CN111815637A - 3d图像边缘点云的提取方法、设备及计算机存储介质 - Google Patents

3d图像边缘点云的提取方法、设备及计算机存储介质 Download PDF

Info

Publication number
CN111815637A
CN111815637A CN202010565133.9A CN202010565133A CN111815637A CN 111815637 A CN111815637 A CN 111815637A CN 202010565133 A CN202010565133 A CN 202010565133A CN 111815637 A CN111815637 A CN 111815637A
Authority
CN
China
Prior art keywords
point
plane
image
point cloud
points
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
CN202010565133.9A
Other languages
English (en)
Inventor
王亚杰
汪鹏飞
刘羽
任宇鹏
卢维
殷俊
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202010565133.9A priority Critical patent/CN111815637A/zh
Publication of CN111815637A publication Critical patent/CN111815637A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种3D图像边缘点云的提取方法、设备及计算机存储介质。包括：获取3D图像的点云数据；基于3D图像的点云数据，对3D图像的点云数据进行分割，以获取到多个平面聚类集；将每一平面聚类集中的点投影到对应的2D平面上，以获取到多个平面聚类集中每个点在对应的2D平面上的投影点数据，其中，平面聚类集对应2D平面；基于多个平面聚类集中每个点在对应的2D平面上的投影点数据，将2D平面转化为二值图像；获取二值图像的边缘信息，并根据边缘信息所对应的2D平面投影点数据反向对应到3D图像的点云数据，以获取到3D图像边缘的点云。本申请提高了3D图像边缘点云的提取效率。

Description

3D图像边缘点云的提取方法、设备及计算机存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种3D图像边缘点云的提取方法、设备及计算机存储介质。
背景技术
现有技术中为了得到3D图像边缘的点云，需要对点云数据进行模型处理，随机抽样出3D图像局部结构的最优特征点，以得到最优的图像模型，并通过点云数据分布的均匀程度筛选出最优图像中的边界特征点，以得到3D图像边缘的点云。但采取随机抽样判断获取3D图像局部结构最优特征点的方法，使提取的3D图像边缘点云精度降低，且通过点云数据的均匀分布程度筛选边界特征点的方法过于耗时。
发明内容
本申请提供了一种3D图像边缘点云的提取方法、设备及计算机存储介质，主要解决的技术问题是如何提高3D图像边缘点云的提取效率。
为解决上述技术问题，本申请提供了一种3D图像边缘点云的提取方法，所述方法包括：
获取所述3D图像的点云数据；
基于所述3D图像的点云数据，对所述3D图像的点云数据进行分割，以获取到多个平面聚类集；
将每一所述平面聚类集中的点投影到对应的2D平面上，以获取到多个所述平面聚类集中每个点在对应的所述2D平面上的投影点数据，其中，所述平面聚类集对应所述2D平面；
基于多个所述平面聚类集中每个点在对应的所述2D平面上的投影点数据，将所述2D平面转化为二值图像；
获取所述二值图像的边缘信息，并根据所述边缘信息所对应的2D平面投影点数据反向对应到所述3D图像的点云数据，以获取到所述3D图像边缘的点云。
根据本申请提供的一实施方式，所述基于所述3D图像的点云数据，对所述3D图像的点云数据进行分割，以获取到多个平面聚类集，包括：
将所述3D图像的点云数据记为第一点集，所述第一点集为所述3D图像中所有点的集合；
获取所述第一点集中每个点的法向量和曲率；
基于所述法向量、所述曲率及所述第一点集，获取所述多个平面聚类集。
根据本申请提供的一实施方式，所述基于所述法向量、所述曲率及所述第一点集，获取所述多个平面聚类集，包括：
按照曲率由小到大排列所述第一点集中的所有点，以形成第二点集；
构建一平面聚类集，将所述第二点集中曲率最小的点加入所述平面聚类集中，并在所述第二点集中删除；
遍历所述平面聚类集中的点对应所述第二点集中的临近点；
基于所述临近点的法向量，判断所述平面聚类集中的点对应所述第二点集中的临近点法向量是否满足条件；
