CN107967675A - 一种基于自适应投影移动最小二乘的结构化点云去噪方法 - Google Patents
一种基于自适应投影移动最小二乘的结构化点云去噪方法 Download PDFInfo
- Publication number
- CN107967675A CN107967675A CN201711420781.XA CN201711420781A CN107967675A CN 107967675 A CN107967675 A CN 107967675A CN 201711420781 A CN201711420781 A CN 201711420781A CN 107967675 A CN107967675 A CN 107967675A
- Authority
- CN
- China
- Prior art keywords
- msub
- pixel
- mrow
- depth
- 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 20
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 13
- 238000001914 filtration Methods 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000717 retained effect Effects 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- 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
- G06T2207/20004—Adaptive image processing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于自适应投影移动最小二乘的结构化点云去噪方法，具体步骤如下：步骤1，将结构化点云投影变换为深度图像，像素记录对应三维点的深度值；步骤2，根据深度图像的深度值自适应确定每个像素的邻域窗口大小；步骤3，以逐个像素为中心，在该像素的邻域窗口大小范围内，对深度值进行局部加权的最小二乘拟合；步骤4，根据计算得到的局部拟合函数更新每个像素的深度值；步骤5，利用标定参数将更新后的深度图像变换为结构化点云。本发明能对结构化点云去噪并保持点数据在深度相机模型下的透视变换不变性，具有运算速度快，去噪后点数据分布均匀，对深度不连续和噪声随深度变化等问题鲁棒性高的优点。
Description
技术领域
本发明涉及计算机图形中的面向真实物体的3D建模领域，具体涉及一种基于自适应投影移动最小二乘的结构化点云去噪方法。
背景技术
所谓结构化点云去噪是指消除结构化点云中噪声的过程。结构化点云是目前大多数三维获取设备，如深度相机，采集到的物体的原始三维表面数据。所谓结构化点云是指具有规则二维矩阵结构的一些三维点组成的集合，其中每个三维点与二维图像中的每个像素对应。去噪的目的是使结构化点云表示的曲面光滑，这样有助于提升3D建模的精度。结构化点云去噪研究具有重要意义，因为利用三维获取设备对真实世界的物体建模已经被广泛应用于三维建模的领域中，可以省去大量的手工建模操作并捕获更多模型的细节。无论是小型的物体或是大型的建筑，甚至整个城市都可以利用三维获取设备采集表面的结构化点云数据。这些结构化点云通常都带有噪声，而噪声可能会严重降低配准、表面重建等三维建模操作的精度，因此，结构化点云去噪是对真实物体进行三维建模时的不可缺少的重要步骤。
目前，现存相当数量的各式各样的点云去噪算法，例如著名的移动最小二乘算法等。然而现存的诸多算法通常针对散乱点云，即无拓扑结构的三维点集合。虽然这些算法也可用于结构化点云去噪，但不足之处是没有利用结构化点云的结构信息。这样导致一方面需要建立复杂的空间数据结构，如Kd树，进行邻域查找，另一方面对优化缺乏相应的约束，不能保持点数据在深度相机模型下的透视变换不变性。现有的针对结构化点云的算法通常直接借鉴图像处理中的滤波算法，如高斯滤波等。该类算法一般通过矩阵窗口直接查找邻域，因此算法复杂度相对较低，但是在噪声较大时不容易保持几何特征。另外，噪声在结构化点云中不同深度的位置一般会发生变化，采用统一大小的邻域窗口往往不能保证对全部点数据起到良好的去噪效果。
发明内容
本发明提供一种基于自适应投影移动最小二乘的结构化点云去噪方法，能够消除结构化点云中噪声并保持点数据在深度相机模型下的透视变换不变性，运算速度快，对深度不连续和噪声随深度变化等问题鲁棒性高。
一种基于自适应投影移动最小二乘的结构化点云去噪方法，包括以下步骤：
步骤1，将结构化点云投影变换为深度图像，像素记录对应三维点的深度值；
步骤2，根据深度图像的深度值自适应确定每个像素的邻域窗口大小；
步骤3，依次以每个像素为中心，在该像素的邻域窗口大小范围内，对深度值进行局部加权的最小二乘拟合；
步骤4，根据计算得到的局部拟合函数更新每个像素的深度值；
步骤5，利用标定参数将更新后的深度图像变换为结构化点云。
作为优选，步骤1中，将结构化点云投影为深度图像的方法是，建立一个高度和宽度与结构化点云一致的单通道二维图像，像素记录对应三维点的深度值。
