CN108198244A - 一种苹果叶片点云精简方法及装置 - Google Patents
一种苹果叶片点云精简方法及装置 Download PDFInfo
- Publication number
- CN108198244A CN108198244A CN201711385229.1A CN201711385229A CN108198244A CN 108198244 A CN108198244 A CN 108198244A CN 201711385229 A CN201711385229 A CN 201711385229A CN 108198244 A CN108198244 A CN 108198244A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- cloud
- curvature
- boundary
- 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 80
- 239000013598 vector Substances 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims description 47
- 230000000694 effects Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000014759 maintenance of location Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 11
- 238000000205 computational method Methods 0.000 abstract description 2
- 238000003860 storage Methods 0.000 abstract description 2
- 230000008520 organization Effects 0.000 abstract 1
- 239000002699 waste material Substances 0.000 abstract 1
- 238000005070 sampling Methods 0.000 description 11
- 241000196324 Embryophyta Species 0.000 description 8
- 230000000717 retained effect Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000239290 Araneae Species 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 229940064452 artec Drugs 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000009966 trimming Methods 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/36—Level of detail
Landscapes
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种苹果叶片点云精简方法及装置,其中所述方法包括:利用包围盒法进行快速K‑近邻搜索,建立点云的kd‑tree空间存储结构,设定不同的阈值识别叶片点云边界并提取;通过计算点的特征参数法向量、曲率等,并进行邻域点位置信息计算,区别特征点及非特征点,并进一步对非特征点进行精简处理。本发明能够快速方便地得到边界点云及非边界点云,并进一步得到精简结果,过程中可以根据需要设定不同的K值及多个阈值,所得点云精简结果精确度较高,且计算过程便捷、计算方法合理,并适宜自动化编程实现,有效降低了计算机资源的浪费,可在一定程度上提高作业效率。
Description
技术领域
本发明涉及计算机图形学中植物对象的三维建模和虚拟农业技术领域,更具体地,涉及一种苹果叶片点云精简方法及装置。
背景技术
果树叶片的形态结构以及空间分布直接影响果实的质量和产量,对果树叶片的形态结构进行分析和三维重建能为冠层光照分布计算以及果树整形修剪等提供理论基础。国内外学者针对植物叶片三维重建及可视化开展了大量的工作,随着三维激光扫描设备的生产数量增多和价格的降低,其能够被逐渐应用到植物建模领域中,对植物空间信息的表达精准且快速。
通过三维激光扫描设备可获取到植物叶片大规模的点云数据,点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点的集合。若将大规模的点云数据直接用于坐标变换、参数提取、颜色映射、曲面重建等植物叶片三维重建的几何操作中将占用大量的计算机资源并且运算效率低下,因此,有必要对获取到的点云数据进行精简。目前,针对苹果叶片的点云精简方法相对较少,较多数的点云精简方法是针对刚性器械元件,少量针对植物叶片的点云精简方法也多倾向于叶片较大、特征简单的植物,如玉米、黄瓜等,通常采用随机采样、统一采样、等距采样、曲率采样和格栅法等方法实现点云数据的精简。
由于苹果叶片形态特征复杂且对细节描述要求较高,上述各单一采样方法可能会存在细节特征丢失严重、空洞问题,不适用于苹果叶片点云数据的精简。
发明内容
为了克服现有点云精简方法存在的细节特征丢失严重、空洞,不适用于苹果叶片的问题,本发明提供一种苹果叶片点云精简方法及装置。
根据本发明的一个方面,提供一种苹果叶片点云精简方法,包括:
S1,使用三维激光扫描设备获取苹果叶片的空间三维信息,并对所述空间三维信息进行去噪处理,获得原始点云;
S2,利用基于包围盒的K-邻域搜索方法计算所述原始点云中的任一点的K-邻域,并通过计算每个点与其K-邻域内各邻近点之间的平均距离确定是否为离群点,将所有离群点从所述原始点云中删除,获得当前点云;
S3,基于最小二乘法计算所述当前点云中的任一点的法向量、K-邻域内的局部平均曲率以及所述当前点云的全局平均曲率和曲率方差;
S4,通过建立k-d树空间拓扑结构并利用所述当前点云中各个点与其K-邻域内各邻近点之间的位置关系,确定当前点云中的边界点;
S5,对于当前点云中的任一非边界点,根据所述全局平均曲率、曲率方差以及预设的点云精简率确定曲率阈值,并根据所述非边界点的K-邻域内的局部平均曲率与所述曲率阈值间的大小关系以及所述非边界点与其K-邻域内所有邻近点的法向量的点积和的正负情况,将所述非边界点划分为特征点及非特征点;
S6,根据所述预设的点云精简率,将所有非特征点所组成的点云划分为多个边长等长的子立方体,计算每个所述子立方体的重心点,并将所述边界点、特征点及重心点存储为最终的精简点云结果。
