CN111951196A - 基于图的渐进式点云下采样方法及装置 - Google Patents

基于图的渐进式点云下采样方法及装置 Download PDF

Info

Publication number
CN111951196A
CN111951196A CN202010816477.2A CN202010816477A CN111951196A CN 111951196 A CN111951196 A CN 111951196A CN 202010816477 A CN202010816477 A CN 202010816477A CN 111951196 A CN111951196 A CN 111951196A
Authority
CN
China
Prior art keywords
point cloud
graph
sampling
filtering
progressive
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
Application number
CN202010816477.2A
Other languages
English (en)
Other versions
CN111951196B (zh
Inventor
李革
张若楠
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.)
Peking University Shenzhen Graduate School
Original Assignee
Peking University Shenzhen Graduate School
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 Peking University Shenzhen Graduate School filed Critical Peking University Shenzhen Graduate School
Priority to CN202010816477.2A priority Critical patent/CN111951196B/zh
Publication of CN111951196A publication Critical patent/CN111951196A/zh
Application granted granted Critical
Publication of CN111951196B publication Critical patent/CN111951196B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

基于图的渐进式点云下采样方法与装置，包括如下步骤:参数计算、层级判断、图拓扑表达、图滤波处理、重要性衡量和下采样操作；本发明通过使用图表达及渐进式点云下采样，能够捕获点云的重要信息及轮廓细节部分，不仅可针对点云几何信息，也可以同时处理带有属性的点云信息，例如颜色、法向量等信息。所提出的点云下采样方式为非均匀采样，与现实场景当中或人眼感知更加契合，较基于网格的点云下采样而言，更具备细节描绘和强调性。同时该方法亦也可以作为关键点提取，实现稀疏点云的输出，为后续点云的快速高效处理带来了极大的便利。

Description

基于图的渐进式点云下采样方法及装置
技术领域
本发明涉及3D点云预处理技术领域，更具体地涉及一种基于图的渐进式点云下采样方法及装置。
背景技术
相似方法：Fast Resampling of 3D Point Clouds via Graphs方法，请参见参考附录[1]。该方法虽有使用到图结构表达及图滤波器，但没有使用层次渐进式方法，亦没有使用图空间滤波与图频谱滤波结合的情况。本专利所提出的层次递进方法，更能有效抑制异常值的出现，同时能够更好的呈现局部细节表现的轮廓和形状；