若是，则将所述平面聚类集中的点对应所述第二点集中的临近点加入所述平面聚类集，并在所述第二点集中删除，遍历所述平面聚类集中所有点对应所述第二点集中的临近点，则构建完一所述平面聚类集，返回所述构建一平面聚类集，将所述第二点集中曲率最小的点加入所述平面聚类集中，并在所述第二点集中删除的步骤；
直至所述第二点集中点的数量小于等于预设数量阈值。
根据本申请提供的一实施方式，所述对所述3D图像点云数据进行聚类，包括：
采用最邻近算法对所述3D图像中点云数据进行聚类。
根据本申请提供的一实施方式，所述将每一所述平面聚类集中的点投影到对应的2D平面上，以获取到多个所述平面聚类集中每个点在对应的所述2D平面上的投影点数据，包括：
将所述平面聚类集中点的均值作为2D平面的原点；
任选所述平面聚类集中一点，将其投影到2D平面上，以获取到所述平面聚类集中每个点在对应的所述2D平面上的投影点数据。
根据本申请提供的一实施方式，所述将每一所述平面聚类集中的点投影到对应的2D平面上，包括：
采用最小二乘法拟合2D平面方程，将所述平面聚类集中的点垂直投影到2D平面上。
根据本申请提供的一实施方式，所述基于多个所述平面聚类集中每个点在对应的所述2D平面上的投影点数据，将所述2D平面转化为二值图像步骤之后，包括：
对所述二值图像进行形态学处理。
根据本申请提供的一实施方式，判断所述第二点集中曲率最小的点对应的第二点集中临近点的法向量是否满足条件，包括：
基于以下公式判断所述平面聚类集中的点对应的第二点集中点的法向量是否满足条件：
Figure BDA0002547373180000031
其中，
Figure BDA0002547373180000032
为所述平面聚类集中的点对应的第二点集中点的法向量，
Figure BDA0002547373180000033
为第二点集中曲率最小的点的法向量的转置，θ为设定的生长阈值。
为解决上述技术问题，本申请提供了一种3D图像边缘点云的提取设备，所述设备包括存储器以及与所述存储器耦接的处理器；
所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如上述的3D图像边缘点云的提取方法。
为解决上述技术问题，本申请还提供了一种计算机存储介质，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现如上述的3D图像边缘点云的提取方法。
本申请3D图像边缘点云的提取方法通过将获取的3D图像点云数据进行分割，获取到多个平面聚类集；将每一平面聚类集中的点投影到对应的2D平面上，获取到多个平面聚类集中每个点在对应的2D平面上的投影点数据，根据投影点数据将2D平面转化为二值图像，并获取二值图像的边缘信息，以根据边缘信息所对应的2D平面投影点数据反向对应到3D图像的点云数据，以获取到3D图像边缘的点云。本申请将3D图像中的点云数据投影到2D平面上，并将2D平面转化为二值图像，获取到二值图像的边缘信息，以根据二值图像边缘信息所对应的2D平面投影点数据反向对应到3D图像的点云数据，能够将3D图像边缘点云的提取转化为2D平面边缘点云的检测，提高了3D图像边缘点云的提取效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
图1是本申请提供的3D图像边缘点云的提取方法一实施例的流程示意图；
图2是本申请提供的3D图像边缘点云的提取方法另一实施例的流程示意图；
图3是本申请提供的3D图像边缘点云的提取方法中点的投影示意图；
图4是本申请的3D图像边缘点云的提取方法一应用场景的实物示意图；
图5是图4所示的3D图像边缘点云的提取方法一应用场景的实物点云示意图；
图6是图4所示的3D图像边缘点云的提取方法一应用场景的实物点云分割后示意图；
图7是图4所示的3D图像边缘点云的提取方法一应用场景的2D映射示意图；
图8是图4所示的3D图像边缘点云的提取方法一应用场景的形态学处理后2D映射示意图；
图9是本申请提供的3D图像边缘点云的提取设备一实施例的结构示意图；
图10是本申请提供的计算机存储介质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。
本申请提出了一种3D图像边缘点云的提取方法，具体请参阅图1，图1是本申请提供的3D图像边缘点云的提取方法一实施例的流程示意图。本实施例中3D图像边缘点云的提取方法可以应用于3D图像边缘点云的提取设备，也可应用于具有数据处理能力的服务器。本实施例的3D图像边缘点云的提取方法具体包括以下步骤：
S101：获取3D图像的点云数据。
为了较好的保存3D图像中点云边缘的原有形状，以提高3D图像边缘点云的提取精度，本实施例中需获取3D图像中所有的点云数据，利于后续对3D图像中所有的点进行聚类，提高了3D图像边缘点云的提取精度。
