CN109410342A - 一种保留边界点的点云精简方法 - Google Patents

一种保留边界点的点云精简方法 Download PDF

Info

Publication number
CN109410342A
CN109410342A CN201811137422.8A CN201811137422A CN109410342A CN 109410342 A CN109410342 A CN 109410342A CN 201811137422 A CN201811137422 A CN 201811137422A CN 109410342 A CN109410342 A CN 109410342A
Authority
CN
China
Prior art keywords
point
point cloud
data
boundary
cloud data
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
Application number
CN201811137422.8A
Other languages
English (en)
Inventor
李文国
杨正世
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201811137422.8A priority Critical patent/CN109410342A/zh
Publication of CN109410342A publication Critical patent/CN109410342A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/10—Geometric effects
    • G06T15/30—Clipping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Graphics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Architecture (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明涉及一种保留边界点的点云精简方法，属于计算机三维建模技术领域。本发明提出的点云精简方法的具体步骤为：①读取原始点云数据；②点云数据的空间划分，并计算出每个数据的最近K邻域；③估算出每个数据点的单位法向量；④获取点云数据的边界数据点，并进行保留；⑤对于非边界点的点云数据，进行重要特点的判断；⑥对非边界数据点进行精简。本文方法与其他方法相比，在对点云数据达到有效的精简时，而且还很好的保留了点云模型的边界特征点；避免了曲率估计的耗时长，在点云平坦区域产生大面积的孔洞现象；对封闭的点云模型和单片的点云模型都适用。