现有3D原始点云数据量一般巨大，直接处理原始点云费时费力，因而需要合适的3D下采样方法来对点云进行稀疏化处理，既保留原始结构的同时能够最大程度降低计算量。那么针对现有点云下采样方式，大多使用随机采样，或网格化的均匀采样，随机采样不能很好的把控3D点云形状，而网格化均匀采样需要以网格大小作为固定参数输入，不能固定输出点数，且输出点数为构造点，不属于原始点云当中，因而如果涉及到其他属性，例如颜色等，则需要一并进行构造处理。虽然其分布均匀但其并不能很好的保留3D点云的轮廓、纹理等细节部分的增强，且一般只用作几何信息(也即3D坐标)的处理，而不针对包含属性的3D点云的处理。
针对现有下采样方法的结构保留局限性，且对异常值敏感，形状轮廓提取欠佳的情况下，本发明人提出一种基于图的渐进式点云下采样方法与装置，以克服现有技术存在的上述问题和相关方法的缺陷。
发明内容
本发明的目的在于公开一种基于图的渐进式点云下采样方法。
本发明的另一目的在于公开一种基于图的渐进式点云下采样装置。
实施本发明的技术方案如下：基于图的渐进式点云下采样方法，所述的方法包括以下步骤：
步骤一:参数计算，根据输入点云、采样率及渐进式层级T计算相对应层级需要输入的点云数目及输出数目；
步骤二:层级判断，根据层级是否都处理结束来判断采样是否完成，未结束则继续，否则输出经过下采样后的点云；
步骤三:图拓扑表达，将当前层级需要处理的输入点云用图拓扑结构表示；
步骤四:图滤波处理，对图拓扑结构输出的点云进行图滤波处理，可包括图空间滤波与图频域滤波，其中图空间滤波可以使用例如直接处理邻接矩阵的方式来实现，图的频域滤波可以使用图的拉普拉斯滤波操作等，或者线性组合两者一起使用；
步骤五:重要性衡量，将滤波后的点云进行重要性衡量，也即对每个点进行重要性打分，可以使用的衡量方式有：重构错误率衡量，点云距离指标衡量等；
步骤六:下采样操作，重要性衡量分数作为该点云分布，针对该部分，进行下采样操作，可以是按照分布的随机下采样，也可以是按照重要性排序进行下采样。
基于图的渐进式点云下采样装置，该装置执行基于图的渐进式点云下采样的方法。
本方法通过使用图表达及渐进式点云下采样，能够捕获点云的重要信息及轮廓细节部分，不仅可针对点云几何信息，也可以同时处理带有属性的点云信息，例如颜色、法向量等信息。所提出的点云下采样方式为非均匀采样，与现实场景当中或人眼感知更加契合，较基于网格的点云下采样而言，更具备细节描绘和强调性。同时该方法亦也可以作为关键点提取，实现稀疏点云的输出，或形状轮廓及细节提取的方法及装置，为后续点云的快速高效处理带来了极大的便利。
本方法提出一种基于图的渐进式点云下采样方法及装置，通过使用图结构，采用图滤波，以及层级渐进式采样方式，能够抑制异常值的同时，保留原始点云关键信息，例如轮廓形状、细节纹理等，且下采样过程不重新生成点云，采样出来的点云为原始点云中的点，即不涉及重新构造及生成过程。可为后续点云的多重任务提供稀疏化点云的帮助。
本发明相对于现有技术具有如下的优点及效果：本发明的基于图的渐进式点云下采样方法及装置可以下采样固定输出数目的点云，且可进行多重不同任务需求的稀疏操作。具体地，本发明的一种基于图的渐进式点云下采样方法及装置，
(1)能够控制输出点数，灵活方便使用；
(2)由于使用图表达，因而其提取效果更符合人眼主观感知，对于点云整体结构表达合理且对异常值等有抑制作用，表现更加具有鲁棒性。
(3)输入可以是几何信息(坐标)，或者属性信息(RGB颜色、梯度、法向量)等，或者两者结合处理；
(4)由于滤波器样式种类繁多，因而可用于适合不同任务的下采样处理，例如利用图的高通滤波器可以提取轮廓纹理细节信息，利用图的低通滤波器，可以提取全局大体形状，或者输出平均点云图等，适用范围广，表现力强。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其他特征将通过以下描述变得容易理解。
附图说明
图1为本发明的流程图；
图2a为原始密集点云输入图；
图2b为采用随机下采样方法后的效果图；
图2c为采用网格均匀下采样方法后的效果图；
图2d为采用[1]中的图重采样效果图；
图2e为本发明所提出的效果图。
图3a为原始点云输入图；
图3b为采用随机下采样方法后的效果图；
图3c为采用网格均匀下采样方法后的效果图；
图3d为采用[1]中图重采样效果图；