其中,所述步骤S2进一步包括:
S21,建立所述原始点云的最大包围盒;
S22,将所述最大包围盒划分为边长等长的多个子立方体,从所述原始点云中任意选取一个点作为当前点,根据当前点的坐标值,计算当前点所在子立方体的索引并进行存储;
S23,在当前点所在子立方体及相邻的26个子立方体中搜索距离当前点最近的前K个点作为当前点的K-邻域,并在搜索过程中,通过创建两个向量分别存储当前点的K-邻域内各邻近点的索引以及当前点与其K-邻域内各邻近点间的欧氏距离;
S24,根据当前点与其K-邻域内各邻近点间的欧氏距离计算当前点与其K-邻域内各邻近点间的平均距离;
S25,重复步骤S21至S24直至遍历完所述原始点云,根据所述原始点云中的各个点与其K-邻域内各邻近点间的平均距离计算全局平均距离和距离方差;
S26,根据所述全局平均距离和距离方差确定距离阈值,将所获得的各个点与其K-邻域内各邻近点间的平均距离与所述距离阈值逐一进行比较,若所述平均距离大于距离阈值,则将所述平均阈值对应的点标记为离群点;
S27,将所有离群点从所述原始点云中删除,获得当前点云。
其中,所述步骤S3进一步包括:
S31,确定曲面拟和方程,并根据最小二乘拟合原理,使所述曲面拟合方程取最小值,获得下式:
S32,分别对上式中的常系数a,b,c求偏导并取0,获得常系数a,b,c的值;
S33,记
分别记偏导为fx,fy,fxy,fxx,fyy,则所述当前点云中的任一点Pi的法向量
S34,根据上述各偏导fx,fy,fxy,fxx及fyy的值,分别计算所述点Pi的高斯曲率KGauss、K-邻域内的局部平均曲率Hi;
S35,重复步骤S31至S34,直至遍历完所述当前点云,并根据当前点云各点的K-邻域内的局部平均曲率计算当前点云的全局平均曲率Hglobal以及曲率方差。
其中,所述步骤S4进一步包括:
S41,以当前点云中的任一点Pi(xi,yi,zi)作为中心点,搜索所述中心点的K-邻域Nb(Pi)={P1,P2,…,Pk},确定该中心点的k-邻域中距离该中心点最近的邻近点Pm(xm,ym,zm);
S42,以所述最近的邻近点Pm(xm,ym,zm)与中心点Pi(xi,yi,zi)组成的向量为基准向量,其他邻近点Pj(xj,yj,zj)与中心点的向量为计算向量与基准向量间的夹角的余弦cosθ,并设置标识f+用于记录cosθ>0的邻近点个数;
S43,设定标识阈值fσ,当f+>fσ时,将该中心点标记为边界点进行提取,反之标记为非边界点。
其中,所述步骤S5进一步包括:
S51,根据所述全局平均曲率Hglobal和曲率方差确定曲率阈值的范围,在所述范围内基于预设的点云精简率选取曲率阈值的具体值Hα;
S52,对所述当前点云中的任一非边界点,若所述非边界点的K-邻域内的局部平均曲率Hi大于所述曲率阈值Hα,则将所述非边界点标记为保留点;
S53,计算所述非边界点与其K-邻域内所有邻近点的法向量的点积和,若所述点积和为非正数,则将所述非边界点标记为保留点;
S54,取步骤S52和步骤S53所获得的保留点的并集,标记为特征点,所述当前点云的非边界点中剩余的点则作为非特征点。
其中,在所述步骤S4之后并在所述步骤S5之前,还包括:
通过设置不同的K值获取多种边界提取效果,并通过综合分析各K值下的相对提取点效率,确定可获得最佳边界提取效果的K值,并将该K值下所获得的当前点云的边界点进行提取。
其中,所述点Pi的高斯曲率KGauss计算公式为:
所述点Pi的K-邻域内的局部平均曲率Hi的计算公式为:
上述各式中,E=fx·fx,F=fx·fy,G=fy·fy,L=fxx·n,M=fyx·n,N=fyy·n,s为当前点云中点的个数。
其中,所述步骤S23还包括:
若在所述当前点所在子立方体及相邻的26个子立方体中搜索到的近邻点的个数未达到K个,则将当前点作为离散点从所述原始点云中删除,并开始遍历下一个点。
根据本发明的另一个方面,提供一种苹果叶片点云精简装置,包括:
去噪模块,用于使用三维激光扫描设备获取苹果叶片的空间三维信息,并对所述空间三维信息进行去噪处理,获得原始点云;
去离群点模块,用于利用基于包围盒的K-邻域搜索方法计算所述原始点云中的任一点的K-邻域,并通过计算每个点与其K-邻域内各邻近点之间的平均距离确定是否为离群点,将所有离群点从所述原始点云中删除,获得当前点云;
曲率计算模块,用于基于最小二乘法计算所述当前点云中的任一点的法向量、K-邻域内的局部平均曲率以及所述当前点云的全局平均曲率和曲率方差;
边界提取模块,用于通过建立k-d树空间拓扑结构并利用所述当前点云中各个点与其K-邻域内各邻近点之间的位置关系,确定当前点云中的边界点;
特征点提取模块,用于对于当前点云中的任一非边界点,根据所述全局平均曲率、曲率方差以及预设的点云精简率确定曲率阈值,并根据所述非边界点的K-邻域内的局部平均曲率与所述曲率阈值间的大小关系以及所述非边界点与其K-邻域内所有邻近点的法向量的点积和的正负情况,将所述非边界点划分为特征点及非特征点;
非特征点精简模块,用于根据所述预设的点云精简率,将所有非特征点所组成的点云划分为多个边长等长的子立方体,计算每个所述子立方体的重心点,并将所述边界点、特征点及重心点存储为最终的精简点云结果。
其中,还包括:
边界提取优化模块,通过设置不同的K值获取多种边界提取效果,并通过综合分析各K值下的相对提取点效率,确定可获得最佳边界提取效果的K值,并将该K值下所获得的当前点云的边界点进行提取。
本发明提出的一种苹果叶片点云精简方法及装置,首先基于K邻域搜索算法对经过去噪处理后的原始点云进行去离群点的处理,然后再进行边界提取,并将非边界点再次划分为特征点与非特征点,能够避免特征信息的流失,减少了空洞现象的发生,可以有效的保留局部曲面变化明显的特征区域,并对非特征点进行基于子立方体重心点保留的精简方法,也进一步地避免了点云的空洞现象的发生,能够为进一步的苹果叶片三维重建研究减少数据优化处理的步骤,可有效提升处理效率。
附图说明
图1为根据本发明一实施例提供的一种苹果叶片点云精简方法的流程示意图;
图2为根据本发明一实施例提供的苹果样本叶片及三维扫描仪获取的样本叶片的三维点云数据;
图3为根据本发明一实施例提供的苹果叶片手动剔除噪点过程图;
图4为根据本发明一实施例提供的去除离散点前后邻域点集距中心点平均距离折线图;
图5为根据本发明一实施例提供的不同K值边界提取效果图;
图6为根据本发明一实施例提供的苹果叶片点云精简方法与其他点云精简方法的效果对比图;
图7为根据本发明一实施例提供的苹果叶片点云精简装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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他的实施例,都属于本发明保护的范围。
