CN108597019A - 点云采样方法、图像处理设备及具有存储功能的装置 - Google Patents
点云采样方法、图像处理设备及具有存储功能的装置 Download PDFInfo
- Publication number
- CN108597019A CN108597019A CN201810439741.8A CN201810439741A CN108597019A CN 108597019 A CN108597019 A CN 108597019A CN 201810439741 A CN201810439741 A CN 201810439741A CN 108597019 A CN108597019 A CN 108597019A
- Authority
- CN
- China
- Prior art keywords
- point
- data
- data point
- curvature
- 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.)
- Pending
Links
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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
- Image Generation (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请公开一种点云采样方法、图像处理设备及具有存储功能的装置。其中,该点云采样方法包括:获取三维图像的点云数据;计算点云数据中每个数据点的曲率;设置每个数据点对应的采样半径,其中曲率较大的数据点对应的采样半径不大于曲率较小的数据点对应的采样半径,至少部分曲率较大的数据点对应的采样半径小于曲率较小的数据点对应的采样半径;以该采样半径对点云数据进行采样,以使得曲率较大的区域数据密度大于曲率较小的区域。通过上述方式,本申请能够删除冗余数据同时保留较多的特征数据。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种点云采样方法、图像处理设备及具有存储功能的装置。
背景技术
随着三维扫描技术的发展,使三维点云数据模型成为一种新兴数字媒体,在工业制造、建筑设计、产品展示、医学、电子商务等方面有着广泛的应用。由于现有三维扫描设备精度得到极大提高,扫描得到的点云数据具有极高精度的同时,包含了大量冗余数据,导致后续的数据处理过程复杂、速度慢。
发明内容
本申请主要提供一种点云采样方法、图像处理设备及具有存储功能的装置,能够简化点云数据。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种点云采样方法,包括:获取三维图像的点云数据;计算点云数据中每个数据点的曲率;设置每个数据点对应的采样半径,其中曲率较大的数据点对应的采样半径不大于曲率较小的数据点对应的采样半径,至少部分曲率较大的数据点对应的采样半径小于曲率较小的数据点对应的采样半径;以该采样半径对点云数据进行采样,以使得曲率较大的区域数据密度大于曲率较小的区域。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种图像处理设备,其特征在于,包括:相互连接的通信电路和处理器;该处理器利用通信电路获取三维图像的点云数据,并执行程序以实现如上所述的点云采样方法。
为解决上述技术问题,本申请采用的又一个技术方案是:提供一种具有存储功能的装置,存储有指令,该指令被执行时实现如上所述的点云采样方法。
本申请的有益效果是:区别于现有技术的情况,本申请的部分实施例中,通过获取三维图像的点云数据,计算点云数据中每个数据点的曲率,设置每个数据点对应的采样半径,其中曲率较大的数据点对应的采样半径不大于曲率较小的数据点对应的采样半径,至少部分曲率较大的数据点对应的采样半径小于曲率较小的数据点对应的采样半径,以该采样半径对点云数据进行采样,以使得曲率较大的区域数据密度大于曲率较小的区域,从而在曲率较大的区域保留更多的数据点,在曲率较小的区域保留较少的数据点,进而在删除冗余数据的同时,保留特征数据,有利于提高后续数据处理的速度,同时减少存储空间,节约成本。
附图说明
图1是本申请点云采样方法第一实施例的流程示意图;
图2是本申请点云采样方法第二实施例的流程示意图;
图3是第一数据点和第二数据点的空间位置示意图;
图4是本申请点云采样方法第三实施例的流程示意图;
图5是图4中各步骤的具体流程示意图;
图6是本申请点云采样方法第四实施例的流程示意图;
图7是未进行采样的三维图像原始点云数据示意图;
图8是利用本申请点云采样方法处理后的三维图像点云数据示意图;
图9是本申请点云采样方法第五实施例的流程示意图;
图10是本申请图像处理设备一实施例的结构示意图;