在实际应用中，可通过测量设备直接获取3D图像的点云数据，测量设备可为雷达设备、三维激光扫描设备或立体相机设备等，本实施例对3D图像点云数据的获取方式不作限定。
S102：基于3D图像的点云数据，对3D图像的点云数据进行分割，以获取到多个平面聚类集。
为了避免因3D图像的点云分布不均匀而影响3D图像边界点云的提取，本实施例中需对3D图像的点云数据进行分割，以获取到多个平面聚类集。其中，平面聚类集中的点具有相似的性质，例如处于相似的平面上。
在实际应用中，对点云数据进行分割的方式可为基于阈值的分割方式、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等，本实施例对点云数据的分割方式不作限定。
S103：将每一平面聚类集中的点投影到对应的2D平面上，以获取到多个平面聚类集中每个点在对应的2D平面上的投影点数据，其中，平面聚类集对应2D平面。
由于平面聚类集中的点不全处于同一平面上，为了便于获取平面聚类集中点的数据，需将每一平面聚类集中的点投影到对应的2D平面上，利于从对应的2D平面上获取平面聚类集中每个点的投影点数据，便于根据投影点数据得到二值图像，以快速提取3D图像边缘的点云。其中，2D平面为一平面聚类集中点投影形成的拟合平面。
由于每个平面聚类集中点数据差异，不同平面聚类集对应不同的2D平面，即拟合平面。本实施例通过将多个平面聚类集中的点投影到对应的2D平面上，从而获取到多个平面聚类集中每个点在对应的2D平面上的投影点数据。
S104：基于多个平面聚类集中每个点在对应的2D平面上的投影点数据，将2D平面转化为二值图像。
基于S103中获取的平面聚类集中每个点在对应的2D平面上的投影点数据，将2D平面转化为二值图像。
在具体实施例中，将2D平面的边缘点的值记为xmin、xmax、ymin、ymax，并根据2D平面中的投影点数据，将2D平面转化为二值图像，2D平面与二值图像间的转化关系满足下式：
ui＝[(xi-xmin)/S∏]
vi＝[(yi-ymin)/S∏
其中，(ui,vi)为2D平面中投影点数据在二值图像中的对应点数据，S∏为2D平面中相邻投影点间的平均间距，(xi,yi)为2D平面中投影点数据。
进一步地，二值图像中的点数据(ui,vi)有数值时，点数据的对应像素值设置为255，否则设置为0。本实施例对像素值的设置不作限定。
S105：获取二值图像的边缘信息，并根据边缘信息所对应的2D平面投影点数据反向对应到3D图像的点云数据，以获取到3D图像边缘的点云。
基于S104中获取的二值图像，获取二值图像的边缘信息，即二值图像边缘点的数据信息。在具体实施例中，可通过检测二值图像边缘的灰度变化情况，即采用边缘算子提取出反应二值图像边缘灰度变化的边缘点集，在边缘点集合中剔除某些边缘点或填补边缘间断点，以将边缘连接成完整的线，获取到二值图像的边缘信息。在其他实施例中，可通过LSD、CannyLines或者直接使用OpenCV的findCounters功能获取二值图像的边缘信息。本实施例对二值图像边缘信息获取的方式不作限定。
为了提取出3D图像的边缘点云，利用检测出的二值图像边缘信息反向对应到3D图像中，以得到3D图像边缘的点云。可基于S104中2D平面与二值图像间的转化关系，将获取的二值图像边缘信息对应到2D平面上，并基于S102与S103中3D图像与2D平面间的投影关系，将二值图像边缘信息对应到2D平面上的点云反向投影到3D图像上，即为3D图像边缘的点云。
本实施例中，获取3D图像的点云数据；基于3D图像的点云数据，对3D图像的点云数据进行分割，以获取到多个平面聚类集；将每一平面聚类集中的点投影到对应的2D平面上，以获取到多个平面聚类集中每个点在对应的2D平面上的投影点数据，其中，平面聚类集对应2D平面；基于多个平面聚类集中每个点在对应的2D平面上的投影点数据，将2D平面转化为二值图像；获取二值图像的边缘信息，并根据边缘信息所对应的2D平面投影点数据反向对应到3D图像的点云数据，以获取到3D图像边缘的点云。通过获取的3D图像中所有的点云数据进行分割聚类，较好地保存了3D图像边缘点云的原有形状，提高了3D图像边缘提取的精度；并通过将3D图像中的点云数据投影到2D平面上，并将2D平面转化为二值图像，获取到二值图像的边缘信息，以根据二值图像边缘信息所对应的2D平面投影点数据反向对应到3D图像的点云数据，将3D图像边缘点云的提取转化为2D平面边缘点云的检测，提高了3D图像边缘点云的提取效率。
为了解决现有技术中3D图像边缘点云的提取效率低和精度低的问题，基于上述实施例，本申请还提出了一种3D图像边缘点云的提取方法，具体请参阅图2，图2是本申请提供的3D图像边缘点云的提取方法另一实施例的流程示意图。
如图2所示，本实施例的3D图像边缘点云的提取方法具体包括以下步骤：
