CN109118500B - 一种基于图像的三维激光扫描点云数据的分割方法 - Google Patents
一种基于图像的三维激光扫描点云数据的分割方法 Download PDFInfo
- Publication number
- CN109118500B CN109118500B CN201810775441.7A CN201810775441A CN109118500B CN 109118500 B CN109118500 B CN 109118500B CN 201810775441 A CN201810775441 A CN 201810775441A CN 109118500 B CN109118500 B CN 109118500B
- Authority
- CN
- China
- Prior art keywords
- point
- cloud data
- point cloud
- image
- ground
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20081—Training; Learning
Abstract
发明提供一种基于图像的三维激光扫描点云数据的分割方法。该方法包括生成全景点云数据、移除地面点云数据、对非地面点云数据进行数据切割、映射为二维图像、去噪处理、聚类处理、边缘识别、初步分割、二次分割、区域合并等步骤。该方法能够自动精确地对扫描得到的三维激光点云数据进行分割。分割过程中自动去除噪声干扰。缩短了点云数据分割的整体运算时间,降低了点云数据被错误分割的可能性。
Description
技术领域
本发明涉及信息技术领域,特别涉及一种点云数据的分割方法。
背景技术
三维激光扫描技术又被称为实景复制技术,其突破了传统的单点测量方法,具有高效率、高精度的独特优势。三维激光扫描技术能够提供扫描物体表面的三维点云数据,因此可以用于获取高精度高分辨率的扫描物体模型。
在装配式建筑行业中,可以通过使用三维激光扫描仪扫描构件以获取构件的轮廓模型,以期与设计模型相对比。三维扫描设备扫描获取的点云数据无拓扑空间结构,难以确定其从属构件。如何将扫描得到的点云数据完好无损且无冗余地分割为不同构件的点云数据是一个具有价值的问题,这将保证后续针对扫描点云的处理工作的正确性。因此三维激光扫描点云数据的分割极为重要。
当前阶段,从扫描获取的三维点云数据中分割完整构件的点云数据主要依靠人工进行阈值分割。人工分割的方法依赖于个人对于构件尺寸以及扫描的点云数据的把握,同时,在该过程中需要进行多次阈值修正以去除其他构件的影响,并保证分割得到的构件的点云数据的完整性。另外,人工分割仅适用于构件的数目较少的情况。在实际的生产建设中,构件数目将导致该方案并不具备可操作性。
发明内容
本发明的目的是提供一种基于图像的三维激光扫描点云数据的分割方法,以解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,一种基于图像的三维激光扫描点云数据的分割方法,包括以下步骤:
1)对待处理构件及构件堆放场地进行扫描,生成全景点云数据。
2)将全景点云数据传输至计算机,进行识别与计算,移除地面点云数据,得到非地面点云数据。
3)对步骤2)所得非地面点云数据进行数据切割。
4)将经切割的非地面点云数据空间网格化映射为二维图像;
5)基于形态学的开操作与闭操作,对步骤4)所得二维图像进行去噪处理。
6)基于优化的自适应K-means算法,对经去噪处理的二维图像进行聚类处理。
7)基于Canny算子,对经聚类处理的二维图像进行边缘识别,得到边缘图像。
8)对得到的边缘图像使用活动窗口算法,产生非地面点云数据初步分割结果。
9)使用RBNN算法对步骤8)得到的非地面点云数据初步分割结果进行二次分割,得到分块点云数据。
10)检测各分块点云间的关系,对属于同一构件的分块点云数据进行区域合并。得到符合各构件分布的分割结果。
11)输出各构件分割结果的点云数据块。
进一步,步骤2)中,对于平整地面,采用阈值法移除地面点云数据。对于非平整地面,采用形态学过滤操作得到非地面点云数据。
进一步,步骤4)中,选定特定数值N,将点云数据沿水平方向与竖直方向进行网格划分。网格的尺寸大小如式(1)和式(2)所示。三维点云数据中某个数据点(x,y,z)映射为二维图像中的对应点(x',z')。映射关系如式(3)和式(4)表示。