图11是本申请具有存储功能的装置一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
如图1所示,本申请点云采样方法第一实施例包括:
S10:获取三维图像的点云数据。
点云是表达物体表面的大量数据点,每个数据点均可以用三维坐标表示。其中,该点云数据至少包括表达该三维图像轮廓的多个数据点的位置坐标,可以直接利用三维扫描设备扫描得到目标的三维点云数据,也可以是从存储设备或其他设备中获取预先存储的三维图像的点云数据,此处不做具体限定。
S11:计算点云数据中每个数据点的曲率。
点云中的数据点通常没有显式的几何拓扑关系,通常采用平面拟合的方法获取拟合平面的曲率,以此作为数据点的曲率。其中,平面拟合的方法可以采用特征值法或最小二乘法等。
S12:设置每个数据点对应的采样半径。
每个数据点的曲率可以表示该数据点的弯曲程度,曲率较大的数据点所处的局部区域弯曲程度较大,曲率较小的数据点所处的局部区域弯曲程度较小,比较平坦。其中,弯曲程度较大的局部区域包含更多能体现三维图像空间特征的特征数据点。
采样半径定义了以数据点为中心,以对应的采样半径为半径的一个圆形采样区域,每个采样区域内采样数据量相同。本实施例中,设置数据点对应的采样半径时,曲率较大的数据点对应的采样半径不大于曲率较小的数据点对应的采样半径,且至少部分曲率较大的数据点对应的采样半径小于曲率较小的数据点对应的采样半径。
例如,设置一个采样半径范围,如[a,b],其中a为最小采样半径,b为最大采样半径。在设置每个数据点对应的采样半径时,可以将曲率最大的数据点对应的采样半径设置为a,曲率最小的数据点对应的采样半径设置为b,同时获取数据点的个数N,可以设置采样半径为等差数列,即设置每两个数据点对应的采样半径差值为(b-a)/N,将数据点按照从小到大的顺序设置对应的采样半径,其中对应的采样半径是从大到小变化。
当然,在其他应用例中,也可以设置某个曲率范围内的多个数据点对应的采样半径为同一个值,此处不做具体限定。
S13:基于设置的采样半径对点云数据进行采样,以使得曲率较大的区域数据密度大于曲率较小的区域。
具体地,基于设置的采样半径对点云数据进行采样时,可以按照预设的顺序选择数据点进行采样,其中该预设的顺序可以是曲率递增/递减顺序,也可以是其他预先设置的顺序,或者随机选择数据点进行采样,此处不做具体限定。
在一个应用例中,首先选择曲率最小的数据点进行采样,采样时,可以删除部分位于以该曲率最小的数据点为中心的采样区域内的数据点。其中,保留的数据点的个数和位置可以根据实际需求设置,如只保留中心数据点,或者只保留中心数据点和离该中心数据点最近的数据点等。然后,按照曲率递增的顺序选择下一个未删除的数据点进行采样,采样过程与上述过程相同,直到完成所有未删除数据点的采样。采样完成后,由于每个采样半径保留的数据点相同,但是曲率较大的数据点的采样半径不大于曲率较小的数据点的采样半径,且至少部分曲率较大的数据点的采样半径是小于曲率较小的数据点的采样半径,因此,曲率较大的区域单位面积的数据点个数要多于曲率较小的区域,即曲率较大的区域的数据密度要大于曲率较小的区域的数据密度。由此,在精简点云中数据点的同时,弯曲程度较大的区域能够保留较多的数据点,即尽量保留较多的特征点,有利于提高后续数据处理的速度,同时还可以减少存储空间,节约成本。
其他实施例中,在基于采样半径进行采样时,为了最大限度的删除冗余数据,可以仅保留中心数据点。
具体如图2所示,本申请点云采样方法第二实施例是在本申请点云采样方法第一实施例的基础上,进一步限定步骤S13包括:
S131:获取第一数据点的位置坐标。
其中,该第一数据点是随机或按预设的顺序选择的采样区域的中心点。该第一数据点的位置坐标是三维坐标,可以采用欧式空间的三维坐标表示,如(x1,y1,z1)。
S132:计算第一数据点和第二数据点的距离。
其中,该第二数据点是除第一数据点以外的至少部分数据点。该第二数据点可以是除第一数据点外的其他数据点,也可以是除第一数据点外的部分数据点,例如将数据点分成多个部分同时进行采样时,该第二数据点则是采样部分数据点中除第一数据点外的其他数据点。
S133:判断该距离是否小于第一数据点对应的采样半径。
若判断结果为是,则执行步骤S134,否则执行步骤S135。
S134:删除该第二数据点。
S135:保留该第二数据点。
S136:按照预设采样顺序选择未删除的另一个数据点作为第一数据点,重复执行上述步骤,直至遍历完成所有未删除的数据点。
其中,该预设采样顺序是预先设置的顺序,可以是曲率变化顺序,也可以是空间位置顺序,有或者随机存储顺序等,此处不做具体限定。