S201：获取3D图像的点云数据。
可参考上述实施例中S101，在此不进行重复赘述。
S202：将3D图像的点云数据记为第一点集，第一点集为3D图像中所有点的集合。
为了提高对3D图像中点云数据聚类的准确性，本实施例具体采用最邻近算法(KNearest Neighbour)寻找3D图像中每个点的相邻点，以对点云数据进行聚类，得到第一点集，即KNN集合。其中，最邻近算法主要依据最邻近的一个或多个样本的类别来决定待分样本所属的类别，利于根据相邻点计算第一点集中点的法向量和曲率。
S203：获取第一点集中每个点的法向量和曲率。
本实施例中可采用主成分分析算法(Principal Component Analysis)计算第一点集中每个点的法向量和曲率，将计算出的最小特征值作为计算点的曲率，最小特征值对应的特征向量作为法向量。具体地，法向量和曲率的计算满足下式：
Figure BDA0002547373180000081
λV＝ΣV
其中，Σ为3*3的协方差矩阵，Pi是待计算点的相邻点，
Figure BDA0002547373180000082
为Pi的平均值，V为特征向量，λ为特征值。
S204：基于法向量、曲率及第一点集，获取到多个平面聚类集。
基于S101中获取的第一点集和S102中获取的法向量、曲率，获取到多个平面聚类集。具体方式如下：
S1：按照曲率由小到大排列第一点集中的所有点，以形成第二点集；
S2：构建一平面聚类集，将第二点集中曲率最小点加入平面聚类集中，并在第二点集中删除；
S3：遍历平面聚类集中的点对应的第二点集中的临近点；
S4：基于临近点的法向量，判断平面聚类集的点对应的第二点集中的临近点法向量是否满足条件；
基于以下公式判断平面聚类集中的点对应的第二点集中临近点的法向量是否满足条件：
Figure BDA0002547373180000091
其中，
Figure BDA0002547373180000092
为平面聚类集中的点对应的第二点集中的临近点的法向量，
Figure BDA0002547373180000093
为第二点集中曲率最小的点的法向量的转置，θ为设定的生长阈值。
S5：若是，则将平面聚类集中的点对应第二点集中的临近点加入平面聚类集，并在第二点集中删除，遍历完平面聚类集中所有点对应第二点集中的临近点，则构建完一平面聚类集，返回步骤S2。
需要说明的是，在具体实施例中，构建完一平面聚类集后，返回步骤S2时，需重新构建一平面聚类集，并将第二点集中剩余点中曲率最小的点加入重构建的平面聚类集中，通过在第二点集中搜索满足条件的临近点加入平面聚类集中，并在第二点集中删除对应的临近点，直至遍历完重新构建的平面聚类集中所有点在第二点集中的临近点，则又构建完成一平面聚类集，重复如上平面聚类集的构建。
S6：直至第二点集中点的数量小于等于预设数量阈值。
为了避免点曲率过大对3D图像分割的影响，本实施例中的预设数量阈值为第二点集中点初始数量的10％，即第二点集中点初始数量的90％用于构建平面聚类集，以得到多个平面聚类集。S205：将每一平面聚类集中的点投影到对应的2D平面上，以获取到多个平面聚类集中每个点在对应的2D平面上的投影点数据。
本实施例采用最小二乘法拟合2D平面方程，将每一平面聚类集中的点垂直投影到2D平面上，以获取到多个平面聚类集中每个点在对应的2D平面上的投影点数据。具体可参阅图3，图3是本申请提供的3D图像边缘点云提取方法中点的投影示意图。本实施例将平面聚类集中点的均值Pc作为2D平面的原点，任选平面聚类集中一点P0垂直投影到2D平面上，记为P′0，将
Figure BDA0002547373180000101
作为x轴方向，计算y轴方向，从而将平面聚类集中的点投影到2D平面上，以得到多个平面聚类集中每个点在对应的2D平面上的投影点数据。
具体地，y轴方向的计算满足下式：
vy＝vx·b∏
其中，n∏为平面聚类集的法向量。平面聚类集中每个点在对应的2D平面上的投影点数据满足下式：
Figure BDA0002547373180000102
Figure BDA0002547373180000103
Figure BDA0002547373180000104
S206：基于多个平面聚类集中每个点在对应的2D平面上的投影点数据，将2D平面转化为二值图像。
对于基于多个平面聚类集中每个点在对应的2D平面上的投影点数据，将2D平面转化为二值图像，可参考上述实施例S104，在此不进行重复赘述。
为了避免获取到的二值图像存在空洞或外凸等缺陷，本实施例对获取到的二值图像进行形态学处理，具体采用膨胀和腐蚀的形态学处理方式，以获取到边缘精确且光滑的二值图像。
S207：获取二值图像的边缘信息，并根据边缘信息所对应的2D平面投影点数据反向对应到3D图像的点云数据，以获取到3D图像边缘的点云。
可参考上述实施例中S105，在此不进行重复赘述。
本实施例中，将获取的3D图像中所有的点云数据进行分割聚类，较好地保存了3D图像边缘的原有形状，提高了3D图像边缘提取的精度；并通过将3D图像中的点云数据投影到2D平面上，并将2D平面转化为二值图像，获取到二值图像的边缘信息，以根据二值图像边缘信息所对应的2D平面投影点数据反向对应到3D图像的点云数据，将3D图像边缘点云的提取转化为2D平面边缘点云的检测，提高了3D图像边缘点云的提取效率；采用最邻近算法(KNearest Neighbour)对3D图像的点云数据进行聚类，提高了点云数据聚类的准确性；对获取的二值图像进行形态学处理，避免了二值图像存在空洞或外凸等缺陷，使二值图像边缘精确且光滑。
请参阅图4-图8，图4是3D图像边缘点云的提取方法一应用场景的实物示意图，图5是图4所示的3D图像边缘点云的提取方法一应用场景的实物点云示意图，图6是图4所示的3D图像边缘点云的提取方法一应用场景的实物点云分割后示意图，图7是图4所示的3D图像边缘点云的提取方法一应用场景的2D映射示意图，图8是本申请的3D图像边缘点云的提取方法一应用场景的处理后2D映射示意图。下面以一具体应用场景对上述实施例中的3D图像边缘点云的提取方法进行说明。
图4-图8中示出包裹图像的边缘点云提取的过程，在实际应用场景中，通过提取图4包裹实物示意图中的点云数据，得到包裹的点云数据，对包裹点云数据进行分割聚类，得到包裹分割后的点云示意图，将包裹实物分割后的点云示意图中的点垂直映射到2D平面上，获取到分割后的点云数据在2D平面上的映射示意图，即上述实施例中将平面聚类集中每个点在对应的2D平面上进行垂直投影而得到的2D平面上的投影点数据所形成的映射图，为避免了图像存在空洞或外凸等缺陷，需对2D映射图像进行形态学处理，以得到边缘精确且光滑的二值图像，提取二值图像的边缘信息，并根据边缘信息所对应的2D平面投影点数据反向对应到3D图像的点云数据，以获取到3D图像边缘的点云。
为实现上述实施例的3D图像边缘点云的提取方法，本申请提出了另一种设备，具体请参阅图9，图9是本申请提供的3D图像边缘点云的提取设备一实施例的结构示意图。
设备900包括存储器91和处理器92，其中，存储器91和处理器92耦接。
存储器91用于存储程序数据，处理器92用于执行程序数据以实现上述实施例的3D图像边缘点云的提取方法。
在本实施例中，处理器92还可以称为CPU(Central Processing Unit，中央处理单元)。处理器92可能是一种集成电路芯片，具有信号的处理能力。处理器92还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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92也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质100，如图10所示，计算机存储介质100用于存储程序数据11，程序数据11在被处理器执行时，用以实现如本申请方法实施例中所述的3D图像边缘点云的提取方法。
本申请3D图像边缘点云的提取方法实施例中所涉及到的方法，在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时，可以存储在装置中，例如一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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3D图像边缘点云的提取方法，其特征在于，所述方法包括：
获取所述3D图像的点云数据；
基于所述3D图像的点云数据，对所述3D图像的点云数据进行分割，以获取到多个平面聚类集；
将每一所述平面聚类集中的点投影到对应的2D平面上，以获取到多个所述平面聚类集中每个点在对应的所述2D平面上的投影点数据，其中，所述平面聚类集对应所述2D平面；
基于多个所述平面聚类集中每个点在对应的所述2D平面上的投影点数据，将所述2D平面转化为二值图像；
获取所述二值图像的边缘信息，并根据所述边缘信息所对应的2D平面投影点数据反向对应到所述3D图像的点云数据，以获取到所述3D图像边缘的点云。
2.根据权利要求1所述的方法，其特征在于，所述基于所述3D图像的点云数据，对所述3D图像的点云数据进行分割，以获取到多个平面聚类集，包括：
将所述3D图像的点云数据记为第一点集，所述第一点集为所述3D图像中所有点的集合；
获取所述第一点集中每个点的法向量和曲率；
基于所述法向量、所述曲率及所述第一点集，获取所述多个平面聚类集。
3.根据权利要求2所述的方法，其特征在于，所述基于所述法向量、所述曲率及所述第一点集，获取所述多个平面聚类集，包括：
按照曲率由小到大排列所述第一点集中的所有点，以形成第二点集；
构建一平面聚类集，将所述第二点集中曲率最小的点加入所述平面聚类集中，并在所述第二点集中删除；
遍历所述平面聚类集中的点对应所述第二点集中的临近点；
基于所述临近点的法向量，判断所述平面聚类集中的点对应所述第二点集中的临近点法向量是否满足条件；
若是，则将所述平面聚类集中的点对应所述第二点集中的临近点加入所述平面聚类集，并在所述第二点集中删除，遍历所述平面聚类集中所有点对应所述第二点集中的临近点，则构建完一所述平面聚类集，返回所述构建一平面聚类集，将所述第二点集中曲率最小的点加入所述平面聚类集中，并在所述第二点集中删除的步骤；
直至所述第二点集中点的数量小于等于预设数量阈值。
4.根据权利要求2所述的方法，其特征在于，所述对所述3D图像点云数据进行聚类，包括：
采用最邻近算法对所述3D图像中点云数据进行聚类。
5.根据权利要求1所述的方法，其特征在于，所述将每一所述平面聚类集中的点投影到对应的2D平面上，以获取到多个所述平面聚类集中每个点在对应的所述2D平面上的投影点数据，包括：
将所述平面聚类集中点的均值作为2D平面的原点；
任选所述平面聚类集中一点，将其投影到2D平面上，以获取到所述平面聚类集中每个点在对应的所述2D平面上的投影点数据。
6.根据权利要求5所述的方法，其特征在于，所述将每一所述平面聚类集中的点投影到对应的2D平面上，包括：
采用最小二乘法拟合2D平面方程，将所述平面聚类集中的点垂直投影到2D平面上。
7.根据权利要求1所述的方法，其特征在于，所述基于多个所述平面聚类集中每个点在对应的所述2D平面上的投影点数据，将所述2D平面转化为二值图像步骤之后，包括：
对所述二值图像进行形态学处理。
8.根据权利要求3所述的方法，其特征在于，判断所述平面聚类集中的点对应的第二点集中的临近点的法向量是否满足条件，包括：
基于以下公式判断所述平面聚类集中的点对应的第二点集中临近点的法向量是否满足条件：
Figure FDA0002547373170000031
其中，
Figure FDA0002547373170000032
为所述平面聚类集中的点对应的第二点集中临近点的法向量，
Figure FDA0002547373170000033
为第二点集中曲率最小的点的法向量的转置，θ为设定的生长阈值。
9.一种3D图像边缘点云的提取设备，其特征在于，所述设备包括存储器以及与所述存储器耦接的处理器；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如权利要求1～8任一项所述3D图像边缘点云的提取方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现如权利要求1～8任一项所述3D图像边缘点云的提取方法。
CN202010565133.9A 2020-06-19 2020-06-19 3d图像边缘点云的提取方法、设备及计算机存储介质 Pending CN111815637A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010565133.9A CN111815637A (zh) 2020-06-19 2020-06-19 3d图像边缘点云的提取方法、设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010565133.9A CN111815637A (zh) 2020-06-19 2020-06-19 3d图像边缘点云的提取方法、设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN111815637A true CN111815637A (zh) 2020-10-23

Family

ID=72845309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010565133.9A Pending CN111815637A (zh) 2020-06-19 2020-06-19 3d图像边缘点云的提取方法、设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN111815637A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487633A (zh) * 2021-08-17 2021-10-08 熵智科技(深圳)有限公司 一种点云轮廓提取方法、装置、计算机设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516098A (zh) * 2017-07-30 2017-12-26 华南理工大学 一种基于边缘曲率角的目标轮廓三维信息提取方法