式中,dx为水平方向的平均网格尺寸,mm。dz为竖直方向的平均网格尺寸,mm。点云数据在水平方向的最小包围矩阵范围为[xmin,xmax];点云数据在竖直方向的最小包围矩阵范围为[zmin,zmax];N为选取的划分数值;x表示数据点(x,y,z)水平方向的位置坐标;z表示数据点(x,y,z)竖直方向的位置坐标;x′表示图像映射后的水平位置坐标,z′表示图像映射后的竖直位置坐标。
进一步,所述划分数值N为200~300。
进一步,步骤6)中,对二维图像采用优化的自适应K-means聚类方法进行聚类处理。判断某特定点所属类别时,考虑所述特定点与进行判定的种子点的RGB值之差和网格位置之差,公式为:
式中,rk,lk,gk分别表示第k簇的种子点的行数值,列数值和RGB值。r,l,g分别表示所述点的行数值,列数值和RGB值。α和β表示了位置关系和RGB值关系的权重。
进一步,步骤8)所述边缘图像为一幅逻辑二值图像,若逻辑值为1,则代表该点为边缘点,否则该点为非边缘点。所述活动窗口两侧尺寸均为(2n+1),其边缘处逻辑值为1,其余处逻辑值为0。
进一步,步骤9)中,初始化时给定邻域距离阈值。对非地面点云数据中的每个点进行如下循环遍历:若该点已经被归类,则跳过该点进入下一个点的循环。否则对该点距离阈值邻域内的点进行如下遍历处理:若某个邻接点被归类且该点也被归类,则合并该点及邻接点的类。若邻接点未被归类且该点被归类,则将邻接点置入该点的类。若邻接点被归类且该点未被归类,则将该点置入邻接点的类。上述遍历完成时若该点仍未被归类,则为该点赋予新类,并将该点领域范围内全部点置入该类中。循环直至点云全部遍历,保留每个类作为分割出的分块点云数据。
进一步,步骤10)中,针对分割得到的分块点云数据,循环挑选两个不同的分块点云数据,判断所述两者是否从属于同一构件,每次根据判断结果选择是否合并分块点云数据。若数据中心点的欧式距离小于给定阈值,则判定两者为同一构件,并将点云数据进行合并。
本发明的技术效果是毋庸置疑的:
A.能够自动精确地对扫描得到的三维激光点云数据进行分割;
B.分割过程中自动去除噪声干扰;
C.缩短了点云数据分割的整体运算时间,降低了点云数据被错误分割的可能性。
附图说明
图1为分割方法流程图;
图2为不同N值产生二维图像;
图3为不同聚类权重的二维图像边缘识别结果;
图4为活动窗口示意图;
图5为活动窗口法处理过程;
图6为合并同一构件分块点云数据流程图;
图7为点云数据的分割结果图。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
本实施例将点云数据聚类分离成独立的子集,各子集均对应于具有物理意义的构件,反映构件的几何和位置特征。
本实施例公开一种基于图像的三维激光扫描点云数据的分割方法,包括以下步骤:
1)使用三维激光扫描仪对待处理构件及构件堆放场地进行扫描并记录数据,生成全景点云数据。
2)将全景点云数据传输至计算机,进行识别与计算,移除地面点云数据。将移除地面点云数据后的三维点云数据作为非地面点云数据。本实施例扫描所处的环境地面为平整地面,采用阈值法移除地面点云数据。
3)对步骤2)所得非地面点云数据进行数据切割。
4)将经切割的非地面点云数据空间网格化映射为二维图像。选定特定数值N,将点云数据沿水平方向与竖直方向进行网格划分。网格的尺寸大小如式(1)和式(2)所示。三维点云数据中某个数据点(x,y,z)映射为二维图像中的对应点(x',z')。映射关系如式(3)和式(4)表示。
式中,dx为水平方向的平均网格尺寸,mm。dz为竖直方向的平均网格尺寸,mm。点云数据在水平方向的最小包围矩阵范围为[xmin,xmax]。点云数据在竖直方向的最小包围矩阵范围为[zmin,zmax]。N为选取的划分数值。x表示数据点(x,y,z)水平方向的位置坐标。z表示数据点(x,y,z)竖直方向的位置坐标。x′表示图像映射后的水平位置坐标。z′表示图像映射后的竖直位置坐标。
5)基于形态学的开操作与闭操作,对步骤4)所得二维图像进行去噪处理。
6)K-Means算法是一种基于样本间相似性度量的间接聚类方法,属于非监督学习方法。本实施例中,对经去噪处理的二维图像采用优化的自适应K-means聚类算法进行聚类处理。判断某特定点所属类别时,考虑所述特定点与进行判定的种子点的RGB值之差和网格位置之差,公式为:
式中,rk,lk,gk分别表示第k簇的种子点的行数值,列数值和RGB值。r,l,g分别表示所述点的行数值,列数值和RGB值。α和β表示了位置关系和RGB值关系的权重。