具体地,在一个应用例中,该第二数据点是除第一数据点以外的其他数据点,进行采样时,需要先获取第一数据点和第二数据点的位置坐标,例如图3所示的点A(x1,y1,z1)和点B(x2,y2,z2),然后计算该第一数据点和第二数据点之间的距离,如计算第一数据点A和第二数据点B之间的欧式距离得到该距离d后,将该距离d与该第一数据点A对应的采样半径R1进行比较,若该距离d小于该采样半径R1,则表明该第二数据点B位于以第一数据点A为中心,以采样半径R1为半径的圆形区域内,此时,则删除该第二数据点B。而当该第二数据点不位于以第一数据点A为中心,以采样半径R1为半径的圆形区域内时,如图3中的点C(x3,y3,z3),点C与点A之间的距离大于该采样半径R1,此时,保留该第二数据点C。然后,可以按照预设采样顺序继续选择未删除的另一个数据点作为该第一数据点,重复执行上述采样步骤,直至遍历完成所有未删除的数据点,即所有未删除的数据点均以作为第一数据点执行过上述采样步骤,则采样过程完成。经过上述采样过程后,每个数据点作为第一数据点之后,其对应的采样半径形成的采样区域内,仅保留其自身,采样区域内的其他数据点均被删除,从而删除了冗余数据,精简了点云,也减少了存储空间,有利于提高后续数据处理的速度,提升效率。
在其他实施例中,可以将点云数据划分成多个子点云后设置采样半径进行采样。
具体如图4所示,本申请点云采样方法第三实施例是在本申请点云采样方法第一实施例的基础上,进一步限定步骤S12包括:
S121:将数据点按预设曲率顺序排列后划分为多个子点云。
其中,该预设曲率顺序可以是曲率递增/递减顺序,也可以是曲率递增之后递减顺序,还可以是曲率递减之后递增顺序,具体视实际需求而定,此处不做具体限定。
划分的子点云的数量至少为两个,具体数量可以根据实际需求设置,例如5个子点云。其中每个子点云中数据点的数量可以相同,也可以不同,此处不做具体限定。
当然,在其他实施例中,划分子点云时,可以为每个子点云设置一个曲率范围,将落入对应曲率范围内的数据点划分到对应的子点云中,然后再进行排列。
可选地,如图5所示,步骤S121包括:
S1211:将数据点按曲率递增/递减的顺序排列。
S1212:将排列后的数据点依次平均划分为多个子点云。
具体地,在一个应用例中,计算得到每个数据点的曲率后,可以将数据点按照曲率递增/递减的顺序进行排列,例如1000个数据按照曲率递增的顺序排列,其中曲率相同的数据点可以按照原始存储顺序排列,或者随机排列。划分子点云时,可以将排列后的数据点依次平均划分为N个子点云,例如将1000个排列后的数据点依次平均划分为5个子点云,每个子点云包括200个数据点。
S122:为每个子点云设置一个采样半径,其中数据点曲率较大的子点云的采样半径小于数据点曲率较小的子点云的采样半径。
其中,采样半径的具体数值可以根据三维图像的空间范围等实际情况决定,此处不做具体限定。
在一个应用例中,一个子点云中数据点的曲率范围为[0.01,0.03),另一个子点云中数据点的曲率范围为(0.03,0.04],则前一个子点云中数据点的曲率小于后一个子点云中数据点的曲率,此时,为子点云设置采样半径时,前一个子点云的采样半径应大于后一个子点云的采样半径,例如前一个子点云的采样半径设置为0.5,后一个子点云的采样半径设置为0.4。
可选地,继续参阅图5,步骤S122包括:
S1221:按曲率递增的顺序,将子点云的采样半径依次设置为以第一半径为初始值的递减等差数列;或者按曲率递减的顺序,将子点云的采样半径依次设置为以第二半径为初始值的递增等差数列。
其中,第一半径是预先设置的最大的采样半径,第二半径是预先设置的最小采样半径,其具体取值可以根据实际需求而定,此处不做具体限定。
具体地,在一个应用例中,当按照曲率递增的顺序将数据点依次划分为m个子点云时,第1个子点云中数据点的曲率最小,此时可以将第1个子点云的采样半径设置为第一半径b,其他子点云的采样半径可以根据递减等差数列进行设置,即按照如下公式(1)进行设置:
其中,R是子点云的采样半径,b是第一半径,a是第二半径,m是子点云的个数,I是子点云的序号。第1个子点云的序号为0,第2个子点云的序号为2,以此类推,第m个子点云的序号为m-1。其中,a>0,b>0,a<b。
而当按照曲率递减的顺序将数据点依次划分为m个子点云时,第1个子点云中数据点的曲率最大,此时可以将第1个子点云的采样半径设置为第二半径a,其他子点云的采样半径可以根据递增等差数列进行设置,即按照如下公式(2)进行设置:
其中,R是子点云的采样半径,b是第一半径,a是第二半径,m是子点云的个数,I是子点云的序号。第1个子点云的序号为0,第2个子点云的序号为2,以此类推,第m个子点云的序号为m-1。其中,a>0,b>0,a<b。
本实施例还可以与本申请点云采样方法第二实施例相结合。
其他实施例中,划分多个子点云后,可以对每个子点云进行采样后再将采样后的数据点进行合并,最终可以得到采样后的点云。
具体地,如图6所示,本申请点云采样方法第四实施例是在本申请点云采样方法第二实施例的基础上,进一步限定该预设采样顺序是曲率递增/递减顺序,并进一步限定步骤S13的各个子步骤。
其中,步骤S131包括:
S1311:选择第一子点云中曲率最小/最大数据点作为初始的第一数据点,并获取该第一数据点的位置坐标。
