置评分标准进行比对,获取点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分。
优选地,噪声子模块具体包括:
网格子模块,用于将待评价点云进行三维空间网格划分,其中,每个网格的边长均为预置距离阈值;
筛选子模块,用于对每个网格进行检测,将相邻网格均为空的网格设为第一噪声网格,将只有一个不为空的相邻网格且不为空的相邻网格内的点云数据的个数小于预置数量阈值的网格设为第二噪声网格,将第一噪声网格、第二噪声网格和第二噪声网格的相邻网格内的点云数据均筛选为噪声点;
噪比子模块,用于根据待评价点云中的噪声点的个数与待评价点云中的点云数据的总个数的比值得到点云噪声比。
优选地,评分获取模块还包括:
面积子模块,用于将待评价点云中的各个点云数据通过Graham扫描法得到待评价点云的航带的凸多边形,并计算得到待评价点云的航带的凸多边形的面积。
优选地,评分获取模块还包括:
叠面子模块,用于将待评价点云中与相邻点云重叠的点云数据通过Graham扫描法得到待评价点云的航带中与相邻点云的航带重叠的凸多边形面积。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供了一种点云质量评估方法,包括:S1:获取点云噪声比、点云密度、点云厚度和点云重叠度,分别将点云噪声比、点云密度、点云厚度和点云重叠度与各自的预置评分标准进行比对,获取点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分;S2:将点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分分别乘以对应的预置权值并求和,以求和得到的数值作为点云质量的评估值,并将点云质量的评估值与预置点云质量的评价标准进行比对,获取点云质量的评价。
本发明的点云质量评价方法将点云噪声比、点云密度、点云厚度和点云重叠度纳入点云质量的评价指标当中,能够全面、快速得对点云质量进行评估,解决了当前无法对点云质量进行有效评估的技术问题。
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,下面将对实施例或现有技术描述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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明提供的一种点云质量评估方法的一个实施例的流程示意图;
图2为本发明提供的一种点云质量评估方法的另一个实施例的流程示意图;
图3为本发明提供的一种点云质量评估装置的一个实施例的结构示意图;
图4为本发明提供的一种Graham扫描法的示例图。
具体实施方式
本发明实施例提供了一种点云质量评估方法及装置,解决了当前无法对点云质量进行有效评估的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例提供了一种点云质量评估方法的一个实施例,包括:
步骤101:获取待评价点云的点云噪声比、点云密度、点云厚度和点云重叠度,分别将点云噪声比、点云密度、点云厚度和点云重叠度与各自的预置评分标准进行比对,获取点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分;
需要说明的是,噪声,即粗差,从空间分布上可以分为点状粗差和簇状粗差;
随着机载激光雷达技术的发展,系统扫描得到的激光数据点的密度(即点云密度)逐步增大,从每平方米数个点到现在的每平方米可达上百个点;
点云厚度指待评价点云中平坦区域中点云高程的误差;
点云重叠度指待评价点云的航带的凸多边形和相邻点云的的航带的凸多边形相交的区域面积与待评价点云的航带的凸多边形的比值。
步骤102:将点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分分别乘以对应的预置权值并求和,以求和得到的数值作为点云质量的评估值,并将点云质量的评估值与预置点云质量的评价标准进行比对,得到待评价点云的点云质量的评价。
需要说明的是,本实施例中的点云质量评估方法主要针对原始点云数据的质量评价,原始点云数据的质量主要受到机载激光雷达系统的误差影响,包括系统误差和偶然误差;
同时,飞鸟、高速行驶的汽车以及接受了多次漫反射的无效脉冲信号等因素会导致噪声的产生从而降低点云数据的质量;
增加点云密度和点云重叠度可以有效提高点云数据的质量;
因此,本实施例中的点云质量评价方法将点云噪声比、点云密度、点云厚度和点云重叠度纳入点云质量的评价指标当中,能够全面、快速得对点云质量进行评估,解决了当前无法对点云质量进行有效评估的技术问题。