7)Canny边缘检测算子是John F.Canny于1986年开发出来的一个多级边缘检测算法。在本实施例中,基于Canny算子,对经聚类处理的二维图像进行边缘识别,得到边缘图像。
8)对得到的边缘图像使用活动窗口算法,产生非地面点云数据初步分割结果。所述边缘图像为一幅逻辑二值图像,若逻辑值为1,则代表该点为边缘点,否则该点为非边缘点。所述活动窗口两侧尺寸均为(2n+1),其边缘处逻辑值为1,其余处逻辑值为0。
9)使用RBNN算法(Radial Basis Neural Network,径向基神经网络算法)对步骤8)得到的非地面点云数据初步分割结果进行二次分割,得到分块点云数据。初始化时给定邻域距离阈值。对非地面点云数据中的每个点进行如下循环遍历:若该点已经被归类,则跳过该点进入下一个点的循环。否则对该点距离阈值邻域内的点进行如下遍历处理:若某个邻接点被归类且该点也被归类,则合并该点及邻接点的类。若邻接点未被归类且该点被归类,则将邻接点置入该点的类。若邻接点被归类且该点未被归类,则将该点置入邻接点的类。上述遍历完成时若该点仍未被归类,则为该点赋予新类,并将该点领域范围内全部点置入该类中。循环直至点云全部遍历,保留每个类作为分割出的分块点云数据。
10)检测各分块点云间的关系,对属于同一构件的分块点云数据进行区域合并。得到符合各构件分布的分割结果。针对分割得到的分块点云数据,循环挑选两个不同的分块点云数据,判断所述两者是否从属于同一构件,每次根据判断结果选择是否合并分块点云数据。若数据中心点的欧式距离小于给定阈值,则判定两者为同一构件,并将点云数据进行合并。
11)输出各构件分割结果的点云数据块。
实施例2:
参见图1,本实施例公开一种基于图像的三维激光扫描点云数据的分割方法,包括以下步骤:
1)使用三维激光扫描仪对待处理构件及构件堆放场地进行扫描并记录数据,生成全景点云数据。
2)将全景点云数据传输至计算机,进行识别与计算,移除地面点云数据。将移除地面点云数据后的三维点云数据作为非地面点云数据。本实施例扫描所处的环境地面为非平整地面,采用基于形态学操作的方法进行地面点云滤除。形态学滤波器尺寸大于构件的尺寸。经过先腐蚀再膨胀的形态学操作,构件的点云数据与地面的点云数据被完整地分割开。选取其中的竖直值较大的数据即为所述非地面点云数据。
3)对步骤2)所得非地面点云数据进行数据切割。
4)将经切割的非地面点云数据空间网格化映射为二维图像。选定特定数值N,将点云数据沿水平方向与竖直方向进行网格划分。网格的尺寸大小如式(1)和式(2)所示。三维点云数据中某个数据点(x,y,z)映射为二维图像中的对应点(x',z')。映射关系如式(3)和式(4)表示。
式中,dx为水平方向的平均网格尺寸,其单位为mm。dz为竖直方向的平均网格尺寸,其单位为mm。点云数据在水平方向的最小包围矩阵范围为[xmin,xmax]。点云数据在竖直方向的最小包围矩阵范围为[zmin,zmax]。N为选取的划分数值。x表示数据点(x,y,z)水平方向的位置坐标。z表示数据点(x,y,z)竖直方向的位置坐标。x′表示图像映射后的水平位置坐标。z′表示图像映射后的竖直位置坐标。
参见图2,不同N值对应程序的运行时间与最后得到的效果也会有所变化,括号内数值为计算花费时间。综合考虑运行时间与最终效果,本实施例中选取N的数值为200~300。
5)基于形态学的开操作与闭操作,对步骤4)所得二维图像进行去噪处理。
6)对经去噪处理的二维图像采用优化的自适应K-means聚类算法进行聚类处理。判断某特定点从属群落采用以下方案:同时考虑该点与进行判定的种子点的RGB值之差和位置关系之差,公式为:
式中,rk,lk,gk分别表示第k簇的种子点的行数值,列数值和RGB值。r,l,g分别表示所述点的行数值,列数值和RGB值。α和β表示了位置关系和RGB值关系的权重。
7)基于Canny算子,对经聚类处理的二维图像进行边缘识别,得到边缘图像。如图3所示,针对不同聚类权重的二维图像,Canny算子识别得到的边缘也不一致。综合考虑各种因素,本实施例中选取α值为0.01~0.1。
8)对得到的边缘图像使用活动窗口算法,产生非地面点云数据初步分割结果。
所述边缘图像为一幅逻辑二值图像,逻辑值为1代表该点为边缘点,否则该点为非边缘点。活动窗口由某个正整数值n决定,所述活动窗口两侧尺寸均为(2n+1),其边缘逻辑值为1,其余逻辑值为0。活动窗口算法遵循以下准则处理边缘图像:
a)在计算边缘图像中的某个网格点时,所述网格点应该对应活动窗口的中心点。周边的网格点也应同时按照准则c)进行计算;