其中,该第一子点云是当前进行采样的子点云,进行采样时,可以按照曲率递增/递减的顺序选择数据点。首先可以选择该第一子点云中曲率最大/最小的数据点作为初始的第一数据点,获取其位置坐标,该位置坐标可以是三维欧式空间坐标。
如图6所示,第二数据点是该第一子点云中除第一数据点外的其他数据点,则步骤S132包括:
S1321:计算第一子点云中其他数据点与该第一数据点的第一距离。
其中,第一子点云中其他数据点是该第一子点云中除当前第一数据点外的其他数据点。计算其他数据点与该第一数据点之间的第一距离时,可以获取该第一数据点和其他数据点的位置坐标,利用公式计算两个数据点之间的欧式距离,即该第一距离。
如图6所示,步骤S133包括:
S1331:判断第一距离是否小于第一子点云对应的采样半径。
具体地,每个子点云均已经设置对应的采样半径,计算得到第一数据点和其他数据点之间的第一距离后,可以将该第一距离和该第一子点云对应的采样半径进行比较,若该第一距离小于第一子点云对应的采样半径,则判断结果为时,执行步骤S1341。
S1341:判定第一数据点和第二数据点之间的距离小于第一数据点对应的采样半径。
判定该第一数据点和第二数据点之间的距离小于第一数据点对应的采样半径后,可以继续执行步骤S134,删除该第二数据点。
若步骤S1331的判断结果为否,则判定该第一数据点和第二数据点之间的距离大于或等于第一数据点对应的采样半径,此时可以继续执行步骤S135,保留该第二数据点。
继续参阅图6,步骤S136包括:
S1361:按照曲率递增/递减的顺序选择第一子点云中未删除的另一数据点作为第一数据点,返回执行获取第一数据点的位置坐标的步骤,直至遍历完成第一子点云未删除的数据点。
具体地,若该第一距离小于第一子点云对应的采样半径,则判断结果为是时,则可以判定该第一数据点和第二数据点之间的距离小于第一数据点对应的采样半径,此时可以继续执行步骤S1342,即删除该第二数据点。否则,执行步骤S1351,即保留该第二数据点。然后,可以继续按照曲率递增/递减的顺序选择第一子点云中未删除的另一个数据点作为第一数据点,重复执行步骤S131~S135,直至遍历完成第一子点云中未删除的数据点,即第一子点云中未删除的数据点均已经作为第一数据点进行采样。其中,若初始选择的第一数据点是曲率最小的数据点,则按照曲率递增的顺序选择下一个数据点,若初始选择的第一数据点是曲率最大的数据点,则按照曲率递减的顺序选择下一个数据点。
可选地,步骤S1361之后,进一步包括:
S1371:选择未采样的另一个子点云,返回执行获取第一数据点的位置坐标的步骤,直至遍历完成所有子点云。
具体地,每个子点云均可以按照上述第一子点云的步骤进行采样,直至完成所有子点云的采样,则该三维图像点云数据的采样过程即全部完成。此时,还可以将采样完成后的各个子点云进行合并后,得到采样完成的点云数据,输出或显示该点云数据,则可以得到采样后的三维图像。
例如图7和图8所示,未进行采样的三维图像原始点云数据如图7所示,该原始点云数据空间分布比较均匀,数据密集,数据量较大,后续数据处理过程繁琐,耗时长,经过本申请点云采样方法处理后的三维图像点云数据如图8所示,该采样后的点云数据曲率较小的区域数据密度较小,数据点较为稀疏,而曲率较大的区域数据密度较大,数据点较为密集。由图7和图8的对比可以看出,利用本申请的点云采样方法可以在删除冗余数据,精简点云的同时,尽量保留特征点,有利于提高后续数据处理的速率和效率。
本实施例还可以与本申请点云采样方法第三实施例相结合。
本申请的点云采样方法中,计算数据点的曲率时,可以利用邻域点平面拟合后,采用特征值方法计算数据点的曲率。
具体如图9所示,本申请点云采样方法第五实施例是在本申请点云采样方法第一实施例的基础上,进一步限定步骤S11包括:
S111:获取第一数据点在预设距离内的邻域点。
其中,该预设距离可以是预先设置的邻域范围,具体取值可以根据实际需求而定,此处不做具体限定。
具体地,在一个应用例中,可以利用二叉树,例如KD-tree(K-dimensional tree,KD数)获取与第一数据点距离在预设距离R内的所有点,即邻域点。当然,在其他实施例中,也可以采用八叉树或其他方法获取第一数据点的邻域点。
S112:利用特征值法将邻域点拟合平面方程,以得到最佳拟合平面的特征矩阵。
具体地,首先设定空间平面方程为ax+by+cz=d,其中,a、b、c为平面的单位法向量,即a2+b2+c2=1,d为坐标原点至平面的距离,d≥0。任意一个邻域点(xi,yi,zi)至该平面的距离为
di=|axi+byi+czi-d|; (3)
为了获得最佳拟合平面,则应在条件a2+b2+c2=1下满足:
利用拉格朗日乘数法求该函数极值,可得到如下函数:
将上述公式(5)对d求导,并令导数为零可以计算得到
其中:
将上述公式(5)对a求导,并令导数为零可以得到
其中:同理,将公式(5)分别对b、c求导,并令导数为零可以得到