作为优选，步骤2中，确定每个像素qi的邻域窗口大小的公式为：
其中，hi表示像素qi的邻域窗口的半边长；
di是像素qi的深度值；
α和β是手动输入的参数。
作为优选，步骤3中，对深度值进行局部加权的最小二乘拟合的方法是，对于每个像素qi，最小化以下函数：
其中，φi(u，u)是该函数的自变量，表示以像素qi为中心的深度值的局部拟合函数；
qi＝(ui，ui)，ui和ui分别表示像素qi在深度图像中的横纵坐标；
di是像素qi的深度值；
N(qi)＝{qj|||qi-qj||∞≤hi}表示像素qi的邻域窗口内的像素集合，hi是步骤(2)计算得到的像素qi的邻域窗口的半边长；
是双边滤波核函数，ri＝γ·hi表示像素qi的深度值差异敏感度，γ是手动输入的参数。
作为优选，步骤4中，更新每个像素qi的深度值的公式为：
其中，表示像素qi更新后的深度值；
是步骤3计算得到的最优的以像素qi为中心的深度值的局部拟合函数。
作为优选，步骤5中，利用标定参数将更新后的深度图像变换为结构化点云的方法是，对于每个像素qi，应用如下公式：
其中，(xi，yi，zi)表示像素qi变换后的三维点坐标；
ui和ui分别表示像素qi在深度图像中的横纵坐标；
是步骤4计算得到的像素qi更新后的深度值；
f表示深度相机的焦距；
(uc，uc)表示深度相机的成像中心坐标。
与现有技术相比，本发明具有以下有益效果：
(1)本发明通过先将结构化点云变换为深度图像，再逐个像素为中心对深度值进行局部加权的最小二乘拟合，然后用局部拟合函数更新每个像素的深度值，最后利用标定参数将更新后的深度图像变换为结构化点云，达到了消除噪声的目的，能够保证点数据在深度相机模型下的透视变换不变性，能够利用矩阵窗口实现快速的邻域查找并且去噪后的点数据分布均匀。
(2)每个像素的邻域窗口大小根据深度值自适应确定，克服了噪声随深度变化的问题，保证了全部点数据都能得到良好的去噪效果，并且局部加权的最小二乘拟合采用双边滤波核函数，提高了对深度不连续问题的鲁棒性。
附图说明
图1为本发明的基本流程示意图；
图2为本发明的结构化点云与深度图像对应关系示意图；
图3为本发明的输入输出效果对比图。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图1所示，为本发明的基本流程示意图，具体步骤如下：
步骤1：如图2所示，建立一个高度和宽度与结构化点云一致的单通道二维图像，每个像素记录对应三维点的z轴坐标值，即深度值。
步骤2：确定每个像素qi的邻域窗口大小，计算公式为：
其中，hi表示像素qi的邻域窗口的半边长；
di是像素qi的深度值；
α和β是手动输入的参数：通过手动调节观察去噪效果确定最佳参数。
步骤3：对于每个像素qi，最小化以下函数：
其中，φi(u，u)是该函数的自变量，表示以像素qi为中心的深度值的局部拟合函数：一般采用二次多项式函数，即
φi(u，u)＝a0+a1u+a2u+a3u2+a4uu+a5u2，
a0～a5是待优化的系数。
qi＝(ui，ui)，ui和ui分别表示像素qi在深度图像中的横纵坐标；
di是像素qi的深度值；
N(qi)＝{qj|||qi-qj||∞≤hi}表示像素qi的邻域窗口内的像素集合，hi是步骤2计算得到的像素qi的邻域窗口的半边长；
是双边滤波核函数，ri＝γ·hi表示像素qi的深度值差异敏感度，γ是手动输入的参数：通过手动调节观察去噪效果确定最佳参数。
步骤4：更新每个像素qi的深度值，计算公式为：
其中，表示像素qi更新后的深度值；
是步骤3计算得到的最优的以像素qi为中心的深度值的局部拟合函数。
步骤5：对于每个像素qi，应用如下公式：
其中，(xi，yi，zi)表示像素qi变换后的三维点坐标；
ui和ui分别表示像素qi在深度图像中的横纵坐标；
是步骤(4)计算得到的像素qi更新后的深度值；
f表示深度相机的焦距；
(uc，uc)表示深度相机的成像中心坐标。
如图3所示，为输入输出效果对比图，可以看出，使用本方法，起到了良好的去噪效果，而且很好的保留了面部几何特征。
以上所述仅为本发明的优选实施方式，本发明的保护范围并不仅限于上述实施方式，凡是属于本发明原理的技术方案均属于本发明的保护范围。对于本领域的技术人员而言，在不脱离本发明的原理的前提下进行的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于自适应投影移动最小二乘的结构化点云去噪方法，其特征在于，包括以下步骤：
步骤1，将结构化点云投影变换为深度图像，像素记录对应三维点的深度值；
步骤2，根据深度图像的深度值自适应确定每个像素的邻域窗口大小；
步骤3，依次以每个像素为中心，在该像素的邻域窗口大小范围内，对深度值进行局部加权的最小二乘拟合；
步骤4，根据计算得到的局部拟合函数更新每个像素的深度值；
步骤5，利用标定参数将更新后的深度图像变换为结构化点云。
2.根据权利要求1所述的基于自适应投影移动最小二乘的结构化点云去噪方法，其特征在于，步骤1中的具体过程为：建立一个高度和宽度与结构化点云一致的单通道二维图像，每个像素记录对应三维点的Z轴坐标值，即深度值。