如图1所示,为本发明一实施例提供的一种苹果叶片点云精简方法的流程示意图,包括:
S1,使用三维激光扫描设备获取苹果叶片的空间三维信息,并对所述空间三维信息进行去噪处理,获得原始点云;
S2,利用基于包围盒的K-邻域搜索方法计算所述原始点云中的任一点的K-邻域,并通过计算每个点与其K-邻域内各邻近点之间的平均距离确定是否为离群点,将所有离群点从所述原始点云中删除,获得当前点云;
S3,基于最小二乘法计算所述当前点云中的任一点的法向量、K-邻域内的局部平均曲率以及所述当前点云的全局平均曲率和曲率方差;
S4,通过建立k-d树空间拓扑结构并利用所述当前点云中各个点与其K-邻域内各邻近点之间的位置关系,确定当前点云中的边界点;
S5,对于当前点云中的任一非边界点,根据所述全局平均曲率、曲率方差以及预设的点云精简率确定曲率阈值,并根据所述非边界点的K-邻域内的局部平均曲率与所述曲率阈值间的大小关系以及所述非边界点与其K-邻域内所有邻近点的法向量的点积和的正负情况,将所述非边界点划分为特征点及非特征点;
S6,根据所述预设的点云精简率,将所有非特征点所组成的点云划分为多个边长等长的子立方体,计算每个所述子立方体的重心点,并将所述边界点、特征点及重心点存储为最终的精简点云结果。
具体地,S1中,首先使用三维激光扫描设备,如ArtecSpider,获取苹果叶片的空间三维信息即点云,如图2中所示,图2左边的图为苹果叶片的原始图像,图2右边的图为苹果叶片的点云图。由于扫描设备的限制和随机误差的存在,获取的叶片点云数据在叶片边缘和叶片狭缝处不可避免的会有噪点产生,为了最大程度地还原真实苹果叶片的三维形态,需对叶片三维点云进行去噪处理,可以应用平滑滤波算法如高斯滤波对点云进行去噪处理,在进行滤波处理后叶片边缘仍有噪点,再采用手动交互方法剔除边缘噪点,最后应用孤立点排异法去除其余部分。如图3所示,为手动剔除噪点的过程图,其中,图3的左图为苹果叶片的点云图,中图为噪声点,右图为去除噪声点后的点云图,为方便描述,将去除噪声点后的点云图作为原始点云图。记原始点云P={Pi|i=1,2,3,…,N},其中,Pi(xi,yi,zi)为苹果叶片原始点云中的任一点,N为所述原始点云中点的总数。
S2,采用基于K-邻域搜索的平均距离计算的方法,确定离散点并去除。对经过去噪处理后的所述原始点云中的任一点均执行以下步骤:利用K-邻域搜索方法计算当前点Pi(xi,yi,zi)的K-邻域,记为Nb(Pi)={P1,P2,…,Pk},计算当前点Pi与其K-邻域内各邻近点之间的距离,并取平均值D(Pi)作为平均距离,预先设定的距离阈值为Dσ,若D(Pi)>Dσ,则标记Pi为离群点。然后,将所有离群点从所述经过去噪处理后的所述原始点云中删除。
S3,基于最小二乘法计算所述当前点云中的任一点的法向量、K-邻域内的局部平均曲率以及所述当前点云的全局平均曲率和曲率方差;所述的最佳曲率计算方法为最小二乘拟合法,具有很好的稳定性且计算简单。
S4中通过建立散乱点云的kd-tree空间拓扑结构,利用点与其邻域点位置关系信息,确定边界点并提取。主要步骤为:基于步骤S2的快速近邻搜索方法,重新存储K-邻域信息,以距离中心点最近的点与其形成的向量为基准向量,,计算其他邻域点与中心点的向量与基准向量之间的夹角θ,设置标识f+记录cosθ>0的邻域点个数,即以向量角作为角的临界;设定标识阈值fσ,当f+>fσ,说明向量角中的点个数小于标识阈值,可以认为中心点Pi(xi,yi,zi)的邻域点分布相对集中于中心点的单侧,故标记为边界点提取,反之标记为非边界点保留。本步骤中通过设定的角度阈值以及标识阈值判断是否为边界点,提高了算法的包容性,减小了小部分点的干扰作用导致的结果偏差。
S5是对非边界点进行精简处理,为了更好的保留叶片的几何形状和特征,在曲率变化较明显的部分保留较多的点,此部分为特征区域;在曲率变化较小的部分,即平坦区域应删除较多的点。特征点的识别主要利用了两次平行判断,其一为根据所述全局平均曲率Hglobal和曲率方差σH确定曲率阈值的范围为(Hglobal±σH),在所述范围内根据预设的点云精简率选取曲率阈值的具体值Hα,并将其与当前非边界点的K邻域内的局部平均曲率Hi作比较,若Hα<Hi,说明此处为曲面变化相对明显区域,为特征点,反之为非特征点。其二为计算所述非边界点与其K-邻域内所有邻近点的法向量的点积和若满足点积关系说明局部曲面变化明显,则当前非边界为特征点;取所述两次判断所获得的特征点的并集,标记为强制保留,则可将所述当前点云的非边界点中剩余的点则作为非特征点,标记为待删除。
S6,对非特征点进行精简处理,首先提取所有非特征点,根据精简率及特征点的数量,确定子立方体的边长,将非边界点云划分为等大的子立方体,计算每个子立方体的重心点,作为每簇立方体内点集的代表点进行保留,子立方体中的其他点则删除。
最后将边界点、特征点及每簇点集的重心点存储为最终的精简点云结果。
本发明提出的一种苹果叶片点云精简方法,首先基于K邻域搜索算法对经过去噪处理后的原始点云进行去离群点的处理,然后再进行边界提取,并将非边界点再次划分为特征点与非特征点,能够避免特征信息的流失,减少了空洞现象的发生,可以有效的保留局部曲面变化明显的特征区域,并对非特征点进行基于子立方体重心点保留的精简方法,也进一步地避免了点云的空洞现象的发生,能够为进一步的苹果叶片三维重建研究减少数据优化处理的步骤,可有效提升处理效率。
基于上述实施例,所述步骤S2进一步包括:
S21,建立所述原始点云的最大包围盒:设所述原始点云为P={Pi|i=1,2,3,…,N},其中,Pi(xi,yi,zi)为所述原始点云中的任一点,N为所述原始点云中点的总数,其在X,Y,Z坐标轴方向上的最大值和最小值分别记为xmax,xmin,ymax,ymin,zmax,zmin,则所述原始点云的最大包围盒可表示为:
S22,将所述最大包围盒划分为边长等长的多个子立方体,其中,所述子立方体的边长为l,从所述原始点云中任意选取一个点作为当前点,根据当前点Pi的坐标值,计算当前点Pi所在子空间的索引index(Pi)=(x,y,z),其中,索引计算公式为:
S23,在当前点所在子立方体及相邻的26个子立方体中搜索距离当前点最近的前K个点作为当前点的K-邻域,记为Nb(Pi)={P1,P2,…,Pk}并在搜索过程中,通过创建两个向量pointIdxNKNSearch和pointNKNdist分别存储当前点的K-邻域内各邻近点的索引以及当前点与其K-邻域内各邻近点间的欧氏距离,为后续的邻域点信息调用等降低了计算机开销。
S24,根据当前点与其K-邻域内各邻近点间的欧氏距离计算当前点与其K-邻域内各邻近点间的平均距离;
具体地,首先计算当前点Pi与其K-邻域内各邻近点间的欧式距离dist(Pi),并取平均值D(Pi)作为平均距离,其中,