则公式(7-9)可以构成如下特征值方程
有上述公式(10)可以得到该最佳拟合平面的特征矩阵为3*3的实对称矩阵
S113:计算该特征矩阵的特征值。
S114:以该特征值中最小特征值占所有特征值之和的比例作为第一数据点的曲率。
具体地,求解上述特征矩阵A的特征值和特征向量,则可以得到该最佳拟合平面的单位法向量a、b、c。
实对称矩阵A的特征值可以利用如下公式(11)计算得到
|A-λI|=0; (11)
其中,I是单位矩阵。由于A为3*3的实对称矩阵,因此矩阵A最多只有3个实数特征值,分别为λ0、λ1、λ2,其中λ0为最小特征值,则第一数据点的曲率σ可以利用如下公式(12)计算得到
即第一数据点的曲率σ是最佳拟合平面的特征矩阵的最小特征值占所有特征值之和的比例。其他数据点的曲率也可以采用上述方法进行计算,此处不再重复。
本实施例中是采用特征值法计算每个数据点的曲率,当然在其他实施例中,数据点的曲率也可以采用最小二乘法等其他方法进行计算,此处不做具体限定。
本实施例还可以与本申请点云采样方法第二至第四任一实施例或其不冲突的组合相结合。
如图10所示,本申请图像处理设备20一实施例包括:相互连接的通信电路201和处理器202。
其中,该通信电路201用于发送和接收数据,是图像处理设备20与其他设备进行通信的接口。具体地,该通信电路201用于获取三维图像的点云数据。
处理器202控制通信设备的操作,处理器202还可以称为CPU(Central ProcessingUnit,中央处理单元)。处理器202可能是一种集成电路芯片,具有信号的处理能力。处理器202还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
具体地,该处理器202用于执行程序以实现如本申请点云采样方法第一至第五任一实施例或其不冲突的组合所提供的方法。
当然,在其他实施例中,该图像处理设备20还可以包括存储器(图未示)等其他部件,此处不做具体限定。
本实施例中的图像处理设备可以是移动终端、固定终端、服务器等,也可以是集成的独立部件,例如图像处理芯片。
本实施例的图像处理设备中,处理器通过通信电路获取三维图像的点云数据后,计算点云数据中每个数据点的曲率,设置每个数据点对应的采样半径,其中曲率较大的数据点对应的采样半径不大于曲率较小的数据点对应的采样半径,至少部分曲率较大的数据点对应的采样半径小于曲率较小的数据点对应的采样半径,以该采样半径对点云数据进行采样,以使得曲率较大的区域数据密度大于曲率较小的区域,从而在曲率较大的区域保留更多的数据点,在曲率较小的区域保留较少的数据点,进而在删除冗余数据的同时,保留特征数据,有利于提高后续数据处理的速度,同时减少存储空间,节约成本。
如图11所示,本申请具有存储功能的装置一实施例中,具有存储功能的装置30内部存储有指令301,该指令301被执行时实现如本申请点云采样方法第一至第五任一实施例或其不冲突的组合所提供的采样方法。
其中,具有存储功能的设备30可以是便携式存储介质如U盘、光盘,也可以是终端、服务器或集成的独立部件,例如图像处理芯片等。
本实施例中,该具有存储功能的设备内部存储的指令被执行时,通过获取三维图像的点云数据,计算点云数据中每个数据点的曲率,设置每个数据点对应的采样半径,其中曲率较大的数据点对应的采样半径不大于曲率较小的数据点对应的采样半径,至少部分曲率较大的数据点对应的采样半径小于曲率较小的数据点对应的采样半径,以该采样半径对点云数据进行采样,以使得曲率较大的区域数据密度大于曲率较小的区域,从而在曲率较大的区域保留更多的数据点,在曲率较小的区域保留较少的数据点,进而在删除冗余数据的同时,保留特征数据,有利于提高后续数据处理的速度,同时减少存储空间,节约成本。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种点云采样方法,其特征在于,包括:
获取三维图像的点云数据;
计算所述点云数据中每个数据点的曲率;
设置每个数据点对应的采样半径,其中曲率较大的数据点对应的采样半径不大于曲率较小的数据点对应的采样半径,至少部分曲率较大的数据点对应的采样半径小于曲率较小的数据点对应的采样半径;
基于设置的所述采样半径对所述点云数据进行采样,以使得曲率较大的区域数据密度大于曲率较小的区域。
2.根据权利要求1所述的方法,其特征在于,所述基于设置的所述采样半径对所述点云数据进行采样包括:
获取第一数据点的位置坐标;
计算所述第一数据点和第二数据点的距离,所述第二数据点是除所述第一数据点以外的至少部分数据点;
判断所述距离是否小于所述第一数据点对应的采样半径;
若判断结果为是,则删除所述第二数据点;
否则,保留所述第二数据点,按照预设采样顺序选择未删除的另一个数据点作为所述第一数据点,重复执行上述步骤,直至遍历完成所有未删除的数据点。
3.根据权利要求2所述的方法,其特征在于,所述设置每个数据点对应的采样半径包括:
将所述数据点按预设曲率顺序排列后划分为多个子点云;
为每个所述子点云设置一个采样半径,其中所述数据点曲率较大的所述子点云的采样半径小于所述数据点曲率较小的所述子点云的采样半径。
4.根据权利要求3所述的方法,其特征在于,所述将所述数据点按曲率预设顺序排列后划分为多个子点云包括:
将所述数据点按曲率递增/递减的顺序排列;
将排列后的所述数据点依次平均划分为多个所述子点云。
5.根据权利要求3所述的方法,其特征在于,所述为每个所述子点云设置一个采样半径包括:
按曲率递增的顺序,将所述子点云的采样半径依次设置为以第一半径为初始值的递减等差数列;或者
按曲率递减的顺序,将所述子点云的采样半径依次设置为以第二半径为初始值的递增等差数列。
6.根据权利要求3所述的方法,其特征在于,所述预设采样顺序是曲率递增/递减顺序;
所述获取第一数据点的位置坐标包括:
选择第一子点云中曲率最小/最大数据点作为初始的所述第一数据点,并获取所述第一数据点的位置坐标;
所述计算所述第一数据点和第二数据点的距离包括:
计算所述第一子点云中其他数据点与所述第一数据点的第一距离;
所述判断所述距离是否小于所述第一数据点对应的采样半径包括:
判断所述第一距离是否小于所述第一子点云对应的采样半径;
若判断结果为是,则判定所述距离小于所述第一数据点对应的采样半径;
所述按照预设采样顺序选择未删除的另一个数据点作为所述第一数据点,重复执行上述步骤,直至遍历所有未删除的数据点包括:
按照曲率递增/递减的顺序选择所述第一子点云中未删除的另一数据点作为所述第一数据点,返回执行所述获取所述第一数据点的位置坐标的步骤,直至遍历完成所述第一子点云未删除的数据点。
7.根据权利要求6所述的方法,其特征在于,所述遍历完成所述第一子点云未删除的数据点之后,进一步包括:
选择未采样的另一个子点云,返回执行所述获取第一数据点的位置坐标的步骤,直至遍历完成所有子点云。
8.根据权利要求1所述的方法,其特征在于,所述计算所述点云数据中每个数据点的曲率包括:
获取第一数据点在预设距离内的邻域点;
利用特征值法将所述邻域点拟合平面方程,以得到最佳拟合平面的特征矩阵;
计算所述特征矩阵的特征值;
以所述特征值中最小特征值占所有特征值之和的比例作为所述第一数据点的曲率。
9.一种图像处理设备,其特征在于,包括:相互连接的通信电路和处理器;
所述处理器利用所述通信电路获取三维图像的点云数据,并执行程序以实现如权利要求1-8任一项所述的点云采样方法。
10.一种具有存储功能的装置,存储有指令,其特征在于,所述指令被执行时实现如权利要求1-8任一项所述的点云采样方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810439741.8A CN108597019A (zh) | 2018-05-09 | 2018-05-09 | 点云采样方法、图像处理设备及具有存储功能的装置 |
PCT/CN2018/114433 WO2019214193A1 (zh) | 2018-05-09 | 2018-11-07 | 点云采样方法、图像处理设备及具有存储功能的装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810439741.8A CN108597019A (zh) | 2018-05-09 | 2018-05-09 | 点云采样方法、图像处理设备及具有存储功能的装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108597019A true CN108597019A (zh) | 2018-09-28 |
Family
ID=63636177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810439741.8A Pending CN108597019A (zh) | 2018-05-09 | 2018-05-09 | 点云采样方法、图像处理设备及具有存储功能的装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108597019A (zh) |
WO (1) | WO2019214193A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189290A (zh) * | 2018-10-18 | 2019-01-11 | 广州酷狗计算机科技有限公司 | 点击区域识别方法、装置和计算机可读存储介质 |
CN109544689A (zh) * | 2018-09-30 | 2019-03-29 | 先临三维科技股份有限公司 | 确定三维模型的方法及装置 |
CN109740628A (zh) * | 2018-12-03 | 2019-05-10 | 深圳市华讯方舟太赫兹科技有限公司 | 点云聚类方法、图像处理设备及具有存储功能的装置 |