3.根据权利要求1所述的基于自适应投影移动最小二乘的结构化点云去噪方法，其特征在于，步骤2中，所述的自适应确定每个像素的邻域窗口大小的公式为：
<mrow>
<msub>
<mi>h</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&beta;</mi>
</mrow>
其中，hi表示像素qi的邻域窗口的半边长；
di是像素qi的深度值；
α和β是手动输入的参数。
4.根据权利要求1所述的基于自适应投影移动最小二乘的结构化点云去噪方法，其特征在于，步骤3中，所述的对深度值进行局部加权的最小二乘拟合的方法是：对于每个像素qi，最小化以下函数：
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>q</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>&phi;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&upsi;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&upsi;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>d</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>q</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo>,</mo>
<mo>|</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>d</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<mo>)</mo>
</mrow>
</mrow>
其中，φi(u，v)是该函数的自变量，表示以像素qi为中心的深度值的局部拟合函数；
qi＝(ui，vi)，ui和vi分别表示像素qi在深度图像中的横纵坐标；
di是像素qi的深度值；
N(qi)＝{qj|||qi-qj||∞≤hi}表示像素qi的邻域窗口内的像素集合，hi是步骤2计算得到的像素qi的邻域窗口的半边长；
是双边滤波核函数，ri＝γ·hi表示像素qi的深度值差异敏感度，γ是手动输入的参数。
5.根据权利要求1所述的基于自适应投影移动最小二乘的结构化点云去噪方法，其特征在于，步骤4中，更新每个像素的深度值的公式为：
<mrow>
<msub>
<mover>
<mi>d</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>&phi;</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，表示像素qi更新后的深度值；
是步骤3计算得到的最优的以像素qi为中心的深度值的局部拟合函数。
6.根据权利要求1所述的基于自适应投影移动最小二乘的结构化点云去噪方法，其特征在于，步骤5的具体方法是，对于每个像素qi，应用如下公式：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>c</mi>
</msub>
</mrow>
<mi>f</mi>
</mfrac>
<mo>&CenterDot;</mo>
<msub>
<mover>
<mi>d</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&upsi;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&upsi;</mi>
<mi>c</mi>
</msub>
</mrow>
<mi>f</mi>
</mfrac>
<mo>&CenterDot;</mo>
<msub>
<mover>
<mi>d</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>d</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，(xi，yi，zi)表示像素qi变换后的三维点坐标；
ui和vi分别表示像素qi在深度图像中的横纵坐标；
是步骤4计算得到的像素qi更新后的深度值；
f表示深度相机的焦距；
(uc，vc)表示深度相机的成像中心坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711420781.XA CN107967675B (zh) | 2017-12-25 | 2017-12-25 | 一种基于自适应投影移动最小二乘的结构化点云去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711420781.XA CN107967675B (zh) | 2017-12-25 | 2017-12-25 | 一种基于自适应投影移动最小二乘的结构化点云去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107967675A true CN107967675A (zh) | 2018-04-27 |