b)在边缘网格点和活动窗口的对应过程中,如果边缘图像尺寸小于活动窗口尺寸,应该补足边缘图像尺寸至活动窗口尺寸,并在尺寸补充处填充0值。
c)对应元素直接相乘,得到的结果直接写入边缘图像的对应网格中。
d)某块边缘图像的闭合轨迹的全部元素为0时,根据活动窗口往返移动的二维路径,输出所述路径对应的三维空间内的点云数据,所述输出点云数据是分割得到的物体数据。
具体实施时,按照n=2取值。所述实例中采用的逻辑窗口如图4所示。
针对图4所示的活动窗口,所述活动窗口针对边缘图像逻辑值为1的每个网格点进行移动,根据上述计算法则进行计算,若存在满足如下假定的活动窗格移动轨迹:在该轨迹上的全部边缘逻辑值被修正为0,且该轨迹闭合或边缘图像内的逻辑值全部为0,则由该二维轨迹映射回到三维空间,将所述三维空间内的数据点云输出。具体实施时,三维点云数据的初步分割过程如图5所示,首先,需要在活动窗口尺寸不足的下侧对边缘图像进行补足,补足后,按照上述法则进行边缘图像逻辑值的更新与点云数据的输出,用于下一步的二次分割。
9)使用RBNN算法对步骤8)得到的非地面点云数据初步分割结果进行二次分割,得到分块点云数据。
RBNN算法的分割过程为:初始化时给定邻域距离阈值。对非地面点云数据中的每个点进行如下循环遍历:若该点已经被归类,则跳过该点进入下一个点的循环。否则对该点距离阈值邻域内的点进行如下遍历处理:若某个邻接点被归类且该点也被归类,则合并该点及邻接点的类。若邻接点未被归类且该点被归类,则将邻接点置入该点的类。若邻接点被归类且该点未被归类,则将该点置入邻接点的类。上述遍历完成时若该点仍未被归类,则为该点赋予新类,并将该点领域范围内全部点置入该类中。循环直至点云全部遍历,保留每个类作为分割出的分块点云数据。
10)检测各分块点云间的关系,对属于同一构件的分块点云数据进行区域合并。具体实施时,按照图6所示流程图进行合并,其主要步骤为:
101)输入全部分块数据与判断阈值。所述阈值为本次测量时较大构件尺寸的一半。
102)计算分块点云数据的中心点。
103)计算任意两块分块点云数据的中心点的欧式距离。
104)循环判断欧式距离是否小于给定阈值,若是,则跳至步骤105);若否,则跳至步骤106)。
105)合并两块点云数据,并且跳至步骤102)。
106)保留步骤104)得到的点云数据块。
107)循环步骤102)~106)直至全部点云数据无法进一步合并。
11)输出各构件分割结果的点云数据块。
值得说明的是,在实际生产中以多次构件扫描效果验证本实施例分割方法的有效性,图7为扫描得到的原始点云数据及分割方法处理得到的效果图像。分割的构件数据采用不同颜色进行标识。实验效果证明,三维点云数据确实得到了合理的划分,本实施例准确地将扫描获得的全部点云数据分割为不同构件的点云数据,是切实有效的。
Claims (6)
1.一种基于图像的三维激光扫描点云数据的分割方法,其特征在于,包括以下步骤:
1)对待处理构件及构件堆放场地进行扫描,生成全景点云数据;
2)将全景点云数据传输至计算机,移除地面点云数据,得到非地面点云数据;
3)对步骤2)所得非地面点云数据进行数据切割;
4)将经切割的非地面点云数据空间网格化映射为二维图像;
选定特定数值N,将点云数据沿水平方向与竖直方向进行网格划分;网格的尺寸大小如式(1)和式(2)所示;三维点云数据中某个数据点(x,y,z)映射为二维图像中的对应点(x',z');映射关系如式(3)和式(4)表示;
式中,dx为水平方向的平均网格尺寸,mm;dz为竖直方向的平均网格尺寸,mm;点云数据在水平方向的最小包围矩阵范围为[xmin,xmax];点云数据在竖直方向的最小包围矩阵范围为[zmin,zmax];N为选取的划分数值;x表示数据点(x,y,z)水平方向的位置坐标;z表示数据点(x,y,z)竖直方向的位置坐标;x′表示图像映射后的水平位置坐标;z′表示图像映射后的竖直位置坐标;
5)对步骤4)所得二维图像进行去噪处理;
6)基于优化的自适应K-means算法,对经去噪处理的二维图像进行聚类处理;
对二维图像采用优化的自适应K-means聚类方法进行聚类处理;判断某特定点所属类别时,考虑所述特定点与进行判定的种子点的RGB值之差和网格位置之差,公式为:
式中,rk,lk,gk分别表示第k簇的种子点的行数值,列数值和RGB值;r,l,g分别表示所述点的行数值,列数值和RGB值;α和β表示了位置关系和RGB值关系的权重;
7)基于Canny算子,对经聚类处理的二维图像进行边缘识别,得到边缘图像;
8)对得到的边缘图像使用活动窗口算法,产生非地面点云数据初步分割结果;