WO2019214193A1 (zh) * | 2018-05-09 | 2019-11-14 | 深圳市华讯方舟太赫兹科技有限公司 | 点云采样方法、图像处理设备及具有存储功能的装置 |
CN113272866A (zh) * | 2019-01-08 | 2021-08-17 | 苹果公司 | 使用用于细节级别生成的空间填充曲线的点云压缩 |
CN114281004A (zh) * | 2021-12-31 | 2022-04-05 | 北京航天自动控制研究所 | 一种基于峰值检测的分级采样方法 |
CN114866685A (zh) * | 2022-03-16 | 2022-08-05 | 金钱猫科技股份有限公司 | 一种激光摄像装置的姿态矫正方法和系统 |
CN116202874A (zh) * | 2023-05-05 | 2023-06-02 | 青岛宇通管业有限公司 | 一种排水管材柔韧性测试方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853526A (zh) * | 2010-06-04 | 2010-10-06 | 浙江工业大学 | 一种自适应密度的非均匀点云简化处理方法 |
CN103310481A (zh) * | 2013-05-20 | 2013-09-18 | 东南大学 | 一种基于模糊熵迭代的点云精简方法 |
CN103530899A (zh) * | 2013-10-10 | 2014-01-22 | 浙江万里学院 | 基于几何特征性的点云简化方法 |
US20140334670A1 (en) * | 2012-06-14 | 2014-11-13 | Softkinetic Software | Three-Dimensional Object Modelling Fitting & Tracking |
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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650838A (zh) * | 2009-09-04 | 2010-02-17 | 浙江工业大学 | 基于重采样方法和仿射聚类算法的点云简化处理方法 |
CN105631929A (zh) * | 2014-11-28 | 2016-06-01 | 富泰华工业(深圳)有限公司 | 点云精简方法及系统 |
CN108597019A (zh) * | 2018-05-09 | 2018-09-28 | 深圳市华讯方舟太赫兹科技有限公司 | 点云采样方法、图像处理设备及具有存储功能的装置 |
-
2018
- 2018-05-09 CN CN201810439741.8A patent/CN108597019A/zh active Pending
- 2018-11-07 WO PCT/CN2018/114433 patent/WO2019214193A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853526A (zh) * | 2010-06-04 | 2010-10-06 | 浙江工业大学 | 一种自适应密度的非均匀点云简化处理方法 |
US20140334670A1 (en) * | 2012-06-14 | 2014-11-13 | Softkinetic Software | Three-Dimensional Object Modelling Fitting & Tracking |
CN103310481A (zh) * | 2013-05-20 | 2013-09-18 | 东南大学 | 一种基于模糊熵迭代的点云精简方法 |
CN103530899A (zh) * | 2013-10-10 | 2014-01-22 | 浙江万里学院 | 基于几何特征性的点云简化方法 |
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 |
Non-Patent Citations (3)
Title |
---|
刘德平等: "逆向工程中数据精简技术的研究", 《西安电子科技大学学报(自然科学版)》 * |
孙殿柱等: "基于型面特征的三维散乱点云精简算法", 《中国机械工程》 * |
官云兰等: "一种稳健的点云数据平面拟合方法", 《同济大学学报(自然科学版)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019214193A1 (zh) * | 2018-05-09 | 2019-11-14 | 深圳市华讯方舟太赫兹科技有限公司 | 点云采样方法、图像处理设备及具有存储功能的装置 |