| CN107967675B CN107967675B (zh) | 2021-05-04 |
Family
ID=61994408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711420781.XA Active CN107967675B (zh) | 2017-12-25 | 2017-12-25 | 一种基于自适应投影移动最小二乘的结构化点云去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107967675B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135331A (zh) * | 2019-05-13 | 2019-08-16 | 人加智能机器人技术（北京）有限公司 | 交互行为检测方法、装置、系统、设备和存储介质 |
| CN110297239A (zh) * | 2019-05-21 | 2019-10-01 | 成都青程融创信息技术有限公司 | 全局最优多项式拟合距离对准方法 |
| CN111524084A (zh) * | 2020-05-13 | 2020-08-11 | 曹彬才 | 一种基于多峰高斯拟合的复杂场景光子计数激光雷达点云去噪算法 |
| CN113379812A (zh) * | 2021-05-31 | 2021-09-10 | 上海集成电路制造创新中心有限公司 | 异常像素的滤除方法及设备 |
| CN116091572A (zh) * | 2022-10-21 | 2023-05-09 | 荣耀终端有限公司 | 获取图像深度信息的方法、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663237A (zh) * | 2012-03-21 | 2012-09-12 | 武汉大学 | 基于网格分块与移动最小二乘的点云数据全自动滤波方法 |
| CN104318100A (zh) * | 2014-10-22 | 2015-01-28 | 北京航空航天大学 | 一种基于特征敏感投影算子的厚度点云薄化方法 |
| CN105354880A (zh) * | 2015-10-15 | 2016-02-24 | 东南大学 | 一种基于线激光扫描的喷砂机器人自动路径生成方法 |
| CN106846461A (zh) * | 2016-12-30 | 2017-06-13 | 西安交通大学 | 一种人体三维扫描方法 |
| CN106846272A (zh) * | 2017-01-18 | 2017-06-13 | 西安工程大学 | 一种点云模型的去噪精简方法 |
-
2017
- 2017-12-25 CN CN201711420781.XA patent/CN107967675B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663237A (zh) * | 2012-03-21 | 2012-09-12 | 武汉大学 | 基于网格分块与移动最小二乘的点云数据全自动滤波方法 |
| CN104318100A (zh) * | 2014-10-22 | 2015-01-28 | 北京航空航天大学 | 一种基于特征敏感投影算子的厚度点云薄化方法 |
| CN105354880A (zh) * | 2015-10-15 | 2016-02-24 | 东南大学 | 一种基于线激光扫描的喷砂机器人自动路径生成方法 |
| CN106846461A (zh) * | 2016-12-30 | 2017-06-13 | 西安交通大学 | 一种人体三维扫描方法 |
| CN106846272A (zh) * | 2017-01-18 | 2017-06-13 | 西安工程大学 | 一种点云模型的去噪精简方法 |
Non-Patent Citations (5)
| Title |
|---|
| JAE HYUKLIM等: "MLS (moving least square)-based finite elements for three-dimensional nonmatching meshes and adaptive mesh refinement", 《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》 * |
| M. ALEXA等: "Computing and rendering point set surfaces", 《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS》 * |
| RAVIKRISHNA KOLLURI: "Provably good moving least squares", 《ACM TRANSACTIONS ON ALGORITHMS》 * |