图3e为本发明所提出的效果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图，通过具体实施例对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本方面保护的范围。
图1为本发明的流程图，如图所示，该本发明的基于图的渐进式点云下采样方法包括如下步骤：
步骤一：参数计算S1，根据输入点云、采样率及层级T计算相应每层级需要输入的点云数目及输出数目。
该步骤为后续操作计算必要的参数，包括每个层级中输入输出点云数目。
步骤二：层级判断S2，根据层级是否都处理结束来判断采样是否完成，未结束则继续，否则输出经过下采样后的点云。
该步骤用于控制循环是否结束而设置，如果层级遍历已完成，则输出点云；否则，继续循环模块部分的操作。
步骤三：图拓扑表达S3，将当前层级需要处理的输入点云用图拓扑结构表示；该步骤用于将点云用图拓扑结构来进行表达。常用方式是通过图邻接矩阵构建点之间边的属性。
步骤四：图滤波处理S4，对图拓扑结构输出的点云进行图滤波处理，可包括图空间滤波与图频域滤波，其中图空间滤波可以使用例如直接处理邻接矩阵的方式来实现，图的频域滤波可以使用图的拉普拉斯滤波操作等，或者线性组合两者一起使用。
该步骤构建图滤波器以及滤波后结果。其中滤波器构建可以有图空间滤波，直接在图邻接矩阵的操作，或基于图谱域的滤波操作，例如图的全通滤波，图的高通滤波及图的低通滤波等；滤波结果为各个滤波器的加权线性组合。
步骤五：重要性衡量S5，将滤波后的点云进行重要性衡量，也即对每个点进行重要性评估，可以使用的衡量方式有：重构错误率衡量，点云距离指标衡量(例如Chamfer距离，Hausdrff距离、EMD距离)等。
该步骤主要为了下一步按照点云点的重要性程度来进行采样做准备。可使用相似度衡量方式来进行衡量评估，通常可以使用重构错误率的平方来进行衡量，也可以使用一些3D点云距离，亦或一些主观指标等参数来进行衡量。
步骤六:下采样操作S6，重要性衡量分数作为该点云分布，针对该部分，进行下采样操作。
该步骤，可以是按照分布的随机下采样，也可以是按照重要性排序进行下采样。本方法通过使用图结构及渐进式点云下采样能够捕获点云的重要信息及轮廓细节部分，不仅可针对点云几何信息，也可以同时处理带有属性的点云信息，例如颜色、法向量等信息，能够实现稀疏点云的输出，提取清晰的形状轮廓，方便后续点云快速有效的高效处理。
实施例：
本实施例公开了一种基于图的渐进式点云下采样方法，具体包括下列步骤：
步骤一参数计算S1，根据输入点云、采样率及渐进式层级T计算相应每层级需要输入的点云数目及输出数目；其中，X＝[Xc,Xo],表示点云由3D坐标Xc与其他属性Xo组成，Xo可以说颜色，纹理或其他。xi表示第i个点。
设采样率为γ，则每个层级可简单设置为采样率
Figure BDA0002632919750000051
那么对于第i层来讲，如果输入为Xi，则输出数目为Xiγi。这里的每层采样率亦可以设定不同丢弃率；这里需要支出，层级T也可以通过原始点云点数以及采样率，按照一定比例来设置，例如可以设置为：
Figure BDA0002632919750000052
不一定为固定值设置，这里只提供一个参考。
步骤二层级判断S2，根据层级判断是否都处理结束来判断采样是否完成，未结束则继续，否则输出经过下采样后的点云。
步骤三图拓扑表达S3，将当前层级需要处理的输入点云用图拓扑结构表示；
Figure BDA0002632919750000053
公式(1)中σ和τ是参数，如果两点距离小于τ，那么我们考虑将此两点构建边，而边的权值依赖于两点在3D空间中的相似度。也可以使用其他相似度衡量方式来构建边。
步骤四图滤波处理S4，对图拓扑结构输出的点云进行图滤波处理，可包括图空间滤波与图频域滤波，其中图空间滤波可以使用例如直接处理邻接矩阵的方式来实现，图的频域滤波可以使用图的拉普拉斯滤波操作等，或者线性组合两者一起使用；
Figure BDA0002632919750000054
如果在图的空间域，那么可以看到公式(2)是一个基于加权平均值的属性。通过基于邻居结点贡献量可以设计滤波器稀疏来改变局部平均权值；如果在图的频率域，也即谱域里，可通过Chebyshew多项式来进行设计图滤波器系数。