9)使用RBNN算法对步骤8)得到的非地面点云数据初步分割结果进行二次分割,得到分块点云数据;
10)检测各分块点云间的关系,对属于同一构件的分块点云数据进行区域合并;得到符合各构件分布的分割结果;
11)输出各构件分割结果的点云数据块。
2.根据权利要求1所述的一种基于图像的三维激光扫描点云数据的分割方法,其特征在于:步骤2)中,对于平整地面,采用阈值法移除地面点云数据;对于非平整地面,采用形态学过滤操作得到非地面点云数据。
3.根据权利要求1所述的一种基于图像的三维激光扫描点云数据的分割方法,其特征在于:所述划分数值N为200~300。
4.根据权利要求1所述的一种基于图像的三维激光扫描点云数据的分割方法,其特征在于:步骤8)所述边缘图像为一幅逻辑二值图像,若逻辑值为1,则代表该点为边缘点,否则该点为非边缘点;所述活动窗口两侧尺寸均为2n+1,其边缘处逻辑值为1,其余处逻辑值为0;其中,n为正整数值。
5.根据权利要求1所述的一种基于图像的三维激光扫描点云数据的分割方法,其特征在于:步骤9)中,初始化时给定邻域距离阈值;对非地面点云数据中的每个点进行如下循环遍历:若该点已经被归类,则跳过该点进入下一个点的循环;否则对该点距离阈值邻域内的点进行如下遍历处理:若某个邻接点被归类且该点也被归类,则合并该点及邻接点的类;若邻接点未被归类且该点被归类,则将邻接点置入该点的类;若邻接点被归类且该点未被归类,则将该点置入邻接点的类;上述遍历完成时若该点仍未被归类,则为该点赋予新类,并将该点领域范围内全部点置入该类中;循环直至点云全部遍历,保留每个类作为分割出的分块点云数据。
6.根据权利要求1所述的一种基于图像的三维激光扫描点云数据的分割方法,其特征在于:步骤10)中,针对分割得到的分块点云数据,循环挑选两个不同的分块点云数据,判断所述两者是否从属于同一构件,每次根据判断结果选择是否合并分块点云数据;若数据中心点的欧式距离小于给定阈值,则判定两者为同一构件,并将点云数据进行合并。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810775441.7A CN109118500B (zh) | 2018-07-16 | 2018-07-16 | 一种基于图像的三维激光扫描点云数据的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810775441.7A CN109118500B (zh) | 2018-07-16 | 2018-07-16 | 一种基于图像的三维激光扫描点云数据的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109118500A CN109118500A (zh) | 2019-01-01 |
CN109118500B true CN109118500B (zh) | 2022-05-10 |
Family
ID=64862136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810775441.7A Active CN109118500B (zh) | 2018-07-16 | 2018-07-16 | 一种基于图像的三维激光扫描点云数据的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109118500B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766404B (zh) * | 2019-02-12 | 2020-12-15 | 湖北亿咖通科技有限公司 | 点云处理方法、装置及计算机可读存储介质 |
CN110097047B (zh) * | 2019-03-19 | 2021-10-08 | 同济大学 | 一种基于深度学习采用单线激光雷达的车辆检测方法 |
CN110069993B (zh) * | 2019-03-19 | 2021-10-08 | 同济大学 | 一种基于深度学习的目标车辆检测方法 |
CN109993748B (zh) * | 2019-03-30 | 2023-06-20 | 华南理工大学 | 一种基于点云处理网络的三维网格物体分割方法 |
CN110060338B (zh) * | 2019-04-25 | 2020-11-10 | 重庆大学 | 一种基于bim模型的预制构件点云识别方法 |