以上为本发明实施例提供的一种点云质量评估方法的一个实施例,以下为本发明实施例提供的一种点云质量评估方法的另一个实施例。
请参阅图2和图4,本发明实施例提供了一种点云质量评估方法的另一个实施例,包括:
步骤201:将待评价点云进行三维空间网格划分,其中,每个网格的边长均为预置距离阈值;
需要说明的是,预置距离阈值即非粗差点之间的最大距离,该值可以用待评价点云中点云数据的平均距离为参考,计算公式如下:
其中,t1为预置距离阈值相对于待评价点云中点云数据的平均距离的倍数(t1>1),DX表示点云包围盒在水平面上的长,DY表示点云包围盒在水平面上的宽,β表示投影重复点占待评价点云中所有点云数据的个数的比率,m为待评价点云中所有点云数据的个数。
步骤202:对每个网格进行检测,将相邻网格均为空的网格设为第一噪声网格,将只有一个不为空的相邻网格且不为空的相邻网格内的点云数据的个数小于预置数量阈值的网格设为第二噪声网格,将第一噪声网格、第二噪声网格和第二噪声网格的相邻网格内的点云数据均筛选为噪声点;
需要说明的是,将相邻网格均为空的网格设为第一噪声网格是为了识别点状或团状粗差;
将只有一个不为空相邻网格且不为空的相邻网格内的点云数据的个数小于预置数量阈值的网格设为第二噪声网格是为了识别簇状或块状粗差;
预置数量阈值的计算公式如下:
其中,t2为预置数量阈值相对于三维网格划分后每个网格中的平均点云数据的个数的比率(0<t2<1),rn为网格在XOY平面的行数,cn为网格在XOY平面的列数。
步骤203:根据待评价点云中的噪声点的个数与待评价点云中的点云数据的总个数的比值得到点云噪声比;
步骤204:将待评价点云中的各个点云数据通过Graham扫描法得到待评价点云的航带的凸多边形,并计算得到待评价点云的航带的凸多边形的面积;
需要说明的是,Graham扫描法求解凹多边形(凹包)的过程如下:
1、在所有的点中选取y坐标最小的一点H当作基点(如果存在多个点的y坐标都为最小值,则选取x坐标最小的一点,坐标相同的点应排除),然后按照其它各点p和基点构成的向量<H,p>,与x轴的夹角进行排序,夹角由大至小进行顺时针扫描,反之则进行逆时针扫描,实现中无需求得夹角,只需根据余弦定理求出向量夹角的余弦值即可;
2、当加入一点时,必须考虑到前面的线段是否会出现在凸多边形上。从基点开始,凸多边形上每条相临的线段的旋转方向应该一致,并与扫描的方向相反;如果发现新加的点使得新线段与上线段的旋转方向发生变化,则可判定上一点必然不在凸多边形上;实现时可用向量叉积进行判断,设新加入的点为n,上一点为c,再上一点为p;顺时针扫描时,如果向量<p,c>与<c,n>的叉积为正(逆时针扫描判断是否为负),则将上一点删除;删除过程需要回溯,将之前所有叉积符号相反的点都删除,然后将新点加入凸多边形边界点点集中;
以图4为例:基点为H,根据夹角由小至大排序后依次为H,K,C,D,L,F,G,E,I,B,A,J,进行逆时针扫描;
线段<H,K>一定在凸多边形上,接着加入C;假设线段<K,C>也在凸多边形上,因为就H,K,C三点而言,它们的凸包就是由此三点所组成。但是接下来加入D时会发现,线段<K,D>才在凸多边形上,所以将线段<K,C>排除,C点不可能在凸多边形上;
加入K点时,由于线段<H,C>要旋转到<H,K>的角度,为顺时针旋转,所以C点不在凸多边形边界上,应该删除,保留K点。接着加入D点,由于线段<K,D>要旋转到<H,K>的角度,为逆时针旋转,故D点保留;
按照上述步骤进行扫描,直到点集中所有的点都遍历完成,即得到凸多边形。
步骤205:根据待评价点云中的点云数据的总个数与待评价点云的航带的凸多边形面积得到点云密度;
步骤206:根据待评价点云中平坦区域内所有点云数据的平均高程、待评价点云中平坦区域内各个点云数据的高程和待评价点云中平坦区域包含的点云数据的个数通过预置公式计算得到点云厚度,其中,预置公式为:
σ为点云厚度,H为待评价点云中平坦区域内所有点云数据的平均高程,n为待评价点云中平坦区域包含的点云数据的个数,Hi为待评价点云中平坦区域内第i(i=1,2,...,n)个点云数据的高程;
步骤207:将待评价点云中与相邻点云重叠的点云数据通过Graham扫描法得到待评价点云的航带中与相邻点云的航带重叠的凸多边形面积;
步骤208:根据待评价点云的航带中与相邻点云的航带重叠的凸多边形面积与待评价点云的航带的凸多边形面积的比值得到点云重叠度;
需要说明的是,为保证机载LiDAR系统作业时测区数据不出现“盲区”,相邻的航带之间必须设置一定的重叠度。
步骤209:分别将点云噪声比、点云密度、点云厚度和点云重叠度与各自的预置评分标准进行比对,获取点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分;