| XIAN-ZE WANG 等: "Robust denoising of unorganized point clouds", 《 IEEE CONFERENCE ANTHOLOGY》 * |
| 谷晓英: "三维重建中点云数据处理关键技术研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135331A (zh) * | 2019-05-13 | 2019-08-16 | 人加智能机器人技术（北京）有限公司 | 交互行为检测方法、装置、系统、设备和存储介质 |
| CN110297239A (zh) * | 2019-05-21 | 2019-10-01 | 成都青程融创信息技术有限公司 | 全局最优多项式拟合距离对准方法 |
| CN111524084A (zh) * | 2020-05-13 | 2020-08-11 | 曹彬才 | 一种基于多峰高斯拟合的复杂场景光子计数激光雷达点云去噪算法 |
| CN111524084B (zh) * | 2020-05-13 | 2023-08-22 | 曹彬才 | 基于多峰高斯拟合的光子计数激光雷达点云去噪方法 |
| CN113379812A (zh) * | 2021-05-31 | 2021-09-10 | 上海集成电路制造创新中心有限公司 | 异常像素的滤除方法及设备 |
| CN116091572A (zh) * | 2022-10-21 | 2023-05-09 | 荣耀终端有限公司 | 获取图像深度信息的方法、电子设备及存储介质 |
| CN116091572B (zh) * | 2022-10-21 | 2023-10-03 | 荣耀终端有限公司 | 获取图像深度信息的方法、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107967675B (zh) | 2021-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107967675B (zh) | 一种基于自适应投影移动最小二乘的结构化点云去噪方法 | |
| Wolff et al. | Point cloud noise and outlier removal for image-based 3D reconstruction | |
| CN106780576B (zh) | 一种面向rgbd数据流的相机位姿估计方法 | |
| CN108399610A (zh) | 一种融合rgb图像信息的深度图像增强方法 | |
| CN108986048B (zh) | 基于线激光扫描三维点云快速复合滤波处理方法 | |
| CN103632366B (zh) | 一种椭圆目标的参数识别方法 | |
| Whelan et al. | Incremental and batch planar simplification of dense point cloud maps | |
| CN106340036A (zh) | 一种基于双目立体视觉的立体匹配方法 | |
| CN108010002B (zh) | 一种基于自适应隐式移动最小二乘的结构化点云去噪方法 | |
| CN107607053B (zh) | 一种基于机器视觉和三维重建技术的立木胸径测量方法 | |
| CN101639947A (zh) | 基于图像的植物三维形态测量与重建方法及系统 | |
| CN110838122B (zh) | 点云的分割方法、装置及计算机存储介质 | |
| WO2019010916A1 (zh) | 一种工件三维点云数据平滑滤波方法 | |
| JP2023021994A (ja) | 自動運転車両に対するデータ処理方法及び装置、電子機器、記憶媒体、コンピュータプログラム、ならびに自動運転車両 | |
| CN110490933A (zh) | 基于单点ransac的非线性状态空间中心差分滤波器方法 | |
| CN112652020B (zh) | 一种基于AdaLAM算法的视觉SLAM方法 | |
| CN116309880A (zh) | 基于三维重建的物体位姿确定方法、装置、设备及介质 | |
| CN110021035B (zh) | Kinect深度相机的标记物及基于该标记物的虚拟标记物跟踪方法 | |
| CN108447038B (zh) | 一种基于非局部全变分算子的网格去噪方法 | |
| CN107564045B (zh) | 基于梯度域引导滤波的立体匹配方法 | |
| CN107274367B (zh) | 一种基于结构特征描述的三维几何模型去噪方法 | |
| CN109658357A (zh) | 一种面向遥感卫星图像的去噪方法 | |
| CN117218192A (zh) | 一种基于深度学习与合成数据的弱纹理物体位姿估计方法 | |
| CN116486015A (zh) | 一种格子柜的三维尺寸自动检测和cad数模重建方法 | |
| CN116402904A (zh) | 一种基于激光雷达间和单目相机的联合标定方法 |
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 |