CN110060344B (zh) * | 2019-04-25 | 2020-10-09 | 重庆大学 | 一种基于点云数据的预制构件整体尺寸逆向建模方法 |
CN110502771B (zh) * | 2019-04-25 | 2021-04-27 | 重庆大学 | 一种基于粒子群算法的预制构件点云自动合模方法 |
CN110110802B (zh) * | 2019-05-14 | 2020-09-15 | 南京林业大学 | 基于高阶条件随机场的机载激光点云分类方法 |
CN110490893B (zh) * | 2019-07-18 | 2022-02-22 | 广州大学 | 一种快速欧式距离点云分割方法 |
CN110473223B (zh) * | 2019-08-15 | 2023-05-05 | 西南交通大学 | 基于接触网腕臂系统三维点云的二维图像辅助分割方法 |
CN110595446B (zh) * | 2019-08-19 | 2021-12-24 | 广东领盛装配式建筑科技有限公司 | 一种基于虚拟靠尺的建筑实测实量方法及装置 |
CN112313536B (zh) * | 2019-11-26 | 2024-04-05 | 深圳市大疆创新科技有限公司 | 物体状态获取方法、可移动平台及存储介质 |
CN110956137A (zh) * | 2019-12-02 | 2020-04-03 | 深圳市镭神智能系统有限公司 | 点云数据的目标检测方法、系统及介质 |
CN111951197B (zh) * | 2020-08-14 | 2023-10-20 | 中国科学院自动化研究所苏州研究院 | 一种基于结构光的点云分割方法 |
CN112785596B (zh) * | 2021-02-01 | 2022-06-10 | 中国铁建电气化局集团有限公司 | 基于dbscan聚类的点云图螺栓分割和高度测量方法 |
CN113470049B (zh) * | 2021-07-06 | 2022-05-20 | 吉林省田车科技有限公司 | 一种基于结构化彩色点云分割的完整目标提取方法 |
CN113808145B (zh) * | 2021-09-30 | 2023-09-26 | 深圳市优必选科技股份有限公司 | 巡检移动装置的巡检路网获取方法及巡检移动装置 |
CN116485887B (zh) * | 2023-01-16 | 2024-02-02 | 湖北普罗格科技股份有限公司 | 一种无监督3d纸箱检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413133A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 无序激光点云数据中自动提取电力线方法 |
CN104143194A (zh) * | 2014-08-20 | 2014-11-12 | 清华大学 | 一种点云分割方法及装置 |
CN104331699A (zh) * | 2014-11-19 | 2015-02-04 | 重庆大学 | 一种三维点云平面化快速搜索比对的方法 |
CN106056614A (zh) * | 2016-06-03 | 2016-10-26 | 武汉大学 | 一种地面激光点云数据的建筑物分割与轮廓线提取方法 |
CN106651863A (zh) * | 2016-11-30 | 2017-05-10 | 厦门大学 | 一种基于点云数据的树木自动分割方法 |
CN106780509A (zh) * | 2016-12-01 | 2017-05-31 | 山东交通学院 | 融合多维特征的建筑物点云层次聚类分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011070927A1 (ja) * | 2009-12-11 | 2011-06-16 | 株式会社トプコン | 点群データ処理装置、点群データ処理方法、および点群データ処理プログラム |
-
2018
- 2018-07-16 CN CN201810775441.7A patent/CN109118500B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413133A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 无序激光点云数据中自动提取电力线方法 |