S25,重复步骤S21至S24直至遍历完所述原始点云,根据所述原始点云中的各个点与其K-邻域内各邻近点间的平均距离D(Pi)计算全局平均距离Dglobal和距离方差;
S26,根据所述全局平均距离Dglobal和距离方差σD确定距离阈值Dσ,即距离阈值的取值范围为(Dglobal±σD),可以根据需要在所述取值范围(Dglobal±σD)内进行设定;将所获得的各个点与其K-邻域内各邻近点间的平均距离D(Pi)与所述距离阈值Dσ逐一进行比较,若所述平均距离大于距离阈值,则将所述平均阈值对应的点Pi标记为离群点;
S27,将所有离群点从所述原始点云中删除,获得当前点云。
其中,在步骤S23中,若在所述当前点所在子立方体及相邻的26个子立方体中搜索到的近邻点的个数未达到K个,则将当前点作为离散点从所述原始点云中删除,并开始遍历下一个点。
可以根据需要确定子包围盒的边长l、K-近邻搜索的K值、距离阈值等多种参数,以实现对苹果叶片进行不同程度的精简。离散点去除结果分析的参数为邻域点距中心点的平均距离,分析结果如图4所示,图4(a)为去除离散点前邻域点集距中心点平均距离折线图,图4(b)为去除离散点前邻域点集距中心点平均距离折线图,从图4(b)中可以看出,折线图相对平稳,说明大量的离散点被去除。
基于上述实施例,所述步骤S3进一步包括:
S31,确定曲面拟和方程,并根据最小二乘拟合原理,使所述曲面拟合方程取最小值,分别如下所示:
S32,分别对(6)式中的常系数a,b,c求偏导并取0得到方程组(7),可计算出常系数a,b,c的值:
S33,将公式(5)转换为
分别记偏导为fx,fy,fxy,fxx,fyy,则所述当前点云中的任一点Pi的单位法向量可近似为
S34,根据上述各偏导fx,fy,fxy,fxx及fyy的值,分别计算所述点Pi的高斯曲率KGauss、K-邻域内的局部平均曲率Hi,其中,
S35,重复步骤S31至S34,直至遍历完所述当前点云,并根据当前点云各点的K-邻域内的局部平均曲率计算当前点云的全局平均曲率Hglobal以及曲率方差σH,其中,
公式(10)至(12)中,E=fx·fx,F=fx·fy,G=fy·fy,L=fxx·n,M=fyx·n,N=fyy·n,s为当前点云中点的个数。
基于上述实施例,所述步骤S4进一步包括:
S41,以当前点云中的任一点Pi(xi,yi,zi)作为中心点,搜索所述中心点的K-邻域Nb(Pi)={P1,P2,…,Pk},确定该中心点的k-邻域中距离该中心点最近的邻近点Pm(xm,ym,zm);
S42,以所述最近的邻近点Pm(xm,ym,zm)与中心点Pi(xi,yi,zi)组成的向量为基准向量,其他邻近点Pj(xj,yj,zj)与中心点的向量为计算向量与基准向量间的夹角的余弦并设置标识f+用于记录cosθ>0的邻近点个数,还可设置设置标识f-,用于记录cosθ<0的邻近点个数;
S43,设定标识阈值fσ,当f+>fσ时,说明向量角中的点个数小于标识阈值,可以认为中心点Pi(xi,yi,zi)的邻域点分布相对集中于中心点的单侧,故标记为边界点进行提取,反之标记为非边界点进行保留。其中,可以通过设定一个距离半径r,在以r为半径的球体内找其k邻域内邻近点的个数,标识阈值则取该个数的一半。
基于上述实施例,所述步骤S5进一步包括:
S51,根据所述全局平均曲率Hglobal和曲率方差确定曲率阈值的范围,在所述范围内基于预设的点云精简率选取曲率阈值的具体值Hα;
根据所述全局平均曲率Hglobal和曲率方差σH确定曲率阈值的范围为(Hglobal±σH),在所述范围(Hglobal±σH)内根据预设的点云精简率选取曲率阈值的具体值Hα
S52,对所述当前点云中的任一非边界点,若所述非边界点的K-邻域内的局部平均曲率Hi大于所述曲率阈值Hα,则将所述非边界点标记为保留点;
若Hα<Hi,说明此处为曲面变化相对明显区域,为特征点,反之为非特征点。
S53,计算所述非边界点与其K-邻域内所有邻近点的法向量的点积和,若所述点积和为非正数,则将所述非边界点标记为保留点;
假设非边界点Pi与其邻域点法向量分别为np,nq,若满足点积关系说明局部曲面变化明显,则点Pi为特征点;
S5i4,取步骤S52和步骤S53所获得的保留点的并集,标记为特征点,所述当前点云的非边界点中剩余的点则作为非特征点,可以进行删除。
基于上述实施例,在所述步骤S4之后并在所述步骤S5之前,还包括:
通过设置不同的K值获取多种边界提取效果,并通过综合分析各K值下的相对提取点效率,确定可获得最佳边界提取效果的K值,并将该K值下所获得的当前点云的边界点进行提取。
具体地,可以通过设置不同的K值,获取多种边界提取效果,综合分析相对提取点效率等参数,最终确定边界点云。不同K值的提取效果如图5所示,图5中(a)、(b)、(c)、(d)和(e)分别表示K=20,K=24,K=28,K=32以及K=36时边界点提取的效果图,边界点提取的相关参数分析如表1中所示。
通过综合分析,优选K=32时的边界提取结果作为最终结果,此时相对运算效率较高且具有良好效果。
表1不同K值的提取参数表
最后,将本发明实施例所提供的苹果叶片点云精简方法,与传统的曲率采样法、随机采样法、统一采样法和格栅法进行进行精简效果的对比,如图6所示,为所述各方法的精简效果图,其中,(a)为本发明提出的方法的点云精简结果,(b)为基于Geomagic Studio软件的曲率采样法点云精简结果,(c)为随机采样法点云精简结果,(d)为统一采样法点云精简结果,(e)为格栅采样法点云精简结果,各方法的对比参数分析如表2所示。
表2各方法的对比参数分析
如图7所示,为本发明另一实施例提供的一种苹果叶片点云精简装置的结构示意图,包括:去噪模块71、去离群点模块72、曲率计算模块73、边界提取模块74、特征点提取模块75和非特征点精简模块76,其中,
去噪模块71,用于使用三维激光扫描设备获取苹果叶片的空间三维信息,并对所述空间三维信息进行去噪处理,获得原始点云;
去离群点模块72,用于利用基于包围盒的K-邻域搜索方法计算所述原始点云中的任一点的K-邻域,并通过计算每个点与其K-邻域内各邻近点之间的平均距离确定是否为离群点,将所有离群点从所述原始点云中删除,获得当前点云;
曲率计算模块73,用于基于最小二乘法计算所述当前点云中的任一点的法向量、K-邻域内的局部平均曲率以及所述当前点云的全局平均曲率和曲率方差;
边界提取模块74,用于通过建立k-d树空间拓扑结构并利用所述当前点云中各个点与其K-邻域内各邻近点之间的位置关系,确定当前点云中的边界点;
特征点提取模块75,用于对于当前点云中的任一非边界点,根据所述全局平均曲率、曲率方差以及预设的点云精简率确定曲率阈值,并根据所述非边界点的K-邻域内的局部平均曲率与所述曲率阈值间的大小关系以及所述非边界点与其K-邻域内所有邻近点的法向量的点积和的正负情况,将所述非边界点划分为特征点及非特征点;