CN109544689A (zh) * | 2018-09-30 | 2019-03-29 | 先临三维科技股份有限公司 | 确定三维模型的方法及装置 |
CN109189290A (zh) * | 2018-10-18 | 2019-01-11 | 广州酷狗计算机科技有限公司 | 点击区域识别方法、装置和计算机可读存储介质 |
CN109189290B (zh) * | 2018-10-18 | 2021-01-26 | 广州酷狗计算机科技有限公司 | 点击区域识别方法、装置和计算机可读存储介质 |
CN109740628A (zh) * | 2018-12-03 | 2019-05-10 | 深圳市华讯方舟太赫兹科技有限公司 | 点云聚类方法、图像处理设备及具有存储功能的装置 |
WO2020114320A1 (zh) * | 2018-12-03 | 2020-06-11 | 深圳市华讯方舟太赫兹科技有限公司 | 点云聚类方法、图像处理设备及具有存储功能的装置 |
CN113272866A (zh) * | 2019-01-08 | 2021-08-17 | 苹果公司 | 使用用于细节级别生成的空间填充曲线的点云压缩 |
CN114281004A (zh) * | 2021-12-31 | 2022-04-05 | 北京航天自动控制研究所 | 一种基于峰值检测的分级采样方法 |
CN114866685A (zh) * | 2022-03-16 | 2022-08-05 | 金钱猫科技股份有限公司 | 一种激光摄像装置的姿态矫正方法和系统 |
CN114866685B (zh) * | 2022-03-16 | 2023-05-26 | 金钱猫科技股份有限公司 | 一种激光摄像装置的姿态矫正方法和系统 |
CN116202874A (zh) * | 2023-05-05 | 2023-06-02 | 青岛宇通管业有限公司 | 一种排水管材柔韧性测试方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2019214193A1 (zh) | 2019-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108597019A (zh) | 点云采样方法、图像处理设备及具有存储功能的装置 | |
CN109740628A (zh) | 点云聚类方法、图像处理设备及具有存储功能的装置 | |
CN109360260A (zh) | 一种三角网格三维模型的切挖重构算法 | |
CN109615702A (zh) | 网格补洞方法、图像处理设备及具有存储功能的装置 | |
CN106485766A (zh) | 一种约束Delaunay三角网的并行构建方法 | |
CN108647261A (zh) | 基于气象数据离散点网格化处理的全球等值线绘制方法 | |
CN115661374A (zh) | 一种基于空间划分和模型体素化的快速检索方法 | |
CN109767391A (zh) | 点云去噪方法、图像处理设备及具有存储功能的装置 | |
CN112825199B (zh) | 碰撞检测方法、装置、设备及存储介质 | |
CN109035311A (zh) | 一种弯骨骨折自动配准及内固定钢板预弯建模方法 | |
CN115393530B (zh) | 海量三维模型的单体化渲染方法、存储介质及电子设备 | |
CN110322415A (zh) | 基于点云的高精度表面三维重构方法 | |
CN115375699B (zh) | 点云分割方法、移动机器人及计算机可读存储介质 | |
CN104850820A (zh) | 一种脸部识别方法及装置 | |
CN114187421B (zh) | 有限元网格模型简化方法及系统 | |
CN104749072B (zh) | 一种自动生成多边形门的方法、装置及相应的粒子分析仪 | |
CN104331263A (zh) | 大量空间数据前端展示方法和装置 | |
CN113362340A (zh) | 一种动态空间球搜索点云k邻域方法 | |
CN110609832B (zh) | 一种面向流式数据的非重复采样方法 | |
CN111340909B (zh) | 基于交点延长线消去无交叉法线斜坡坡面线动态生成方法 | |
CN110390702B (zh) | 基于地质走向分析的变面元平面插值方法 | |
CN113780419A (zh) | 一种处理不平衡数据的合成过采样方法及系统 | |
CN107371171A (zh) | 一种区域聚合的方法及装置 | |
CN114511571A (zh) | 一种点云数据语义分割方法、系统及相关组件 | |
CN110599568A (zh) | 一种线条的生成方法、装置、设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |