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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 36
- 230000000717 retained effect Effects 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 7
- 239000002184 metal Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
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。
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)
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)
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 |
-
2018
- 2018-09-28 CN CN201811137422.8A patent/CN109410342A/zh active Pending
Patent Citations (5)
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)
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)
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 |