需要说明的是,点云噪声比的预置评分标准如下:
表1.点云噪声比评分表
点云噪声比(A) | 得分 |
A>10% | 1 |
5%<A≤10% | 2 |
3%<A≤5% | 3 |
1%<A≤3% | 4 |
0≤A≤1% | 5 |
点云密度的预置评分标准如下:
表2.点云密度比评分表
考虑到数据冗余,点云密度并非越高越好,需要结合实际点云数据使用者的情况具体评分,例如修正后评分表如下:
表3.点云密度比修正评分表
点云厚度的预置评分标准如下:
表4.点云厚度比评分表
点云重叠度的预置评分标准如下:
表5.点云重叠度评分表
点云噪声比(D) | 得分 |
D>40% | 1 |
0<D≤10% | 2 |
30%<D≤40% | 3 |
10%<D≤20% | 4 |
20%≤D≤30% | 5 |
点云重叠度和点云密度并非越高越好,过高的点云重叠度和点云密度都会造成数据冗余现象,具体的评分标准需要结合实际需求加以探讨;点云厚底和点云噪声比越小越好,具体的评分标准也需要结合实际情况。
步骤210:将点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分分别乘以对应的预置权值并求和,以求和得到的数值作为点云质量的评估值,并将点云质量的评估值与预置点云质量的评价标准进行比对,得到待评价点云的点云质量的评价。
需要说明的是,点云质量的评估值的计算公式如下:
α=γ1α1+γ2α2+γ3α3+γ4α4 (4)
其中,α为点云质量的评估值,α1为点云噪声比的评分,α2为点云密度的评分,α3为点云厚度的评分,α4为点云重叠度的评分,γ1为点云噪声比的评分的预置权值,γ2为点云密度的评分的预置权值,γ3为点云厚度的评分的预置权值,γ4为点云重叠度的评分的预置权值;
本实施例中的点云质量评估方法主要针对原始点云数据的质量评价,原始点云数据的质量主要受到机载激光雷达系统的误差影响,包括系统误差和偶然误差;
同时,飞鸟、高速行驶的汽车以及由于接受多次漫反射的无效脉冲信号等因素会导致噪声的产生从而降低点云数据的质量;
增加点云密度和点云重叠度可以有效提高点云数据的质量;
求解点云重叠度时通过Graham扫描法可以快速求解点云的凹包问题,获取点云的航带的凹多边形面积;
因此,本实施例中的点云质量评价方法将点云噪声比、点云密度、点云厚度和点云重叠度纳入点云质量的评价指标当中,能够全面、快速得对点云质量进行评估,解决了当前无法对点云质量进行有效评估的技术问题。
以上为本发明实施例提供的一种点云质量评估方法的另一个实施例,以下为本发明实施例提供的一种点云质量评估装置的一个实施例。
请参阅图3.本发明实施例提供了一种点云质量评估装置的一个实施例,包括:
评分获取模块301,用于获取待评价点云的点云噪声比、点云密度、点云厚度和点云重叠度,分别将点云噪声比、点云密度、点云厚度和点云重叠度与各自的预置评分标准进行比对,获取点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分;
质量评价模块302,用于将点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分分别乘以对应的预置权值并求和,以求和得到的数值作为点云质量的评估值,并将点云质量的评估值与预置点云质量的评价标准进行比对,得到待评价点云的点云质量的评价。
进一步地,评分获取模块301具体包括:
噪声子模块3011,用于根据待评价点云中的噪声点的个数与待评价点云中的点云数据的总个数的比值得到点云噪声比;
密度子模块3013,用于根据待评价点云中的点云数据的总个数与待评价点云的航带的凸多边形面积得到点云密度;
厚度子模块3014,用于根据待评价点云中平坦区域内所有点云数据的平均高程、待评价点云中平坦区域内各个点云数据的高程和待评价点云中平坦区域包含的点云数据的个数通过预置公式计算得到点云厚度,其中,预置公式为:
σ为点云厚度,H为待评价点云中平坦区域内所有点云数据的平均高程,n为待评价点云中平坦区域包含的点云数据的个数,Hi为待评价点云中平坦区域内第i(i=1,2,...,n)个点云数据的高程;
重叠子模块3016,用于根据待评价点云的航带中与相邻点云的航带重叠的凸多边形面积与待评价点云的航带的凸多边形面积的比值得到点云重叠度;
评分子模块3017,用于分别将点云噪声比、点云密度、点云厚度和点云重叠度与各自的预置评分标准进行比对,获取点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分。
进一步地,噪声子模块3011具体包括:
网格子模块30111,用于将待评价点云进行三维空间网格划分,其中,每个网格的边长均为预置距离阈值;
筛选子模块30112,用于对每个网格进行检测,将相邻网格均为空的网格设为第一噪声网格,将只有一个不为空的相邻网格且不为空的相邻网格内的点云数据的个数小于预置数量阈值的网格设为第二噪声网格,将第一噪声网格、第二噪声网格和第二噪声网格的相邻网格内的点云数据均筛选为噪声点;
噪比子模块30113,用于根据待评价点云中的噪声点的个数与待评价点云中的点云数据的总个数的比值得到点云噪声比。
进一步地,评分获取模块301还包括:
面积子模块3012,用于将待评价点云中的各个点云数据通过Graham扫描法得到待评价点云的航带的凸多边形,并计算得到待评价点云的航带的凸多边形的面积。
进一步地,评分获取模块301还包括:
叠面子模块3015,用于将待评价点云中与相邻点云重叠的点云数据通过Graham扫描法得到待评价点云的航带中与相邻点云的航带重叠的凸多边形面积。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种点云质量评估方法,其特征在于,包括:
S1:获取待评价点云的点云噪声比、点云密度、点云厚度和点云重叠度,分别将点云噪声比、点云密度、点云厚度和点云重叠度与各自的预置评分标准进行比对,获取点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分;
S2:将点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分分别乘以对应的预置权值并求和,以求和得到的数值作为点云质量的评估值,并将点云质量的评估值与预置点云质量的评价标准进行比对,得到待评价点云的点云质量的评价;
步骤S1具体包括:
S101:根据待评价点云中的噪声点的个数与待评价点云中的点云数据的总个数的比值得到点云噪声比;
S102:根据待评价点云中的点云数据的总个数与待评价点云的航带的凸多边形面积得到点云密度;
S103:根据待评价点云中平坦区域内所有点云数据的平均高程、待评价点云中平坦区域内各个点云数据的高程和待评价点云中平坦区域包含的点云数据的个数通过预置公式计算得到点云厚度,其中,预置公式为:
σ为点云厚度,H为待评价点云中平坦区域内所有点云数据的平均高程,n为待评价点云中平坦区域包含的点云数据的个数,Hi为待评价点云中平坦区域内第i(i=1,2,...,n)个点云数据的高程;
S104:根据待评价点云的航带中与相邻点云的航带重叠的凸多边形面积与待评价点云的航带的凸多边形面积的比值得到点云重叠度;
S105:分别将点云噪声比、点云密度、点云厚度和点云重叠度与各自的预置评分标准进行比对,获取点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分;
步骤S101具体包括:
S1011:将待评价点云进行三维空间网格划分,其中,每个网格的边长均为预置距离阈值,所述预置距离阈值为非粗差点之间的最大距离;
S1012:对每个网格进行检测,将相邻网格均为空的网格设为第一噪声网格,将只有一个不为空的相邻网格且不为空的相邻网格内的点云数据的个数小于预置数量阈值的网格设为第二噪声网格,将第一噪声网格、第二噪声网格和第二噪声网格的相邻网格内的点云数据均筛选为噪声点;
S1013:根据待评价点云中的噪声点的个数与待评价点云中的点云数据的总个数的比值得到点云噪声比。
2.根据权利要求1所述的一种点云质量评估方法,其特征在于,步骤S101之后,步骤S102之前还包括:
S106:将待评价点云中的各个点云数据通过Graham扫描法得到待评价点云的航带的凸多边形,并计算得到待评价点云的航带的凸多边形的面积。
3.根据权利要求2所述的一种点云质量评估方法,其特征在于,步骤S103之后,步骤S104之前还包括:
S107:将待评价点云中与相邻点云重叠的点云数据通过Graham扫描法得到待评价点云的航带中与相邻点云的航带重叠的凸多边形面积。
4.一种点云质量评估装置,其特征在于,包括:
评分获取模块,用于获取待评价点云的点云噪声比、点云密度、点云厚度和点云重叠度,分别将点云噪声比、点云密度、点云厚度和点云重叠度与各自的预置评分标准进行比对,获取点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分;
质量评价模块,用于将点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分分别乘以对应的预置权值并求和,以求和得到的数值作为点云质量的评估值,并将点云质量的评估值与预置点云质量的评价标准进行比对,得到待评价点云的点云质量的评价;
评分获取模块具体包括:
噪声子模块,用于根据待评价点云中的噪声点的个数与待评价点云中的点云数据的总个数的比值得到点云噪声比;
密度子模块,用于根据待评价点云中的点云数据的总个数与待评价点云的航带的凸多边形面积得到点云密度;
厚度子模块,用于根据待评价点云中平坦区域内所有点云数据的平均高程、待评价点云中平坦区域内各个点云数据的高程和待评价点云中平坦区域包含的点云数据的个数通过预置公式计算得到点云厚度,其中,预置公式为:
σ为点云厚度,H为待评价点云中平坦区域内所有点云数据的平均高程,n为待评价点云中平坦区域包含的点云数据的个数,Hi为待评价点云中平坦区域内第i(i=1,2,...,n)个点云数据的高程;
重叠子模块,用于根据待评价点云的航带中与相邻点云的航带重叠的凸多边形面积与待评价点云的航带的凸多边形面积的比值得到点云重叠度;
评分子模块,用于分别将点云噪声比、点云密度、点云厚度和点云重叠度与各自的预置评分标准进行比对,获取点云噪声比的评分、点云密度的评分、点云厚度的评分和点云重叠度的评分;
噪声子模块具体包括:
网格子模块,用于将待评价点云进行三维空间网格划分,其中,每个网格的边长均为预置距离阈值,所述预置距离阈值为非粗差点之间的最大距离;
筛选子模块,用于对每个网格进行检测,将相邻网格均为空的网格设为第一噪声网格,将只有一个不为空的相邻网格且不为空的相邻网格内的点云数据的个数小于预置数量阈值的网格设为第二噪声网格,将第一噪声网格、第二噪声网格和第二噪声网格的相邻网格内的点云数据均筛选为噪声点;
噪比子模块,用于根据待评价点云中的噪声点的个数与待评价点云中的点云数据的总个数的比值得到点云噪声比。
5.根据权利要求4所述的一种点云质量评估装置,其特征在于,评分获取模块还包括:
面积子模块,用于将待评价点云中的各个点云数据通过Graham扫描法得到待评价点云的航带的凸多边形,并计算得到待评价点云的航带的凸多边形的面积。
6.根据权利要求5所述的一种点云质量评估装置,其特征在于,评分获取模块还包括:
叠面子模块,用于将待评价点云中与相邻点云重叠的点云数据通过Graham扫描法得到待评价点云的航带中与相邻点云的航带重叠的凸多边形面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711064190.3A CN107767375B (zh) | 2017-11-02 | 2017-11-02 | 一种点云质量评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711064190.3A CN107767375B (zh) | 2017-11-02 | 2017-11-02 | 一种点云质量评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107767375A CN107767375A (zh) | 2018-03-06 |
CN107767375B true CN107767375B (zh) | 2021-06-29 |
Family
ID=61272366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711064190.3A Active CN107767375B (zh) | 2017-11-02 | 2017-11-02 | 一种点云质量评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107767375B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636718B (zh) * | 2018-10-31 | 2021-04-20 | 百度在线网络技术(北京)有限公司 | 点云拼接质量的检测方法、装置、设备及存储介质 |
CN111398985B (zh) * | 2018-12-29 | 2022-02-15 | 北京北科天绘科技有限公司 | 一种激光雷达点云数据超分辨处理方法、系统及存储介质 |
CN110246112B (zh) * | 2019-01-21 | 2021-04-30 | 厦门大学 | 基于深度学习的激光扫描slam室内三维点云质量评价方法 |
CN109977466B (zh) * | 2019-02-20 | 2021-02-02 | 深圳大学 | 一种三维扫描视点规划方法、装置及计算机可读存储介质 |
CN110188663B (zh) * | 2019-05-28 | 2021-02-26 | 禾多科技(北京)有限公司 | 检测定位车辆点云质量的方法 |
WO2020248176A1 (zh) * | 2019-06-12 | 2020-12-17 | 浙江大学 | 点云处理的方法与装置 |
CN110533645A (zh) * | 2019-08-23 | 2019-12-03 | 上海交通大学 | 基于视觉任务的点云数据压缩质量评价方法及系统 |