Description

一种保留边界点的点云精简方法
技术领域
本发明涉及一种保留边界点的点云精简方法，属于计算机三维建模技术领域。
背景技术
近年来，各行各业正在面临着人工智能、信息化和现代化的极大挑战，三维重建技术和测量技术的应用价值更为明显。三维测量技术可以快熟全面的获取场景的三维数据信息，克服了传统测量技术工作量大、难操作和精度不高等缺点。但获取的点云数据存在大量的冗余信息。如果直接对获取的点云数据进行存储和处理，会占据大量的计算机内存，在点云重建过程中会消耗时间长，影响整体的点云数据处理效率。在点云模型重建时，冗余点云会计算量大还会影响曲面的光顺性，实际上变不是所有点云数据对点云模型的重建都有用，为此这就需要在保证一定精度的条件下对点云数据进行精简，即点云数据曲率变换较大的区域，要保留足够多的数据点，曲率变换较小的区域，要保留较小的数据点，能够在一定精度的条件下，保留点云数据的形状特征。
点云精简技术是三维重建技术中重要的前期阶段，在近几年中得到了快速的发展，其主要的方法有如下几大类。基于网格的方法，先将点云模型包含在一个大的立体素格中，然后对立体素格划分为许多大小均匀的小体格素，然后用小体格数的中心点来代替小体格素，从而达到对点云数据的精简目的。该算法简单容易实现，对分布均匀的点云数据精简效果好，但是体格素的大小是人为设定的，由于点云数据的大小不同，使得体格素的设置不便控制，而且上面体格素的中心并非原始的点云数据，是通过计算得到的点，这样容易造成点云数据特征点的丢失。基于三角网格化的方法，首先将得到的点云数据进行三角网格化，其次计算三角网格的法向量，然后根据法向量的加权算法，对生成的三角网格进行判断，并删除冗余网格以达到简化的要求。但是三角化的过程耗时长，占用资源大。基于曲率信息的方法，先计算出点云数据的曲率信息，然后根据不同的曲率大小，来删除点云，该方法在曲率变化较大的区域，能够保留较多的点云数据，但是在点云数据变化平缓的区域，会出现大面积点云数据丢失的现象，导致后序的三维重建产生孔洞，并且曲率计算耗时长，点云数据边界点丢失情况严重。这些方法都难以保留点云模型的边界特征点，并且同时具有较高的效率。
发明内容
本发明目的：针对目前也有点云精简方法，对点云模型边界特征点保留差、精简耗时长和精简精度差的不足，提出了一种保留边界点的点云精简方法，在保证点云精简的精度同时，很好的保留了点云模型的边界特征点，为后序的三维重建效果提供了保障。
本发明采用的技术方案是：一种保留边界点的点云精简方法，包括如下步骤：
步骤1:读取原始点云数据；
步骤2:点云数据的空间划分及K近邻域,具体为：
步骤2.1:根据读取的点云数据,获取在X、Y、Z三个方向上的边界值Xmax、Ymax、Zmax和Xmin、Ymin、Zmin，计算出点云数据在X、Y、Z三个方向上的最大范围分别为
其中,Lx、Ly、Lz分别为点云数据在X、Y、Z轴三个方向上的最大范围,α为在最大范围上增加α长度的距离；
步骤2.2:根据空间划分的依据,计算出每个最小立方体的边长为
其中,χ为调节比例因子,β为比例系数；N为输入点云的总数；
步骤2.3:把输入的点云数据分配到对应的小立方体(nx,ny,nz)中，其中
其中,Xp，Yp,Zp为某一点点云的坐标数值；表示取整；
步骤2.4:计算出每个数据点的K最近邻域,K值取值范围在10～18；
步骤3:估计出每个点云数据的单位法向量,并将法向量方向进行归一化；
步骤4:提取点云数据的边界点进行保留,具体为：
步骤4.1:将检测数据点p及其K邻域点拟合最小二乘平面,将数据点p及其K邻域点投影到拟合最小二乘平面内；
步骤4.2:从K邻域数据点的投影点中,选取到数据点p投影点的最近点Qi,并作有向向量以向量作为基准,分别计算出数据点p的投影点与剩余K-1个邻域点的投影点Qj的有向向量之间的逆时针夹角，得到夹角序列为：S＝(α1,α2,...,αk-1)；
步骤4.3:将得到的夹角序列,重新按照升序的排列得到新的角度序列为：S'＝(α'1,α'2,...,α'k-1)；
步骤4.4:将得到的升序角度序列,分别计算出两相邻有向向量之间的夹角为
θ＝α'i+1-a'i i∈[0,k] (4)
其中,θ为两相邻有向向量之间的夹角，找出θ中最大θmax值，设定一个判断数据点p为边界点的阈值θTH，当θmax>θTH时认为数据点p为边界点，需要将其保留下来；
步骤5：非边界点重要特征点保留，具体为：
步骤5.1：对于非边界数据点p，其K邻域点集合为(q1,q2,...,qk)，由步骤3得到k邻域点的单位法向量集合为(n1,n2,...,nk)，则重要特征点可以用下面的式子来判定
公式(5)中，i∈[1,k]，g(||p-qi||)为高斯权重函数，来调节各点的法向量权重；公式(5)中δ(p)表示数据点P到k邻域点拟合切平面的平均距离；
步骤5.2：根据公式(5)可知，数据点p位于K邻域点拟合切平面时，平均距离δ(p)会非常的小，说明数据点p对K邻域点，实际对应的几何曲面的贡献值几乎没有，可以看作为非重要的特征点，相反，当数据点p位于点云数据曲率变换较大的区域时，平均距离δ(p)非常大，说明数据点p不能够被它邻域的点云所代替，对实际对应的几何曲面的贡献值非常大，在点云精简的过程中，看着重要的特征点进行保留；
步骤6：点云数据精简，具体为；
步骤6.1：根据步骤5，预先设定阈值δ(p)min，当δ(p)>δ(p)min时数据点p为重要的特征点进行保留，反之为非重要特征点进行删除；
步骤6.2：当未达到所设定的点云精简率时，需要由步骤3，更新删除非重要特征点之后点云数据的单位法向量；需要由步骤5，更新删除非重要特征点之后点云数据的重要特征点，然后再进行步骤6.1对点云数据精简。
具体地，所述步骤2中的所述点云数据的空间划分法为八叉树法。