CN108510516A (zh) * 2018-03-30 2018-09-07 深圳积木易搭科技技术有限公司 一种散乱点云的三维线段提取方法及系统
US20190272411A1 (en) * 2018-03-05 2019-09-05 Hong Kong Applied Science And Technology Research Institute Co., Ltd. Object recognition
CN111126211A (zh) * 2019-12-13 2020-05-08 北京四维图新科技股份有限公司 标牌识别方法和装置、电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516098A (zh) * 2017-07-30 2017-12-26 华南理工大学 一种基于边缘曲率角的目标轮廓三维信息提取方法
US20190272411A1 (en) * 2018-03-05 2019-09-05 Hong Kong Applied Science And Technology Research Institute Co., Ltd. Object recognition
CN108510516A (zh) * 2018-03-30 2018-09-07 深圳积木易搭科技技术有限公司 一种散乱点云的三维线段提取方法及系统
CN111126211A (zh) * 2019-12-13 2020-05-08 北京四维图新科技股份有限公司 标牌识别方法和装置、电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487633A (zh) * 2021-08-17 2021-10-08 熵智科技(深圳)有限公司 一种点云轮廓提取方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN110222642B (zh) 一种基于全局图聚类的平面建筑构件点云轮廓提取方法
WO2018098891A1 (zh) 一种立体匹配方法及系统
CN111275724B (zh) 一种基于八叉树和边界优化的机载点云屋顶平面分割方法
CN104616278B (zh) 三维点云兴趣点检测方法和系统
WO2021052283A1 (zh) 处理三维点云数据的方法和计算设备
El‐Sayed et al. Plane detection in 3D point cloud using octree‐balanced density down‐sampling and iterative adaptive plane extraction
Wang et al. Feature‐preserving surface reconstruction from unoriented, noisy point data
CN102236675A (zh) 图像特征点匹配对处理、图像检索方法及设备
CN113409332B (zh) 一种基于三维点云的建筑物平面分割方法
KR20220051162A (ko) 시각적 포지셔닝 방법, 관련 모델의 훈련 방법 및 관련 장치, 기기
CN113436223B (zh) 点云数据的分割方法、装置、计算机设备和存储介质
CN109658378B (zh) 基于土壤ct图像的孔隙辨识方法及系统
CN108205657A (zh) 视频镜头分割的方法、存储介质和移动终端
CN109345536B (zh) 一种图像超像素分割方法及其装置
CN106683105B (zh) 图像分割方法及图像分割装置
CN117635615B (zh) 基于深度学习实现冲孔模具的缺陷检测方法及系统
CN111815637A (zh) 3d图像边缘点云的提取方法、设备及计算机存储介质
CN113034387B (zh) 一种图像去噪方法、装置、设备及介质
CN108334851A (zh) 基于各向异质性的快速极化sar图像分割方法
CN107492101B (zh) 基于自适应构造最优图的多模态鼻咽肿瘤分割算法
CN116721113A (zh) 一种三维点云平面分割方法及系统
CN115880228A (zh) 多缺陷合并方法、装置、计算机设备及存储介质
Quan et al. Segmentation of tumor ultrasound image via region-based Ncut method
CN110288604B (zh) 基于K-means的图像分割方法和装置
CN114255326A (zh) 点云数据的处理方法、装置、电子设备和存储介质

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