非特征点精简模块76,用于根据所述预设的点云精简率,将所有非特征点所组成的点云划分为多个边长等长的子立方体,计算每个所述子立方体的重心点,并将所述边界点、特征点及重心点存储为最终的精简点云结果。
具体地,去噪模块71用于使用三维激光扫描设备(如Artec Spider)获取苹果叶片的空间三维信息即点云,由于扫描设备的限制和随机误差的存在,获取的叶片点云数据在叶片边缘和叶片狭缝处不可避免的会有噪点产生,为了最大程度地还原真实苹果叶片的三维形态,需对叶片三维点云进行去噪处理,可以应用平滑滤波算法如高斯滤波对点云进行去噪处理,在进行滤波处理后叶片边缘仍有噪点,再采用手动交互方法剔除边缘噪点,最后应用孤立点排异法去除其余部分。记原始点云P={Pi|i=1,2,3,…,N},其中,Pi(xi,yi,zi)为苹果叶片原始点云中的任一点,N为所述原始点云中点的总数。
去离群点模块72采用基于K-邻域搜索的平均距离计算的方法,确定离散点并去除。对经过去噪处理后的所述原始点云中的任一点均执行以下步骤:利用K-邻域搜索方法计算当前点Pi(xi,yi,zi)的K-邻域,记为Nb(Pi)={P1,P2,…,Pk},计算当前点Pi与其K-邻域内各邻近点之间的距离,并取平均值D(Pi)作为平均距离,预先设定的距离阈值为Dσ,若D(Pi)>Dσ,则标记Pi为离群点。然后,将所有离群点从所述经过去噪处理后的所述原始点云中删除。
曲率计算模块73基于最小二乘法计算所述当前点云中的任一点的法向量、K-邻域内的局部平均曲率以及所述当前点云的全局平均曲率和曲率方差;所述的最佳曲率计算方法为最小二乘拟合法,具有很好的稳定性且计算简单。
边界提取模块74通过建立散乱点云的kd-tree空间拓扑结构,利用点与其邻域点位置关系信息,确定边界点并提取。主要步骤为:基于步骤S2的快速近邻搜索方法,重新存储K-邻域信息,以距离中心点最近的点与其形成的向量为基准向量,计算其他邻域点与中心点的向量与基准向量之间的夹角θ,设置标识f+记录cosθ>0的邻域点个数,即以向量角作为角的临界;设定标识阈值fσ,当f+>fσ,说明向量角中的点个数小于标识阈值,可以认为中心点Pi(xi,yi,zi)的邻域点分布相对集中于中心点的单侧,故标记为边界点提取,反之标记为非边界点保留。本步骤中通过设定的角度阈值以及标识阈值判断是否为边界点,提高了算法的包容性,减小了小部分点的干扰作用导致的结果偏差。
特征点提取模块75对非边界点进行精简处理,为了更好的保留叶片的几何形状和特征,在曲率变化较明显的部分保留较多的点,此部分为特征区域;在曲率变化较小的部分,即平坦区域应删除较多的点。特征点的识别主要利用了两次平行判断,其一为根据所述全局平均曲率Hglobal和曲率方差σH确定曲率阈值的范围为(Hglobal±σH),在所述范围内根据预设的点云精简率选取曲率阈值的具体值Hα,并将其与当前非边界点的K邻域内的局部平均曲率Hi作比较,若Hα<Hi,说明此处为曲面变化相对明显区域,为特征点,反之为非特征点。其二为计算所述非边界点与其K-邻域内所有邻近点的法向量的点积和若满足点积关系说明局部曲面变化明显,则当前非边界为特征点;取所述两次判断所获得的特征点的并集,则可将所述当前点云的非边界点中剩余的点则作为非特征点,非特征点就可以删除。
非特征点精简模块76对非特征点进行精简处理,首先提取所有非特征点,根据精简率及特征点的数量,确定子立方体的边长,将非边界点云划分为等大的子立方体,计算每个子立方体的重心点,作为每簇立方体内点集的代表点进行保留,子立方体中的其他点则删除。最后将边界点、特征点及每簇点集的重心点存储为最终的精简点云结果。
本发明提出的一种苹果叶片点云精简装置,首先基于K邻域搜索算法对经过去噪处理后的原始点云进行去离群点的处理,然后再进行边界提取,并将非边界点再次划分为特征点与非特征点,能够避免特征信息的流失,减少了空洞现象的发生,可以有效的保留局部曲面变化明显的特征区域,并对非特征点进行基于子立方体重心点保留的精简方法,也进一步地避免了点云的空洞现象的发生,能够为进一步的苹果叶片三维重建研究减少数据优化处理的步骤,可有效提升处理效率。
基于上述实施例,还包括:
边界提取优化模块,通过设置不同的K值获取多种边界提取效果,并通过综合分析各K值下的相对提取点效率,确定可获得最佳边界提取效果的K值,并将该K值下所获得的当前点云的边界点进行提取。
具体地,所述苹果叶片点云精简装置还包括边界提取优化模块,可以通过设置不同的K值,获取多种边界提取效果,综合分析相对提取点效率等参数,最终确定边界点云。
最后,本发明的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种苹果叶片点云精简方法,其特征在于,包括:
S1,使用三维激光扫描设备获取苹果叶片的空间三维信息,并对所述空间三维信息进行去噪处理,获得原始点云;
S2,利用基于包围盒的K-邻域搜索方法计算所述原始点云中的任一点的K-邻域,并通过计算每个点与其K-邻域内各邻近点之间的平均距离确定是否为离群点,将所有离群点从所述原始点云中删除,获得当前点云;
S3,基于最小二乘法计算所述当前点云中的任一点的法向量、K-邻域内的局部平均曲率以及所述当前点云的全局平均曲率和曲率方差;
S4,通过建立k-d树空间拓扑结构并利用所述当前点云中各个点与其K-邻域内各邻近点之间的位置关系,确定当前点云中的边界点;
S5,对于当前点云中的任一非边界点,根据所述全局平均曲率、曲率方差以及预设的点云精简率确定曲率阈值,并根据所述非边界点的K-邻域内的局部平均曲率与所述曲率阈值间的大小关系以及所述非边界点与其K-邻域内所有邻近点的法向量的点积和的正负情况,将所述非边界点划分为特征点及非特征点;
S6,根据所述预设的点云精简率,将所有非特征点所组成的点云划分为多个边长等长的子立方体,计算每个所述子立方体的重心点,并将所述边界点、特征点及重心点存储为最终的精简点云结果。
2.根据权利要求1所述的方法,其特征在于,所述步骤S2进一步包括:
S21,建立所述原始点云的最大包围盒;
S22,将所述最大包围盒划分为边长等长的多个子立方体,从所述原始点云中任意选取一个点作为当前点,根据当前点的坐标值,计算当前点所在子立方体的索引并进行存储;
S23,在当前点所在子立方体及相邻的26个子立方体中搜索距离当前点最近的前K个点作为当前点的K-邻域,并在搜索过程中,通过创建两个向量分别存储当前点的K-邻域内各邻近点的索引以及当前点与其K-邻域内各邻近点间的欧氏距离;
S24,根据当前点与其K-邻域内各邻近点间的欧氏距离计算当前点与其K-邻域内各邻近点间的平均距离;
S25,重复步骤S21至S24直至遍历完所述原始点云,根据所述原始点云中的各个点与其K-邻域内各邻近点间的平均距离计算全局平均距离和距离方差;
S26,根据所述全局平均距离和距离方差确定距离阈值,将所获得的各个点与其K-邻域内各邻近点间的平均距离与所述距离阈值逐一进行比较,若所述平均距离大于距离阈值,则将所述平均阈值对应的点标记为离群点;
S27,将所有离群点从所述原始点云中删除,获得当前点云。
3.根据权利要求2所述的方法,其特征在于,所述步骤S3进一步包括:
S31,确定曲面拟和方程,并根据最小二乘拟合原理,使所述曲面拟合方程取最小值,获得下式:
S32,分别对上式中的常系数a,b,c求偏导并取0,获得常系数a,b,c的值;
S33,记
分别记偏导为fx,fy,fxy,fxx,fyy,则所述当前点云中的任一点Pi的法向量
S34,根据上述各偏导fx,fy,fxy,fxx及fyy的值,分别计算所述点Pi的高斯曲率KGauss、K-邻域内的局部平均曲率Hi;
S35,重复步骤S31至S34,直至遍历完所述当前点云,并根据当前点云各点的K-邻域内的局部平均曲率计算当前点云的全局平均曲率Hglobal以及曲率方差。
4.根据权利要求3所述的方法,其特征在于,所述步骤S4进一步包括:
S41,以当前点云中的任一点Pi(xi,yi,zi)作为中心点,搜索所述中心点的K-邻域Nb(Pi)={P1,P2,···,Pk},确定该中心点的k-邻域中距离该中心点最近的邻近点Pm(xm,ym,zm);
S42,以所述最近的邻近点Pm(xm,ym,zm)与中心点Pi(xi,yi,zi)组成的向量为基准向量,其他邻近点Pj(xj,yj,zj)与中心点的向量为计算向量与基准向量间的夹角的余弦cosθ,并设置标识f+用于记录cosθ>0的邻近点个数;
S43,设定标识阈值fσ,当f+>fσ时,将该中心点标记为边界点进行提取,反之标记为非边界点。
5.根据权利要求4所述的方法,其特征在于,所述步骤S5进一步包括:
S51,根据所述全局平均曲率Hglobal和曲率方差确定曲率阈值的范围,在所述范围内基于预设的点云精简率选取曲率阈值的具体值Hα;
S52,对所述当前点云中的任一非边界点,若所述非边界点的K-邻域内的局部平均曲率Hi大于所述曲率阈值Hα,则将所述非边界点标记为保留点;
S53,计算所述非边界点与其K-邻域内所有邻近点的法向量的点积和,若所述点积和为非正数,则将所述非边界点标记为保留点;
S54,取步骤S52和步骤S53所获得的保留点的并集,标记为特征点,所述当前点云的非边界点中剩余的点则作为非特征点。
6.根据权利要求1-5任一所述的方法,其特征在于,在所述步骤S4之后并在所述步骤S5之前,还包括:
通过设置不同的K值获取多种边界提取效果,并通过综合分析各K值下的相对提取点效率,确定可获得最佳边界提取效果的K值,并将该K值下所获得的当前点云的边界点进行提取。
7.根据权利要求3所述的方法,其特征在于,所述点Pi的高斯曲率KGauss计算公式为:
所述点Pi的K-邻域内的局部平均曲率Hi的计算公式为:
上述各式中,E=fx·fx,F=fx·fy,G=fy·fy,L=fxx·n,M=fyx·n,N=fyy·n,s为当前点云中点的个数。
8.根据权利要求2所述的方法,其特征在于,所述步骤S23还包括:
若在所述当前点所在子立方体及相邻的26个子立方体中搜索到的近邻点的个数未达到K个,则将当前点作为离散点从所述原始点云中删除,并开始遍历下一个点。
9.一种苹果叶片点云精简装置,其特征在于,包括:
去噪模块,用于使用三维激光扫描设备获取苹果叶片的空间三维信息,并对所述空间三维信息进行去噪处理,获得原始点云;
去离群点模块,用于利用基于包围盒的K-邻域搜索方法计算所述原始点云中的任一点的K-邻域,并通过计算每个点与其K-邻域内各邻近点之间的平均距离确定是否为离群点,将所有离群点从所述原始点云中删除,获得当前点云;
曲率计算模块,用于基于最小二乘法计算所述当前点云中的任一点的法向量、K-邻域内的局部平均曲率以及所述当前点云的全局平均曲率和曲率方差;
边界提取模块,用于通过建立k-d树空间拓扑结构并利用所述当前点云中各个点与其K-邻域内各邻近点之间的位置关系,确定当前点云中的边界点;
特征点提取模块,用于对于当前点云中的任一非边界点,根据所述全局平均曲率、曲率方差以及预设的点云精简率确定曲率阈值,并根据所述非边界点的K-邻域内的局部平均曲率与所述曲率阈值间的大小关系以及所述非边界点与其K-邻域内所有邻近点的法向量的点积和的正负情况,将所述非边界点划分为特征点及非特征点;
非特征点精简模块,用于根据所述预设的点云精简率,将所有非特征点所组成的点云划分为多个边长等长的子立方体,计算每个所述子立方体的重心点,并将所述边界点、特征点及重心点存储为最终的精简点云结果。
10.根据权利要求9所述的装置,其特征在于,还包括:
边界提取优化模块,通过设置不同的K值获取多种边界提取效果,并通过综合分析各K值下的相对提取点效率,确定可获得最佳边界提取效果的K值,并将该K值下所获得的当前点云的边界点进行提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711385229.1A CN108198244B (zh) | 2017-12-20 | 2017-12-20 | 一种苹果叶片点云精简方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711385229.1A CN108198244B (zh) | 2017-12-20 | 2017-12-20 | 一种苹果叶片点云精简方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108198244A true CN108198244A (zh) | 2018-06-22 |
CN108198244B CN108198244B (zh) | 2020-11-10 |
Family
ID=62577349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711385229.1A Expired - Fee Related CN108198244B (zh) | 2017-12-20 | 2017-12-20 | 一种苹果叶片点云精简方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108198244B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109166145A (zh) * | 2018-08-10 | 2019-01-08 | 中国农业大学 | 一种基于聚类分割的果树叶片生长参数提取方法及系统 |
CN109270963A (zh) * | 2018-09-29 | 2019-01-25 | 武汉理工大学 | 一种基于反光布和激光雷达的轮椅自动跟随系统及方法 |
CN109410342A (zh) * | 2018-09-28 | 2019-03-01 | 昆明理工大学 | 一种保留边界点的点云精简方法 |
CN109685841A (zh) * | 2019-01-03 | 2019-04-26 | 上海狮迈科技有限公司 | 三维模型与点云的配准方法及系统 |
CN109889840A (zh) * | 2019-03-20 | 2019-06-14 | 北京大学深圳研究生院 | 点云编码和解码的方法、编码设备和解码设备 |
CN109961512A (zh) * | 2019-03-19 | 2019-07-02 | 汪俊 | 地形机载点云提取方法及装置 |
CN110047133A (zh) * | 2019-04-16 | 2019-07-23 | 重庆大学 | 一种面向点云数据的列车边界提取方法 |
CN110807781A (zh) * | 2019-10-24 | 2020-02-18 | 华南理工大学 | 一种保留细节与边界特征的点云精简方法 |
CN111062255A (zh) * | 2019-11-18 | 2020-04-24 | 苏州智加科技有限公司 | 三维点云的标注方法、装置、设备及存储介质 |
CN111077844A (zh) * | 2019-12-12 | 2020-04-28 | 南京航空航天大学 | 一种基于实测数据特征引导的零件精确加工方法 |
CN111460974A (zh) * | 2020-03-30 | 2020-07-28 | 华南理工大学 | 一种基于优化的散乱点云数据全局特征提取方法 |
CN111652855A (zh) * | 2020-05-19 | 2020-09-11 | 西安交通大学 | 一种基于存活概率的点云精简方法 |
CN112179282A (zh) * | 2020-09-10 | 2021-01-05 | 大连理工大学 | 一种适用于装配间隙数字化测量的点云数据模型虚拟装配方法 |
CN112967296A (zh) * | 2021-03-10 | 2021-06-15 | 重庆理工大学 | 一种点云动态区域图卷积方法、分类方法及分割方法 |
WO2021159838A1 (zh) * | 2020-10-12 | 2021-08-19 | 平安科技(深圳)有限公司 | 点云数据的精简方法、装置、存储介质及电子设备 |
CN113362437A (zh) * | 2021-06-02 | 2021-09-07 | 山东大学 | 一种点云重采样方法、系统、存储介质及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070136408A1 (en) * | 2005-11-21 | 2007-06-14 | Wheeler Mark D | Identification of occluded edge regions from 3D point data |
CN102890828A (zh) * | 2012-06-15 | 2013-01-23 | 北京理工大学 | 基于法向夹角的点云数据精简方法 |
CN103701466A (zh) * | 2012-09-28 | 2014-04-02 | 上海市政工程设计研究总院(集团)有限公司 | 基于特征保留的散乱点云压缩算法 |
CN105069845A (zh) * | 2015-07-29 | 2015-11-18 | 南京信息工程大学 | 基于曲面变化的点云精简方法 |
CN106373118A (zh) * | 2016-08-30 | 2017-02-01 | 华中科技大学 | 可有效保留边界和局部特征的复杂曲面零件点云精简方法 |
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 |
CN106874628A (zh) * | 2017-03-23 | 2017-06-20 | 河北工业大学 | 一种航空发动机压气机叶片叶尖缺损的三维重建方法 |
-
2017
- 2017-12-20 CN CN201711385229.1A patent/CN108198244B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070136408A1 (en) * | 2005-11-21 | 2007-06-14 | Wheeler Mark D | Identification of occluded edge regions from 3D point data |
CN102890828A (zh) * | 2012-06-15 | 2013-01-23 | 北京理工大学 | 基于法向夹角的点云数据精简方法 |
CN103701466A (zh) * | 2012-09-28 | 2014-04-02 | 上海市政工程设计研究总院(集团)有限公司 | 基于特征保留的散乱点云压缩算法 |
CN105069845A (zh) * | 2015-07-29 | 2015-11-18 | 南京信息工程大学 | 基于曲面变化的点云精简方法 |
CN106373118A (zh) * | 2016-08-30 | 2017-02-01 | 华中科技大学 | 可有效保留边界和局部特征的复杂曲面零件点云精简方法 |
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 |
CN106874628A (zh) * | 2017-03-23 | 2017-06-20 | 河北工业大学 | 一种航空发动机压气机叶片叶尖缺损的三维重建方法 |
Non-Patent Citations (1)
Title |
---|
吴升等: "基于点云的果树冠层叶片重建方法", 《农业工程学报》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109166145A (zh) * | 2018-08-10 | 2019-01-08 | 中国农业大学 | 一种基于聚类分割的果树叶片生长参数提取方法及系统 |
CN109166145B (zh) * | 2018-08-10 | 2020-12-11 | 中国农业大学 | 一种基于聚类分割的果树叶片生长参数提取方法及系统 |
CN109410342A (zh) * | 2018-09-28 | 2019-03-01 | 昆明理工大学 | 一种保留边界点的点云精简方法 |
CN109270963A (zh) * | 2018-09-29 | 2019-01-25 | 武汉理工大学 | 一种基于反光布和激光雷达的轮椅自动跟随系统及方法 |
CN109685841A (zh) * | 2019-01-03 | 2019-04-26 | 上海狮迈科技有限公司 | 三维模型与点云的配准方法及系统 |
CN109685841B (zh) * | 2019-01-03 | 2020-09-18 | 上海狮迈科技有限公司 | 三维模型与点云的配准方法及系统 |
CN109961512A (zh) * | 2019-03-19 | 2019-07-02 | 汪俊 | 地形机载点云提取方法及装置 |
CN109889840A (zh) * | 2019-03-20 | 2019-06-14 | 北京大学深圳研究生院 | 点云编码和解码的方法、编码设备和解码设备 |
CN110047133A (zh) * | 2019-04-16 | 2019-07-23 | 重庆大学 | 一种面向点云数据的列车边界提取方法 |
CN110807781B (zh) * | 2019-10-24 | 2023-09-29 | 华南理工大学 | 一种保留细节与边界特征的点云精简方法 |
CN110807781A (zh) * | 2019-10-24 | 2020-02-18 | 华南理工大学 | 一种保留细节与边界特征的点云精简方法 |
CN111062255A (zh) * | 2019-11-18 | 2020-04-24 | 苏州智加科技有限公司 | 三维点云的标注方法、装置、设备及存储介质 |
CN111077844A (zh) * | 2019-12-12 | 2020-04-28 | 南京航空航天大学 | 一种基于实测数据特征引导的零件精确加工方法 |
CN111077844B (zh) * | 2019-12-12 | 2020-09-22 | 南京航空航天大学 | 一种基于实测数据特征引导的零件精确加工方法 |
CN111460974A (zh) * | 2020-03-30 | 2020-07-28 | 华南理工大学 | 一种基于优化的散乱点云数据全局特征提取方法 |
CN111460974B (zh) * | 2020-03-30 | 2023-04-28 | 华南理工大学 | 一种基于优化的散乱点云数据全局特征提取方法 |
CN111652855A (zh) * | 2020-05-19 | 2020-09-11 | 西安交通大学 | 一种基于存活概率的点云精简方法 |
CN112179282A (zh) * | 2020-09-10 | 2021-01-05 | 大连理工大学 | 一种适用于装配间隙数字化测量的点云数据模型虚拟装配方法 |
WO2021159838A1 (zh) * | 2020-10-12 | 2021-08-19 | 平安科技(深圳)有限公司 | 点云数据的精简方法、装置、存储介质及电子设备 |
CN112967296A (zh) * | 2021-03-10 | 2021-06-15 | 重庆理工大学 | 一种点云动态区域图卷积方法、分类方法及分割方法 |
CN113362437A (zh) * | 2021-06-02 | 2021-09-07 | 山东大学 | 一种点云重采样方法、系统、存储介质及设备 |
CN113362437B (zh) * | 2021-06-02 | 2022-06-28 | 山东大学 | 一种点云重采样方法、系统、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108198244B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108198244A (zh) | 一种苹果叶片点云精简方法及装置 | |
CN109614922B (zh) | 一种动静态手势识别方法和系统 | |
US10008035B1 (en) | System and method of virtual plant field modelling | |
CN107679509B (zh) | 一种小环藻识别方法及装置 | |
CN103207879B (zh) | 图像索引的生成方法及设备 | |
da Fontoura Costa et al. | A shapeanalysis framework for neuromorphometry | |
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 | |
CN108280236B (zh) | 一种基于LargeVis的随机森林可视化数据分析方法 | |
CN109993748A (zh) | 一种基于点云处理网络的三维网格物体分割方法 | |
CN105893703B (zh) | 一种基于多边形的城市道路网主干道选取方法 | |
Mzoughi et al. | Advanced tree species identification using multiple leaf parts image queries | |
CN103093208A (zh) | 一种果蔬识别的方法及系统 | |
CN109214246A (zh) | 基于全局方向信息的指纹检索方法 | |
CN106780508A (zh) | 一种基于Gabor变换的GrabCut纹理图像分割方法 | |
CN111125469A (zh) | 一种社交网络的用户聚类方法、装置以及计算机设备 | |
CN108564116A (zh) | 一种摄像头场景图像的成分智能分析方法 | |
Koubaroulis et al. | Evaluating colour-based object recognition algorithms using the soil-47 database | |
CN114708208A (zh) | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 | |
CN113313692A (zh) | 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法 | |
CN102136074A (zh) | 一种基于mmi的木材图像纹理分析与识别方法 | |
CN106203528A (zh) | 一种基于特征融合和knn的3d画智能分类算法 | |
CN105631451A (zh) | 一种基于安卓系统的植物叶片识别方法 | |
CN113111830A (zh) | 一种葡萄藤冬剪点检测算法 | |
Wuhrer et al. | Segmenting animated objects into near-rigid components | |
CN111127407A (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201110 |