具体地，所述步骤2中的所述计算每个数据点的K最近邻域的方法为八叉树搜索法。
具体地，所述步骤3中的所述估计出每个点云数据的单位法向量的方法为主成分分析法。
本发明的有益效果是：在进行点云数据精简时，先对点云模型的边界点进行提取保留，确保了原始点云的边界特征没有受到损失；对于非边界的点云，删除的是非重要的特征点，留下的点是原始点云中的点，而非近似计算得到的点，最大限度的保障了点云数据精简之后的精度。本文方法与其他方法相比，在对点云数据达到有效的精简时，而且还很好的保留了点云模型的边界特征点；避免了曲率估计的耗时长，在点云平坦区域产生大面积的孔洞现象；对封闭的点云模型和单片的点云模型都适用。
附图说明
图1为本发明整体步骤流程图；
图2为封闭Bunny模型和单片钣金点云模型原始点云；
图3为Bunny模型和钣云模型精简效果；
图4为Bunny模型和钣金模型精简之后三角化效果。
具体实施方式
以下结合实施例和附图对本发明作进一步阐述，但本发明的保护内容不限于所述范围。
实施例1:如图1-4所示，对图2封闭Bunny模型和单片钣金点云模型原始点云进行精简，Bunny模型原始数据点为35947个，精简率设置为90％，钣金模型原始数据点为207846个，精简率设置为98％。
一种保留边界点的点云精简方法，其操作过程包括步骤1至步骤6，步骤流程如图1所示，具体为：
步骤1:读取原始点云数据；
步骤2:点云数据的空间划分及K近邻域,具体为；
步骤2.1:根据读取的点云点云数据,获取在X、Y、Z三个方向上的边界值Xmax、Ymax、Zmax和Xmin、Ymin、Zmin，计算出点云数据在X、Y、Z三个方向上的最大范围分别为
其中,Lx、Ly、Lz分别为点云数据在X、Y、Z轴三个方向上的最大范围,α为在最大范围上增加α长度的距离；
步骤2.2:根据空间划分的依据,计算出每个最小立方体的边长为
其中,χ为调节比例因子,β为比例系数；N为输入点云的总数；
步骤2.3:把输入的点云数据分配到对应的小立方体(nx,ny,nz)中，其中
其中,Xp，Yp,Zp为某一点点云的坐标数值；表示取整；
步骤2.4:计算出每个数据点的k最近邻域,K值取值范围在10～18之间效果为宜；
步骤3:估计出每个点云数据的单位法向量,并将法向量方向进行归一化；
步骤4:提取点云数据的边界点进行保留,具体为；
步骤4.1:将检测数据点p及其K邻域点拟合最小二乘平面,将数据点p及其k邻域点投影到拟合最小二乘平面内；
步骤4.2:从k邻域数据点的投影点中,选取到数据点p投影点的最近点Qi,并作有向向量以向量作为基准,分别计算出数据点P的投影点与剩余k-1个邻域点的投影点Qj的有向向量之间的逆时针夹角，得到夹角序列为：S＝(α1,α2,...,αk-1)；
步骤4.3:将得到的夹角序列,重新按照升序的排列得到新的角度序列为：S'＝(α'1,α'2,...,α'k-1)；
步骤4.4:将得到的升序角度序列,分别计算出两相邻有向向量之间的夹角为
θ＝α'i+1-a'i i∈[0,k] (4)
其中,θ为两相邻有向向量之间的夹角。找出θ中最大θmax值，设定一个判断数据点p为边界点的阈值θTH，当θmax>θTH时认为数据点p为边界点，需要将其保留下来。阈值θTH的取值，要根据点云模型情况而定，点云模型为封闭时设置小一些，点云模型为单片点云时设置大一些，阈值θTH的经验值一般在2π/3左右；
步骤5：非边界点重要特征点保留，具体为；
步骤5.1：对于非边界数据点p，其k邻域点集合为(q1,q2,...,qk)，由步骤3得到k邻域点的单位法向量集合为(n1,n2,...,nk)。则重要特征点可以用下面的式子来判定
公式(5)中，i∈[1,k]，g(||p-qi||)为高斯权重函数，来调节各点的法向量权重；公式(5)表示数据点P到k邻域点拟合切平面的平均距离；
步骤5.2：根据公式(5)可知，数据点p位于K邻域点拟合切平面时，平均距离δ(p)会非常的小，说明数据点p对K邻域点，实际对应的几何曲面的贡献值几乎没有，可以看作为非重要的特征点，相反，当数据点p位于点云数据曲率变换较大的区域时，平均距离δ(p)非常大，说明数据点p不能够被它邻域的点云所代替，对实际对应的几何曲面的贡献值非常大，在点云精简的过程中，看着重要的特征点进行保留；
步骤6：点云数据精简，具体为；
步骤6.1：根据步骤5，预先设定阈值δ(p)min，当δ(p)>δ(p)min时数据点p为重要的特征点进行保留，反之为非重要特征点进行删除；
步骤6.2：当未达到所设定的点云精简率时，需要由步骤3，更新删除非重要特征点之后点云数据的单位法向量；需要由步骤5，更新删除非重要特征点之后点云数据的重要特征点，然后再进行步骤6.1对点云数据精简。
进一步地，所述步骤2中的所述点云数据的空间划分法为八叉树法。
进一步地，所述步骤2中的所述计算每个数据点的K最近邻域的方法为八叉树搜索法。
进一步地，所述步骤3中的所述估计出每个点云数据的单位法向量的方法为主成分分析法。
为了验证本文方法的有效性，对图2封闭模型点云数据和单片模型点云数据，采用本发明提出的方法，进行了图1步骤1至步骤6的操作。点云模型精简的效果如图3所示，精简之后的三角化重建效果如图4所示。从图可以出，本文方法很好的保留了点云数据的边界特征点，在曲率变换较大的区域，保留了较多的特征点，在数据点相对变化较平缓的区域，保留的数据较少，且数据点的分布趋向于均匀状态，没有数据点孔洞的产生，对封闭的点云模型和单片的点云模型都适用。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域高级技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (4)

1.一种保留边界点的点云精简方法，其特征在于：包括如下步骤:
步骤1:读取原始点云数据；
步骤2:点云数据的空间划分及K近邻域,具体为：
步骤2.1:根据读取的点云数据,获取在X、Y、Z三个方向上的边界值Xmax、Ymax、Zmax和Xmin、Ymin、Zmin，计算出点云数据在X、Y、Z三个方向上的最大范围分别为
其中,Lx、Ly、Lz分别为点云数据在X、Y、Z轴三个方向上的最大范围,α为在最大范围上增加α长度的距离；
步骤2.2:根据空间划分的依据,计算出每个最小立方体的边长为
其中,χ为调节比例因子,β为比例系数；N为输入点云的总数；
步骤2.3:把输入的点云数据分配到对应的小立方体(nx,ny,nz)中，其中
其中,Xp，Yp,Zp为某一点点云的坐标数值；表示取整；
步骤2.4:计算出每个数据点的k最近邻域,k值取值范围在10～18；
步骤3:估计出每个点云数据的单位法向量,并将法向量方向进行归一化；
步骤4:提取点云数据的边界点进行保留,具体为：
步骤4.1:将检测数据点p及其k邻域点拟合最小二乘平面,将数据点p及其K邻域点投影到拟合最小二乘平面内；
步骤4.2:从K邻域数据点的投影点中,选取到数据点p投影点的最近点Qi,并作有向向量以向量作为基准,分别计算出数据点p的投影点与剩余K-1个邻域点的投影点Qj的有向向量之间的逆时针夹角，得到夹角序列为：S＝(α1,α2,...,αk-1)；
步骤4.3:将得到的夹角序列,重新按照升序的排列得到新的角度序列为：S'＝(α'1,α'2,...,α'k-1)；
步骤4.4:将得到的升序角度序列,分别计算出两相邻有向向量之间的夹角为
θ＝α'i+1-a'i i∈[0,k] (4)
其中,θ为两相邻有向向量之间的夹角，找出θ中最大θmax值，设定一个判断数据点p为边界点的阈值θTH，当θmax>θTH时认为数据点p为边界点，需要将其保留下来；
步骤5：非边界点重要特征点保留，具体为：
步骤5.1：对于非边界数据点p，其k邻域点集合为(q1,q2,...,qk)，由步骤3得到k邻域点的单位法向量集合为(n1,n2,...,nk)，则重要特征点可以用下面的式子来判定
公式(5)中，i∈[1,k]，g(||p-qi||)为高斯权重函数，来调节各点的法向量权重；公式(5)中δ(p)表示数据点p到K邻域点拟合切平面的平均距离；
步骤5.2：根据公式(5)可知，数据点p位于K邻域点拟合切平面时，平均距离δ(p)会非常的小，说明数据点p对K邻域点，实际对应的几何曲面的贡献值几乎没有，可以看作为非重要的特征点，相反，当数据点p位于点云数据曲率变换较大的区域时，平均距离δ(p)非常大，说明数据点p不能够被它邻域的点云所代替，对实际对应的几何曲面的贡献值非常大，在点云精简的过程中，看着重要的特征点进行保留；
步骤6：点云数据精简，具体为；
步骤6.1：根据步骤5，预先设定阈值δ(p)min，当δ(p)>δ(p)min时数据点p为重要的特征点进行保留，反之为非重要特征点进行删除；
步骤6.2：当未达到所设定的点云精简率时，需要由步骤3，更新删除非重要特征点之后点云数据的单位法向量；需要由步骤5，更新删除非重要特征点之后点云数据的重要特征点，然后再进行步骤6.1对点云数据精简。
2.如权利要求1所述的一种保留边界点的点云精简方法，其特征在于：所述步骤2中的所述点云数据的空间划分法为八叉树法。
3.如权利要求1或2所述的一种保留边界点的点云精简方法，其特征在于：所述步骤2中的所述计算每个数据点的k最近邻域的方法为八叉树搜索法。
4.如权利要求1至3任一项所述的一种保留边界点的点云精简方法，其特征在于：所述步骤3中的所述估计出每个点云数据的单位法向量的方法为主成分分析法。
CN201811137422.8A 2018-09-28 2018-09-28 一种保留边界点的点云精简方法 Pending CN109410342A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811137422.8A CN109410342A (zh) 2018-09-28 2018-09-28 一种保留边界点的点云精简方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811137422.8A CN109410342A (zh) 2018-09-28 2018-09-28 一种保留边界点的点云精简方法