WO2021138765A1 (zh) * | 2020-01-06 | 2021-07-15 | 深圳市大疆创新科技有限公司 | 测绘方法、测绘装置、存储介质及可移动平台 |
CN111429568B (zh) * | 2020-03-27 | 2023-06-06 | 如你所视(北京)科技有限公司 | 点云处理方法和装置、电子设备和存储介质 |
CN111462073B (zh) * | 2020-03-30 | 2023-06-20 | 国家基础地理信息中心 | 机载激光雷达点云密度的质量检查方法和装置 |
CN112070870B (zh) * | 2020-07-31 | 2021-09-17 | 广州景骐科技有限公司 | 点云地图评估方法、装置、计算机设备和存储介质 |
CN111982152B (zh) * | 2020-07-31 | 2022-04-05 | 广州文远知行科技有限公司 | 点云地图量化方法、装置、计算机设备和存储介质 |
US20220221585A1 (en) * | 2021-01-14 | 2022-07-14 | Argo AI, LLC | Systems and methods for monitoring lidar sensor health |
WO2022183500A1 (zh) * | 2021-03-05 | 2022-09-09 | 中国科学院深圳先进技术研究院 | 基于投影的点云质量评价方法、装置、设备和存储介质 |
CN112949542A (zh) * | 2021-03-17 | 2021-06-11 | 哈尔滨理工大学 | 一种基于凸包检测的手腕分割线的确立方法 |
CN114299043B (zh) * | 2021-12-30 | 2023-04-18 | 广州极飞科技股份有限公司 | 点云质量评估方法、装置、电子设备和存储介质 |
CN114355381B (zh) * | 2021-12-31 | 2022-09-09 | 安徽海博智能科技有限责任公司 | 激光雷达点云质量检测与提升方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101369313A (zh) * | 2007-08-17 | 2009-02-18 | 鸿富锦精密工业(深圳)有限公司 | 点云噪声点过滤系统及方法 |
CN101567044A (zh) * | 2009-05-22 | 2009-10-28 | 北京大学 | 一种人脸图像质量检测方法 |
CN102317873A (zh) * | 2008-12-10 | 2012-01-11 | 赫勒拉德有限责任公司 | 用于彩色运动全息术的系统和方法 |
US8712147B2 (en) * | 2012-02-03 | 2014-04-29 | Harris Corporation | Fractal method for detecting and filling data gaps within LiDAR data |
CN104007432A (zh) * | 2014-05-16 | 2014-08-27 | 武汉大学 | 一种检查机载激光雷达平面精度的地标布设方法 |
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 |
CN104574282A (zh) * | 2013-10-22 | 2015-04-29 | 鸿富锦精密工业(深圳)有限公司 | 点云噪声点去除系统及方法 |
CN104614729A (zh) * | 2014-11-20 | 2015-05-13 | 中国林业科学研究院资源信息研究所 | 一种激光雷达航带高程匹配质量分析方法 |
CN105678076A (zh) * | 2016-01-07 | 2016-06-15 | 福州华鹰重工机械有限公司 | 点云测量数据质量评估优化的方法及装置 |
CN105678708A (zh) * | 2016-01-04 | 2016-06-15 | 浙江大学 | 一种适用于已配准多视角有序点云的整体优化方法 |
US9633146B2 (en) * | 2013-03-15 | 2017-04-25 | State Farm Mutual Automobile Insurance Company | Systems and methods for assessing property damage |
CN106683126A (zh) * | 2017-01-16 | 2017-05-17 | 重庆大学 | 一种定量评价点云配准中标靶分布质量的方法 |