CN104143194A (zh) * | 2014-08-20 | 2014-11-12 | 清华大学 | 一种点云分割方法及装置 |
CN104331699A (zh) * | 2014-11-19 | 2015-02-04 | 重庆大学 | 一种三维点云平面化快速搜索比对的方法 |
CN106056614A (zh) * | 2016-06-03 | 2016-10-26 | 武汉大学 | 一种地面激光点云数据的建筑物分割与轮廓线提取方法 |
CN106651863A (zh) * | 2016-11-30 | 2017-05-10 | 厦门大学 | 一种基于点云数据的树木自动分割方法 |
CN106780509A (zh) * | 2016-12-01 | 2017-05-31 | 山东交通学院 | 融合多维特征的建筑物点云层次聚类分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109118500A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118500B (zh) | 一种基于图像的三维激光扫描点云数据的分割方法 | |
US6937761B2 (en) | Process for processing images to automatically extract semantic features | |
CN106446896B (zh) | 一种字符分割方法、装置及电子设备 | |
CN111681249B (zh) | 基于Grabcut的砂石颗粒的改进分割算法研究 | |
CN107424166B (zh) | 点云分割方法及装置 | |
CN114529837A (zh) | 建筑物轮廓提取方法、系统、计算机设备及存储介质 | |
CN113870235A (zh) | 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法 | |
CN108154158B (zh) | 一种面向增强现实应用的建筑物图像分割方法 | |
CN111583279A (zh) | 一种基于pcba的超像素图像分割方法 | |
CN112991536B (zh) | 一种专题地图地理面要素自动提取和矢量化方法 | |
CN111783722B (zh) | 一种激光点云的车道线提取方法和电子设备 | |
CN108596151B (zh) | 一种大场景sar图像中舰船目标切片快速提取方法 | |
Wu et al. | Cartoon image segmentation based on improved SLIC superpixels and adaptive region propagation merging | |
CN108765478A (zh) | 一种建筑点云中分离单体建筑的密度聚类算法 | |
JP2017111814A (ja) | 堆積物体の認識方法、装置、及び機器による選別システム | |
CN110458812A (zh) | 一种基于颜色描述及稀疏表达的类圆形水果缺陷检测方法 | |
Cho et al. | Image segmentation using linked mean-shift vectors and global/local attributes | |
CN110598581B (zh) | 基于卷积神经网络的光学乐谱识别方法 | |
CN116452604A (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
Shi et al. | A model based framework for table processing in degraded document images | |
CN109508674A (zh) | 基于区域划分的机载下视异构图像匹配方法 | |
CN114359378A (zh) | 一种带式输送机巡检机器人定位方法 | |
CN114359632A (zh) | 一种基于改进PointNet++神经网络的点云目标分类方法 | |
CN115187744A (zh) | 一种基于激光点云的机柜识别方法 | |
CN110223299B (zh) | 一种基于沉积过程的磨粒分割方法 |
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 |