Publications (1)

Publication Number Publication Date
CN109410342A true CN109410342A (zh) 2019-03-01

Family

ID=65465509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811137422.8A Pending CN109410342A (zh) 2018-09-28 2018-09-28 一种保留边界点的点云精简方法

Country Status (1)

Country Link
CN (1) CN109410342A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110068279A (zh) * 2019-04-25 2019-07-30 重庆大学产业技术研究院 一种基于点云数据的预制构件平面圆孔提取方法
CN110458174A (zh) * 2019-06-28 2019-11-15 南京航空航天大学 一种无序点云关键特征点精确提取方法
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
CN111062960A (zh) * 2019-12-11 2020-04-24 南京航空航天大学 基于散乱点云的飞机蒙皮对缝特征线提取方法
CN111210501A (zh) * 2019-10-12 2020-05-29 香港理工大学深圳研究院 一种室内建模方法、装置及终端设备
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
CN111699690A (zh) * 2019-07-04 2020-09-22 深圳市大疆创新科技有限公司 点云的处理方法和装置
CN112384950A (zh) * 2019-06-12 2021-02-19 浙江大学 点云的编解码方法及装置
CN112634457A (zh) * 2021-01-06 2021-04-09 广西科技大学 基于豪斯多夫距离和平均投影距离局部熵的点云精简方法
CN113744389A (zh) * 2021-08-24 2021-12-03 武汉理工大学 一种面向复杂零件曲面特征保留的点云精简方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750730A (zh) * 2012-06-15 2012-10-24 北京理工大学 一种特征保持的点云数据精简方法
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
CN104361625A (zh) * 2014-07-24 2015-02-18 西北农林科技大学 一种基于射线原理的带边界保留的云数据精简算法
CN107341825A (zh) * 2017-07-06 2017-11-10 西南科技大学 一种用于大场景高精度三维激光测量点云数据的简化方法
CN108198244A (zh) * 2017-12-20 2018-06-22 中国农业大学 一种苹果叶片点云精简方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750730A (zh) * 2012-06-15 2012-10-24 北京理工大学 一种特征保持的点云数据精简方法
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
CN104361625A (zh) * 2014-07-24 2015-02-18 西北农林科技大学 一种基于射线原理的带边界保留的云数据精简算法
CN107341825A (zh) * 2017-07-06 2017-11-10 西南科技大学 一种用于大场景高精度三维激光测量点云数据的简化方法
CN108198244A (zh) * 2017-12-20 2018-06-22 中国农业大学 一种苹果叶片点云精简方法及装置