CN106960468A (zh) * | 2017-04-12 | 2017-07-18 | 武汉理工大学 | 一种三维激光扫描点云精度评价方法 |
CN107016725A (zh) * | 2017-02-27 | 2017-08-04 | 电子科技大学 | 一种顾及LiDAR点云数据分布差异的植被三维实景建模方法 |
CN107095393A (zh) * | 2017-03-22 | 2017-08-29 | 青岛小步科技有限公司 | 一种基于图像识别及三维建模技术的定制鞋制作方法及系统 |
CN107123164A (zh) * | 2017-03-14 | 2017-09-01 | 华南理工大学 | 保持锐利特征的三维重建方法及系统 |
US9986154B2 (en) * | 2014-05-21 | 2018-05-29 | Here Global B.V. | Developing a panoramic image |
-
2017
- 2017-11-02 CN CN201711064190.3A patent/CN107767375B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101369313A (zh) * | 2007-08-17 | 2009-02-18 | 鸿富锦精密工业(深圳)有限公司 | 点云噪声点过滤系统及方法 |
CN102317873A (zh) * | 2008-12-10 | 2012-01-11 | 赫勒拉德有限责任公司 | 用于彩色运动全息术的系统和方法 |
CN101567044A (zh) * | 2009-05-22 | 2009-10-28 | 北京大学 | 一种人脸图像质量检测方法 |
US8712147B2 (en) * | 2012-02-03 | 2014-04-29 | Harris Corporation | Fractal method for detecting and filling data gaps within LiDAR data |
US9633146B2 (en) * | 2013-03-15 | 2017-04-25 | State Farm Mutual Automobile Insurance Company | Systems and methods for assessing property damage |
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 |
CN104574282A (zh) * | 2013-10-22 | 2015-04-29 | 鸿富锦精密工业(深圳)有限公司 | 点云噪声点去除系统及方法 |
CN104007432A (zh) * | 2014-05-16 | 2014-08-27 | 武汉大学 | 一种检查机载激光雷达平面精度的地标布设方法 |
US9986154B2 (en) * | 2014-05-21 | 2018-05-29 | Here Global B.V. | Developing a panoramic image |
CN104614729A (zh) * | 2014-11-20 | 2015-05-13 | 中国林业科学研究院资源信息研究所 | 一种激光雷达航带高程匹配质量分析方法 |
CN105678708A (zh) * | 2016-01-04 | 2016-06-15 | 浙江大学 | 一种适用于已配准多视角有序点云的整体优化方法 |
CN105678076A (zh) * | 2016-01-07 | 2016-06-15 | 福州华鹰重工机械有限公司 | 点云测量数据质量评估优化的方法及装置 |
CN106683126A (zh) * | 2017-01-16 | 2017-05-17 | 重庆大学 | 一种定量评价点云配准中标靶分布质量的方法 |
CN107016725A (zh) * | 2017-02-27 | 2017-08-04 | 电子科技大学 | 一种顾及LiDAR点云数据分布差异的植被三维实景建模方法 |
CN107123164A (zh) * | 2017-03-14 | 2017-09-01 | 华南理工大学 | 保持锐利特征的三维重建方法及系统 |
CN107095393A (zh) * | 2017-03-22 | 2017-08-29 | 青岛小步科技有限公司 | 一种基于图像识别及三维建模技术的定制鞋制作方法及系统 |
CN106960468A (zh) * | 2017-04-12 | 2017-07-18 | 武汉理工大学 | 一种三维激光扫描点云精度评价方法 |
