CN109934837A - 一种3d植物叶片轮廓的提取方法、装置及系统 - Google Patents
一种3d植物叶片轮廓的提取方法、装置及系统 Download PDFInfo
- Publication number
- CN109934837A CN109934837A CN201811599751.4A CN201811599751A CN109934837A CN 109934837 A CN109934837 A CN 109934837A CN 201811599751 A CN201811599751 A CN 201811599751A CN 109934837 A CN109934837 A CN 109934837A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- cloud model
- blade
- blade profile
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种3D植物叶片轮廓的提取方法、装置及系统,包括:获取叶片的3D点云数据,对3D点云数据进行预处理得到3D点云模型1;将3D点云模型1放入三维空间坐标中,并旋转到XOY平面的位置,投影3D点云模型1中的点云到XOY平面,得到当前位置3D点云模型1的二维图像;对当前位置3D点云模型1的二维图像进行背景处理,得到二维叶片轮廓的图像;将二维的叶片轮廓图像放入三维空间坐标中,调整二维叶片轮廓图像的位置使其与3D点云模型1平行,通过最短距离匹配算法,找出与二维叶片轮廓对应的3D点,连接所有的对应的3D点形成的轮廓即为3D植物叶片轮廓。本发明在实际操作中所需的时间较少,且从空间上来说,实际存储对象为3D点云模型中的点的信息,所需的存储需求量较小。
Description
技术领域
本发明属于计算机图形处理与人机交互领域,具体涉及一种3D植物叶片轮廓的提取方法、装置及系统。
背景技术
3D植物叶片轮廓的提取是计算机图形学和计算机视觉等前沿学科研究的内容之一,也是3D植物建模的重要组成部分。在三维点云中,由于3D叶片模型中的点云数量繁多以及点与点之间的关联度不是很强,因此,如何准确高效地在三维点云空间提取出植物叶片的轮廓将会是一个具有挑战性的课题。
目前植物模型轮廓提取的方法主要采用的是转化为网格模型,从而来提取出植物的外轮廓,但是网格模型拓扑结构复杂,计算量和存储量较大。因此,虽然采用转化网格模型的方法是可以提取出植物的外轮廓的,但是在时间和空间上面所需要消耗的代价是很大的
发明内容
针对上述问题,本发明提出一种3D植物叶片轮廓的提取方法、装置及系统,首先对原始的植物叶片进行三维扫描得到叶片的3D点云数据;然后对叶片的3D点云数据进行去噪简化处理,得到叶片的3D点云模型;接着获取去噪简化后的叶片的3D点云模型在三维空间中特定位置处的二维图像,并且对二维图像背景处理得到二维叶片轮廓图像;最后通过最短距离匹配算法即可获得叶片3D点云模型的轮廓。
实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
第一方面,本发明提供了一种3D植物叶片轮廓的提取方法,包括:
(1)获取某一植物叶片的3D点云数据,并对所述3D点云数据进行预处理,得到叶片的3D点云模型1;
(2)将所述3D点云模型1放入三维空间坐标中,并且将3D点云模型1旋转到XOY平面的位置,投影3D点云模型1中的点云到XOY平面,得到当前位置3D点云模型1的二维图像;
(3)对所述当前位置3D点云模型1的二维图像进行背景处理,得到二维叶片轮廓图像;
(4)将所述二维叶片轮廓图像放入步骤(2)中的三维空间坐标中,调整所述二维叶片轮廓图像的位置使其与所述3D点云模型1平行,通过最短距离匹配算法,找出3D点云模型1中与所述二维叶片轮廓图像对应的3D点,连接所有的所述对应的3D点形成的轮廓即为所述3D植物叶片轮廓。
优选地,所述对所述3D点云数据进行预处理,包括以下子步骤:
1.1)选择起始点S1,所述起始点S1的表达式为:
其中,ni表示第i个3D点,所述3D点云共有p个,表示p个3D点的平均点,k表示邻域个数,a表示阈值;
1.2)寻找起始点Si的周围的最近的k个相邻点,i表示第i个起始点;
1.3)判断起始点Si与步骤1.2)中k个相邻点的欧式距离是否小于阈值a,如果是,则删除该点,选取该点最近的相邻点为下一个起始点Si,转步骤1.2),如果所述k个相邻点与起始点Si的距离均大于阈值a,则记录所述k个邻域点,并转步骤1.4);
1.4)设定步骤1.3)中的k个相邻点为新的k个起始点,重复步骤1.3)的计算,直到遍历所有的3D点云数据;
1.5)存储数据,得到第一步简化后的叶片3D点云模型,转步骤1.6);
1.6)采用无关异色点剔除算法,设定颜色阈值,对步骤1.5)中的点云数据逐一进行颜色判断,如果在颜色阈值范围之内则保留该点,否则直接删除该点,得到叶片的3D点云模型1。
优选地,设定邻域点的个数k=3,相邻点之间的阈值a=0.05。
优选地,对所述当前角度3D点云模型1的二维图像进行背景处理,得到二维叶片轮廓的图像,包括以下子步骤:
3.1)打开所述当前位置3D点云模型1的二维图像;
3.2)先对所述的当前位置3D点云模型1的二维图像进行灰度处理,然后再利用图像梯度算法提取出边框即二维叶片的整体轮廓;
3.3)删除步骤3.2)中二维叶片的整体轮廓外以及二维叶片的整体轮廓内的所有点,留下二维叶片的整体轮廓,形成二维叶片轮廓图像。
优选地,所述步骤(4)中的最短距离匹配算法包括如下步骤:
4.1)在三维空间坐标中导入步骤3)中获得的二维叶片轮廓图像;
4.2)通过记录三维空间坐标系中与二维叶片平行的特征点的位置来调整所述二维叶片轮廓图像,使得它与叶片3D点云模型1平行;
4.3)计算二维叶片轮廓图像上的点与叶片3D点云模型1的对应匹配3D点,并且记录和存储所有对应匹配3D点的位置,对应匹配3D点的计算公式为:
min|mi-lj|,i=1,2……q,j=1,2……c
其中mi是叶片3D点云模型1中的一个点,共有q个点,lj是二维叶片轮廓图像中的一个点,共有c个点,利用上述公式计算得到j个点云数据,即3D点云模型1中的j个轮廓点。
优选地,所述获取某一植物叶片的3D点云数据,具体为:采用三维扫描仪对植物进行扫描,生成该原始植物某一叶片的3D点云数据。
第二方面,本发明提供了一种3D植物叶片轮廓的提取装置,包括:
3D点云模型1建立模块,用于获取某一植物叶片的3D点云数据,并对所述3D点云数据进行预处理,得到叶片的3D点云模型1;
二维图像获取模块,用于将所述3D点云模型1放入三维空间坐标中,并且将3D点云模型1旋转到XOY平面的位置,投影3D点云模型1中的点云到XOY平面,得到当前位置3D点云模型1的二维图像;
二维叶片轮廓图像获取模块,用于对所述当前角度3D点云模型1的二维图像进行背景处理,得到二维叶片轮廓图像;
3D植物叶片轮廓获取模块,用于将所述二维叶片轮廓图像放入三维空间坐标中,调整所述二维叶片轮廓图像的位置使其与所述3D点云模型1平行,通过最短距离匹配算法,找出3D点云模型1中与所述二维叶片轮廓图像对应的3D点,连接所有的所述对应的3D点形成的轮廓即为所述3D植物叶片轮廓。
第三方面,本发明提供了一种3D植物叶片轮廓的提取系统,包括:
处理器,适于实现各指令;以及
存储设备,适于存储多条指令,所述指令适于由处理器加载并执行第一方面中任一项所述的步骤。
与现有技术相比,本发明的有益效果:
本发明中叶片3D点云模型轮廓的提取方法在时间和空间以及复杂程度上减少了很多,它不需要将点云模型转换为网格模型进行重建,而是直接将3D点云转换为2D图像并且提取出叶片在2D图像中的轮廓,最终通过叶片的2D轮廓映射到三维点云来提取叶片3D点云模型的轮廓;其次使用该方法提取出来的叶片3D点云模型的轮廓准确性非常高,该轮廓主要是点与点一一对应得到的。
附图说明
图1为本发明一种实施例中3D点云数据去噪简化过程的流程图;
图2为本发明一种实施例的原始植物叶片的3D点云数据图;
图3为本发明一种实施例的去噪简化之后的3D点云模型图;
图4为本发明一种实施例的3D点云模型带有透明通道的二维图;
图5为本发明一种实施例的叶片3D点云模型的轮廓图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
本发明实施例提供了一种3D植物叶片轮廓的提取方法,具体包括以下步骤:
步骤(1)扫描原始植物中的某一叶片,获取该叶片的3D点云数据,参见图2,并对所述3D点云数据进行预处理,得到叶片的3D点云模型1,参见图3;在本发明实施例的一种具体实施方式中,具体为:
先使用Kinect(三维扫描仪)对植物进行扫描,生成该原始植物某一叶片的3D点云数据,该生成过程为现有技术,因此,本发明中不做过多的赘述;
然后通过设定阈值的方法来简化点云并去除无关异色点,最终得到去噪简化后的叶片的3D点云模型1。如图1-3所示,具体包括以下子步骤:
1.1)选择起始点S1,所述起始点S1的表达式为:
其中,ni表示第i个3D点云,所述3D点云共有p个,表示p个3D点云的平均点,k表示邻域个数,a表示阈值;优选地,在实际应用过程中,设定所述邻域点的个数k=3,相邻点之间的阈值a1=0.05;
1.2)寻找起始点Si(i表示第i个起始点)的周围的最近的k个相邻点;
1.3)判断初始点Si与步骤1.2)中k个相邻点的欧式距离是否小于阈值a,如果是,则删除该点,选取该点最近的相邻点为下一个起始点Si转步骤1.2),如果所述k个相邻点与初始点Si的距离均大于阈值a,则记录所述k个邻域点,并转步骤1.4);
1.4)设定步骤1.3)中的k个相邻点为新的k个初始点,重复步骤1.3)的计算,直到遍历所有的3D点云数据;
1.5)存储数据,得到第一步简化后的叶片3D点云模型,转步骤1.6);
1.6)采用无关异色点剔除算法,设定颜色阈值(叶片颜色和叶片枝干颜色),对步骤1.5)中的点云逐一进行颜色判断,如果在颜色阈值范围之内则保留该点,否则直接删除该点,得到叶片的3D点云模型1。
步骤(2)将所述3D点云模型1放入三维空间坐标中,并且将3D点云模型1旋转到XOY平面的位置,投影3D点云模型1中的点云到XOY平面,得到当前位置3D点云模型1中二维图像;
步骤(3)对所述当前角度3D点云模型1的二维图像进行背景处理,得到二维叶片轮廓图像;在本发明实施例的优选实施方式中,如图4所示,具体包括以下子步骤:
3.1)打开所述当前位置3D点云模型1的二维图像;
3.2)先对所述当前位置3D点云模型1的二维图像进行灰度处理,然后再利用图像梯度算法提取出边框即二维叶片的整体轮廓;
3.3)删除步骤3.2)中二维叶片的整体轮廓外以及二维叶片的整体轮廓内的所有点,留下二维叶片的整体轮廓,形成二维叶片轮廓图像。
步骤(4)将所述二维叶片轮廓图像放入步骤(2)中的三维空间坐标中,调整所述二维叶片轮廓图像的位置使其与所述3D点云模型1平行,通过最短距离匹配算法,找出3D点云模型1中与所述二维叶片轮廓图像对应的3D点,连接所有的所述对应的3D点形成的轮廓即为所述3D植物叶片轮廓,参见图5,在本发明实施例的优选实施方式中,所述最短距离匹配算法包括如下步骤:
4.1)在三维空间坐标中导入步骤3)中获得的二维叶片轮廓图像;
4.2)通过记录三维空间坐标系中与二维叶片平行的特征点的位置来调整所述二维叶片轮廓图像,使得它与叶片3D点云模型1平行;
4.3)计算二维叶片轮廓图像上的点与叶片3D点云模型1的对应匹配3D点,并且记录和存储所有对应匹配3D点的位置,对应匹配3D点的计算公式为:
D=min|mi-lj|,i=1,2……q,j=1,2……c
其中D表示二维叶片轮廓图像上的点与叶片3D点云模型1的对应匹配3D点之间的距离,并且由于二维叶片轮廓图像与叶片3D点云模型1平行,所以该距离是D是一个定值,mi是叶片3D点云模型1中的一个点,共有q个点,lj是二维叶片轮廓图像中的一个点,共有c个点,利用前述公式计算得到j个点云数据,即3D点云模型1中的j个轮廓点。
实施例2
本发明实施例提供了一种3D植物叶片轮廓的提取装置,包括:
3D点云模型1建立模块,用于获取某一植物叶片的3D点云数据,并对所述3D点云数据进行预处理,得到叶片的3D点云模型1;所述叶片的3D点云模型1的得到过程具体为:
1.1)选择起始点S1,所述起始点S1的表达式为:
其中,ni表示第i个3D点云,所述3D点云共有p个,表示p个3D点云的平均点,k表示邻域个数,a表示阈值;优选地,在实际应用过程中,设定所述邻域点的个数k=3,相邻点之间的阈值a1=0.05;
1.2)寻找起始点Si(i表示第i个起始点)的周围的最近的k个相邻点;
1.3)判断初始点Si与步骤1.2)中k个相邻点的欧式距离是否小于阈值a,如果是,则删除该点,选取该点最近的相邻点为下一个起始点Si转步骤1.2),如果所述k个相邻点与初始点Si的距离均大于阈值a,则记录所述k个邻域点,并转步骤1.4);
1.4)设定步骤1.3)中的k个相邻点为新的k个初始点,重复步骤1.3)的计算,直到遍历所有的3D点云数据;
1.5)存储数据,得到第一步简化后的叶片3D点云模型,转步骤1.6);
1.6)采用无关异色点剔除算法,设定颜色阈值(叶片颜色和叶片枝干颜色),对步骤1.5)中的点云逐一进行颜色判断,如果在颜色阈值范围之内则保留该点,否则直接删除该点,得到叶片的3D点云模型1;
二维图像获取模块,用于将所述3D点云模型1放入三维空间坐标中,并且将3D点云模型1旋转到XOY平面的位置,投影3D点云模型1中的点云到XOY平面,得到当前位置3D点云模型1的二维图像;
二维叶片轮廓图像获取模块,用于对所述当前角度3D点云模型1的二维图像进行背景处理,得到二维叶片轮廓图像;具体实现过程为:
3.1)打开所述当前位置3D点云模型1的二维图像;
3.2)先对所述当前位置3D点云模型1的二维图像进行灰度处理,然后再利用图像梯度算法提取出边框即二维叶片的整体轮廓;
3.3)删除步骤3.2)中二维叶片的整体轮廓外以及二维叶片的整体轮廓内的所有点,留下二维叶片的整体轮廓,形成二维叶片轮廓图像;
3D植物叶片轮廓获取模块,用于将所述二维叶片轮廓图像放入三维空间坐标中,调整所述二维叶片轮廓图像的位置使其与所述3D点云模型1平行,通过最短距离匹配算法,找出3D点云模型1中与所述二维叶片轮廓图像对应的3D点,连接所有的所述对应的3D点形成的轮廓即为所述3D植物叶片轮廓;其中,所述最短距离匹配算法包括如下步骤:
4.1)在三维空间坐标中导入步骤3)中获得的二维叶片轮廓图像;
4.2)通过记录三维空间坐标系中与二维叶片平行的特征点的位置来调整所述二维叶片轮廓图像,使得它与叶片3D点云模型1平行;
4.3)计算二维叶片轮廓图像上的点与叶片3D点云模型1的对应匹配3D点,并且记录和存储所有对应匹配3D点的位置,对应匹配3D点的计算公式为:
D=min|mi-lj|,i=1,2……q,j=1,2……c
其中D表示二维叶片轮廓图像上的点与叶片3D点云模型1的对应匹配3D点之间的距离,并且由于二维叶片轮廓图像与叶片3D点云模型1平行,所以该距离是D是一个定值,mi是叶片3D点云模型1中的一个点,共有q个点,lj是二维叶片轮廓图像中的一个点,共有c个点,利用前述公式计算得到j个点云数据,即3D点云模型1中的j个轮廓点。
实施例3
本发明实施例提供了一种3D植物叶片轮廓的提取系统,包括:
处理器,适于实现各指令;以及
存储设备,适于存储多条指令,所述指令适于由处理器加载并执行第一方面中任一项所述的步骤
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种3D植物叶片轮廓的提取方法,其特征在于,包括:
(1)获取某一植物叶片的3D点云数据,并对所述3D点云数据进行预处理,得到叶片的3D点云模型1;
(2)将所述3D点云模型1放入三维空间坐标中,并且将3D点云模型1旋转到XOY平面的位置,投影3D点云模型1中的点云到XOY平面,得到当前位置3D点云模型1的二维图像;
(3)对所述当前位置3D点云模型1的二维图像进行背景处理,得到二维叶片轮廓图像;
(4)将所述二维叶片轮廓图像放入步骤(2)中的三维空间坐标中,调整所述二维叶片轮廓图像的位置使其与所述3D点云模型1平行,通过最短距离匹配算法,找出3D点云模型1中与所述二维叶片轮廓图像对应的3D点,连接所有的所述对应的3D点形成的轮廓即为所述3D植物叶片轮廓。
2.根据权利要求1所述的一种3D植物叶片轮廓的提取方法,其特征在于:所述对所述3D点云数据进行预处理,包括以下子步骤:
1.1)选择起始点S1,所述起始点S1的表达式为:
其中,ni表示第i个3D点,所述3D点云共有p个,表示p个3D点的平均点,k表示邻域个数,a表示阈值;
1.2)寻找起始点Si的周围的最近的k个相邻点,i表示第i个起始点;
1.3)判断起始点Si与步骤1.2)中k个相邻点的欧式距离是否小于阈值a,如果是,则删除该点,选取该点最近的相邻点为下一个起始点Si,转步骤1.2),如果所述k个相邻点与起始点Si的距离均大于阈值a,则记录所述k个邻域点,并转步骤1.4);
1.4)设定步骤1.3)中的k个相邻点为新的k个起始点,重复步骤1.3)的计算,直到遍历所有的3D点云数据;
1.5)存储数据,得到第一步简化后的叶片3D点云模型,转步骤1.6);
1.6)采用无关异色点剔除算法,设定颜色阈值,对步骤1.5)中的点云数据逐一进行颜色判断,如果在颜色阈值范围之内则保留该点,否则直接删除该点,得到叶片的3D点云模型1。
3.根据权利要求2所述的一种3D植物叶片轮廓的提取方法,其特征在于:设定邻域点的个数k=3,相邻点之间的阈值a=0.05。
4.根据权利要求1所述的一种3D植物叶片轮廓的提取方法,其特征在于:对所述当前角度3D点云模型1的二维图像进行背景处理,得到二维叶片轮廓的图像,包括以下子步骤:
3.1)打开所述当前位置3D点云模型1的二维图像;
3.2)先对所述的当前位置3D点云模型1的二维图像进行灰度处理,然后再利用图像梯度算法提取出边框即二维叶片的整体轮廓;
3.3)删除步骤3.2)中二维叶片的整体轮廓外以及二维叶片的整体轮廓内的所有点,留下二维叶片的整体轮廓,形成二维叶片轮廓图像。
5.根据权利要求1所述的一种3D植物叶片轮廓的提取方法,其特征在于:所述步骤(4)中的最短距离匹配算法包括如下步骤:
4.1)在三维空间坐标中导入步骤3)中获得的二维叶片轮廓图像;
4.2)通过记录三维空间坐标系中与二维叶片平行的特征点的位置来调整所述二维叶片轮廓图像,使得它与叶片3D点云模型1平行;
4.3)计算二维叶片轮廓图像上的点与叶片3D点云模型1的对应匹配3D点,并且记录和存储所有对应匹配3D点的位置,对应匹配3D点的计算公式为:
min|mi-lj|,i=1,2……q,j=1,2……c
其中mi是叶片3D点云模型1中的一个点,共有q个点,lj是二维叶片轮廓图像中的一个点,共有c个点,利用上述公式计算得到j个点云数据,即3D点云模型1中的j个轮廓点。
6.根据权利要求1所述的一种3D植物叶片轮廓的提取方法,其特征在于:所述获取某一植物叶片的3D点云数据,具体为:采用三维扫描仪对植物进行扫描,生成该原始植物某一叶片的3D点云数据。
7.一种3D植物叶片轮廓的提取装置,其特征在于,包括:
3D点云模型1建立模块,用于获取某一植物叶片的3D点云数据,并对所述3D点云数据进行预处理,得到叶片的3D点云模型1;
二维图像获取模块,用于将所述3D点云模型1放入三维空间坐标中,并且将3D点云模型1旋转到XOY平面的位置,投影3D点云模型1中的点云到XOY平面,得到当前位置3D点云模型1的二维图像;
二维叶片轮廓图像获取模块,用于对所述当前角度3D点云模型1的二维图像进行背景处理,得到二维叶片轮廓图像;
3D植物叶片轮廓获取模块,用于将所述二维叶片轮廓图像放入三维空间坐标中,调整所述二维叶片轮廓图像的位置使其与所述3D点云模型1平行,通过最短距离匹配算法,找出3D点云模型1中与所述二维叶片轮廓图像对应的3D点,连接所有的所述对应的3D点形成的轮廓即为所述3D植物叶片轮廓。
8.一种3D植物叶片轮廓的提取系统,其特征在于,包括:
处理器,适于实现各指令;以及
存储设备,适于存储多条指令,所述指令适于由处理器加载并执行权利要求1~6中任一项所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811599751.4A CN109934837B (zh) | 2018-12-26 | 2018-12-26 | 一种3d植物叶片轮廓的提取方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811599751.4A CN109934837B (zh) | 2018-12-26 | 2018-12-26 | 一种3d植物叶片轮廓的提取方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934837A true CN109934837A (zh) | 2019-06-25 |
CN109934837B CN109934837B (zh) | 2023-04-28 |
Family
ID=66984825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811599751.4A Active CN109934837B (zh) | 2018-12-26 | 2018-12-26 | 一种3d植物叶片轮廓的提取方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934837B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464812A (zh) * | 2020-11-27 | 2021-03-09 | 西北工业大学 | 一种基于车辆的凹陷类障碍物检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101144708A (zh) * | 2007-09-26 | 2008-03-19 | 东南大学 | 三维扫描系统中圆形标志点的检测方法 |
CN101853523A (zh) * | 2010-05-18 | 2010-10-06 | 南京大学 | 一种采用草图创建三维人脸模型的方法 |
CN104809689A (zh) * | 2015-05-15 | 2015-07-29 | 北京理工大学深圳研究院 | 一种基于轮廓的建筑物点云模型底图配准方法 |
CN105631932A (zh) * | 2015-12-22 | 2016-06-01 | 北京航空航天大学 | 一种轮廓线指导的三维模型重构造方法 |
US20160239631A1 (en) * | 2015-02-13 | 2016-08-18 | Align Technology, Inc. | Three-dimensional tooth modeling using a two-dimensional x-ray image |
CN107392947A (zh) * | 2017-06-28 | 2017-11-24 | 西安电子科技大学 | 基于轮廓共面四点集的2d‑3d图像配准方法 |
CN108447124A (zh) * | 2018-02-12 | 2018-08-24 | 北京工业大学 | 一种基于点云的古建筑轮廓提取方法及系统 |
-
2018
- 2018-12-26 CN CN201811599751.4A patent/CN109934837B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101144708A (zh) * | 2007-09-26 | 2008-03-19 | 东南大学 | 三维扫描系统中圆形标志点的检测方法 |
CN101853523A (zh) * | 2010-05-18 | 2010-10-06 | 南京大学 | 一种采用草图创建三维人脸模型的方法 |
US20160239631A1 (en) * | 2015-02-13 | 2016-08-18 | Align Technology, Inc. | Three-dimensional tooth modeling using a two-dimensional x-ray image |
CN104809689A (zh) * | 2015-05-15 | 2015-07-29 | 北京理工大学深圳研究院 | 一种基于轮廓的建筑物点云模型底图配准方法 |
CN105631932A (zh) * | 2015-12-22 | 2016-06-01 | 北京航空航天大学 | 一种轮廓线指导的三维模型重构造方法 |
CN107392947A (zh) * | 2017-06-28 | 2017-11-24 | 西安电子科技大学 | 基于轮廓共面四点集的2d‑3d图像配准方法 |
CN108447124A (zh) * | 2018-02-12 | 2018-08-24 | 北京工业大学 | 一种基于点云的古建筑轮廓提取方法及系统 |
Non-Patent Citations (4)
Title |
---|
LAHNER Z等: "Efficient globally optimal 2d-to-3d deformable shape matching", 《PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
SUN Z等: "Leaf vein and contour extraction from point cloud data", 《2011 INTERNATIONAL CONFERENCE ON VIRTUAL REALITY AND VISUALIZATION》 * |
YAN F等: "Flower reconstruction from a single photo", 《COMPUTER GRAPHICS FORUM》 * |
黄锦洲等: "一种新的工件三维轮廓信息提取方法", 《机械设计与制造》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464812A (zh) * | 2020-11-27 | 2021-03-09 | 西北工业大学 | 一种基于车辆的凹陷类障碍物检测方法 |
CN112464812B (zh) * | 2020-11-27 | 2023-11-24 | 西北工业大学 | 一种基于车辆的凹陷类障碍物检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109934837B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111243093B (zh) | 三维人脸网格的生成方法、装置、设备及存储介质 | |
CN103913131B (zh) | 一种基于双目视觉的自由曲面法矢量测量方法 | |
CN104299260B (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
WO2015139574A1 (zh) | 一种静态物体重建方法和系统 | |
CN110866969B (zh) | 基于神经网络与点云配准的发动机叶片重构方法 | |
CN112819947A (zh) | 三维人脸的重建方法、装置、电子设备以及存储介质 | |
CN108921926A (zh) | 一种基于单张图像的端到端三维人脸重建方法 | |
CN102663820A (zh) | 三维头部模型重建方法 | |
CN107369204B (zh) | 一种从单幅照片恢复出场景基本三维结构的方法 | |
CN103745206B (zh) | 一种人脸识别方法及系统 | |
CN108537865A (zh) | 一种基于视觉三维重建的古建筑模型生成方法和装置 | |
CN112288859B (zh) | 一种基于卷积神经网络的三维人脸建模方法 | |
CN106251395A (zh) | 一种三维模型快速重建方法及系统 | |
CN109766866B (zh) | 一种基于三维重建的人脸特征点实时检测方法和检测系统 | |
CN106097433A (zh) | 物体工业与影像模型的叠加方法及系统 | |
CN111951368A (zh) | 一种点云、体素和多视图融合的深度学习方法 | |
CN107330980A (zh) | 一种基于无标志物的虚拟家具布置系统 | |
CN100487732C (zh) | 一种基于人脸照片的卡通肖像生成方法 | |
CN108655571A (zh) | 一种数控激光雕刻机、控制系统及控制方法、计算机 | |
CN113592711A (zh) | 点云数据不均匀的三维重建方法、系统、设备及存储介质 | |
Kao et al. | Toward 3d face reconstruction in perspective projection: Estimating 6dof face pose from monocular image | |
CN108010122A (zh) | 一种人体三维模型重建与测量的方法及系统 | |
CN109934837A (zh) | 一种3d植物叶片轮廓的提取方法、装置及系统 | |
CN106530389B (zh) | 基于中波红外人脸图像的立体重构方法 | |
Kong et al. | Effective 3d face depth estimation from a single 2d face image |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230808 Address after: No. 107 Qingchun Road, Xinminzhou, Jingkou District, Zhenjiang City, Jiangsu Province, 212000 Patentee after: Zhenjiang Mingdatong Network Technology Co.,Ltd. Address before: 212004 6 building, Jingkou high tech center, 118 Xuefu Road, Jingkou District, Zhenjiang, Jiangsu. Patentee before: JIANGSU MINGTONG TECHNOLOGY CO.,LTD. |