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
廖中平等: "多阈值提取平面点云边界点的方法", 《计算机应用》 *
李仁忠等: "一种散乱点云的均匀精简算法", 《光学学报》 *
袁亮主编: "《矿山测量研究进展与应用》", 30 September 2017 *
赵伟玲等: "保留边界特征的点云简化算法", 《黑龙江科技学院学报》 *
郭少友: "《上下文检索理论与实践》", 31 May 2009 *
韩磊等: "一种自适应点云特征点提取算法", 《图形图像》 *
黄文明等: "保留边界的点云简化方法", 《计算机应用》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110068279A (zh) * 2019-04-25 2019-07-30 重庆大学产业技术研究院 一种基于点云数据的预制构件平面圆孔提取方法
CN112384950A (zh) * 2019-06-12 2021-02-19 浙江大学 点云的编解码方法及装置
CN110458174A (zh) * 2019-06-28 2019-11-15 南京航空航天大学 一种无序点云关键特征点精确提取方法
CN111699690A (zh) * 2019-07-04 2020-09-22 深圳市大疆创新科技有限公司 点云的处理方法和装置
WO2021000333A1 (zh) * 2019-07-04 2021-01-07 深圳市大疆创新科技有限公司 点云的处理方法和装置
CN111210501A (zh) * 2019-10-12 2020-05-29 香港理工大学深圳研究院 一种室内建模方法、装置及终端设备
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
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
CN111062960A (zh) * 2019-12-11 2020-04-24 南京航空航天大学 基于散乱点云的飞机蒙皮对缝特征线提取方法
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
CN112634457A (zh) * 2021-01-06 2021-04-09 广西科技大学 基于豪斯多夫距离和平均投影距离局部熵的点云精简方法
CN112634457B (zh) * 2021-01-06 2022-07-05 广西科技大学 基于豪斯多夫距离和平均投影距离局部熵的点云精简方法
CN113744389A (zh) * 2021-08-24 2021-12-03 武汉理工大学 一种面向复杂零件曲面特征保留的点云精简方法
CN113744389B (zh) * 2021-08-24 2023-10-10 武汉理工大学 一种面向复杂零件曲面特征保留的点云精简方法

Similar Documents

Publication Publication Date Title
CN109410342A (zh) 一种保留边界点的点云精简方法
CN109409437B (zh) 一种点云分割方法、装置、计算机可读存储介质及终端
Delingette Simplex meshes: a general representation for 3D shape reconstruction
CN110807781B (zh) 一种保留细节与边界特征的点云精简方法
CN109685080B (zh) 基于霍夫变换与区域生长的多尺度平面提取方法
CN108320293A (zh) 一种结合改进粒子群算法的快速点云边界提取技术
CN103701466A (zh) 基于特征保留的散乱点云压缩算法
CN106970375A (zh) 一种机载激光雷达点云中自动提取建筑物信息的方法
CN105096268A (zh) 一种点云去噪平滑方法
Liu et al. An improved unsupervised image segmentation method based on multi-objective particle swarm optimization clustering algorithm
CN103440645A (zh) 一种基于自适应粒子滤波和稀疏表示的目标跟踪算法
CN108596920A (zh) 一种基于彩色图像的目标分割方法及装置
CN101599181A (zh) 一种代数b样条曲面的实时绘制方法
Wang et al. Underwater sonar image detection: A novel quantum‐inspired shuffled frog leaping algorithm
CN109583377A (zh) 一种管路模型重建的控制方法、装置及上位机
CN108460781A (zh) 一种基于改进spf的活动轮廓图像分割方法及装置
CN112687002A (zh) 一种三维地质模型网格优化方法
CN115861571A (zh) 语义感知的三角网模型建筑物实体重建方法
CN113409332B (zh) 一种基于三维点云的建筑物平面分割方法
Li et al. Underwater Target Detection Based on Improved YOLOv4
CN103366348A (zh) 一种抑制x线图像中骨骼影像的方法及处理设备
CN108846845A (zh) 基于缩略图与分层模糊聚类的sar图像分割方法
CN111047684A (zh) 一种基于三维模型特征的模型简化方法
Geng et al. Approximate poisson disk sampling on mesh
Huang et al. Mesh simplification algorithm based on edge curvature metrics and local optimization

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: 20190301