Non-Patent Citations (5)
Title |
---|
"基于MATLAB实现点云噪声剔除算法研究";徐鹏 等;《贵州省岩石力学与工程学会2014年度学术交流论文集》;20141231;第383-386页 * |
"机载LiDAR数据大区域城墙自动提取";王娅君 等;《测绘科学》;20170430;第42卷(第4期);第137-141页 * |
"机载激光雷达数据获取质量检查与评定方法探讨";许耿然 等;《城市勘测》;20131231(第6期);第85-88页 * |
"机载激光雷达点云数据质量评价体系分析与探讨";靳克强 等;《测绘与空间地理信息》;20120430;第35卷(第4期);第197-200页 * |
许耿然 等."机载激光雷达数据获取质量检查与评定方法探讨".《城市勘测》.2013,(第6期), * |
Also Published As
Publication number | Publication date |
---|---|
CN107767375A (zh) | 2018-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767375B (zh) | 一种点云质量评估方法及装置 | |
US20210026377A1 (en) | Method and Device for Generating an Unmanned Aerial Vehicle Flight Trajectory, Computer Apparatus and Storage Medium | |
US8793107B2 (en) | Accuracy-based significant point derivation from dense 3D point clouds for terrain modeling | |
EP3896873A1 (en) | Field intensity prediction method and apparatus, and device and storage medium | |
CN110187363B (zh) | 适用于大型风电基地的测风方法、系统、设备和存储介质 | |
US20190156234A1 (en) | Systems and methods for performing real-time convolution calculations of matrices indicating amounts of exposure | |
CN108229740A (zh) | 一种商圈边界的确定方法、装置、服务器及存储介质 | |
CN108242962B (zh) | 一种基于测量报告的室内信号传播损耗计算方法及装置 | |
CN105519140A (zh) | 一种定位ap的方法和装置 | |
CN115272572A (zh) | 输电线路重建方法、装置、电子设备及存储介质 | |
CN106556877A (zh) | 一种地磁通化方法及装置 | |
CN114205831B (zh) | 一种优化方案的确定方法、装置、存储介质及设备 | |
CN111880144A (zh) | 定位方法、装置、设备和存储介质 | |
CN116415652A (zh) | 一种数据生成方法、装置、可读存储介质及终端设备 | |
CN113239815A (zh) | 一种基于真实语义全网络学习的遥感影像分类方法、装置及设备 | |
Goodchild | The effects of generalization in geographical data encoding | |
CN115493657B (zh) | 一种基于无人机的大气污染溯源方法和装置 | |
CN111104965A (zh) | 车辆目标识别的方法及装置 | |
CN108668247B (zh) | 一种wifi室内定位方法、装置及存储介质 | |
CN112184900A (zh) | 高程数据的确定方法、装置及存储介质 | |
CN116229419A (zh) | 一种行人检测方法及装置 | |
CN110567489B (zh) | 角度交会测量系统的动态误差的获取方法及系统 | |
CN116089546A (zh) | 一种台风云系识别方法、系统、终端以及存储介质 | |
CN118051845B (zh) | 基于空间变参数机器学习的地理空间全覆盖数据生成方法和装置 | |
CN114390535B (zh) | 小区覆盖范围的展示方法、装置、设备及计算机存储介质 |
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 |