其中，L为滤波器长度，hl为第l个滤波器对应的参数，A为滤波器算子。
其中全通图滤波器，考虑一种简单情况为：
f(X)＝X#(3)
也即h(A)＝1的情况，可以看成是多个滤波器取平均的效果。注意到，该情况下如果使用均匀下采样是一种最优重采样方式。常用全通滤波器提取模糊图。
高通滤波器为：
Figure BDA0002632919750000061
通常，使用高通滤波器来提取边缘或轮廓，或者关键点信息。
低通滤波器可在给定阈值范围进行磨平的处理，类似高通滤波器，这里不再给出。
步骤五重要性衡量S5，将滤波后的点云进行重要性衡量，也即对每个点进行重要性打分，可以使用的衡量方式有：重构错误率衡量，点云距离指标衡量等；
Figure BDA0002632919750000062
其中，forg(X)为上一滤波器滤波后结果，如为第一次则为原始点云；其实S用于补偿滤波权重，有助于归一化后在统一标准下进行统一估计。这里需要注意，损失函数的设置需要考虑其是否能一定程度反应点云的分布情况来进行设定。此处设置为距离平方是因为其与点云最优分布成正比，可以用来反应点云的分布情况。
步骤六下采样操作S6，重要性衡量分数作为该点云分布，针对该部分，进行下采样操作，可以是按照分布的基于权值的随机下采样，也可以是按照重要性排序进行下采样。
该部分重采样策略可采用重要性分数排序，选择排序靠前的作为采样结果留下，剩余固定比例丢弃。或采用按照整体点云分布(通过重要性衡量分数来评估)来进行随机下采样，例如使用Wong的方法，见参考附录[2]。
图2a-图2d为本发明的效果图，使用几何结构加颜色属性进行下采样效果，并保持输出点数一致。如图所示，展示了所提出方法的有效性，是使用几何与颜色属性一起做下采样，密集点云情况下，采样万分之一的点，确保相同输出点数的情况下，所提出方法在全局与局部上，轮廓与细节都更加清晰。
图2a为原始输入点云彩色图，图2b为随机下采样方法，可以看出其不能完整保留全局轮廓信息(例如头顶、右膝附近、鞋边缘等均有缺失部分)，图2c为均匀网格下采样方法，该方法在密集点云上表现较好，对于需要均匀采样的情况下适用，但其不能够突出局部细节部分的变化，且需要设置网格大小，其不能生成固定数目的点云，并且生成点点非原始点云中的点，因此对应颜色也需要做调整，图2d为参考附录[1]中提出的基于图的方法，该方法在局部区域上效果不佳，例如右肩膀那里大片区域空缺，头部与鞋部区域缺失，图2e为本发明所提出的方法，就全局来讲轮廓保留完好，无类似其他方法的短缺；局部上能够保留细节，细节部分点密集，能够为非均匀下采样方法提供良好的参考；
需要注意所提出方法图2d是非均匀采样方法，而图2c均匀网格下采样为均匀采样方法。
图3a至图3e为仅使用几何结构进行下采样的效果图；如图所示，其中可以看到，所提出方法在保证全局均匀性和边缘纹理方面都表现突出；因图3a至图3e是仅采用几何属性来进行下采样的情况，此为较为稀疏情况点云采样百分之一的点，依旧确保相同输出点数的情况下进行评估。其中，
图3a为原始输入点云；图3b为随机下采样方法，轮廓有所缺失，例如耳朵头部，且细节保留不完整；图3c为均匀网格下采样方法，该方法不能够很好的突出局部细节，适用于需要均匀采样的情况。图3d为参考附录[1]中提出的基于图的方法，该方法虽然保留一定轮廓，但此处效果较随机与均匀采样都表现较差；图3e为本发明所提出的方法，很好的保留了全局轮廓完整性和局部细节突出性，尤其是脖子及尾巴部分的细节强调较均匀网格采样效果佳。由于说明书只能采用是黑白图片，在黑白图片中看到的效果不如彩色图看山去明显。
综上所述，本实施例公开了一种基于图的渐进式点云下采样方法及装置，本方法通过使用图的表达形式及渐进式点云下采样能够捕获点云的重要信息及轮廓细节部分，不仅可针对点云几何信息，也可以同时处理带有属性的点云信息，例如颜色、法向量等信息，能够实现稀疏点云的输出，提取清晰的形状轮廓，方便后续点云快速有效的高效处理。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下的所作的改变、修饰、替代、组合、简化等均应为等效的置换方式，都包含在本发明的保护范围之内。
参考附录：
[1]S.Chen,D.Tian,C.Feng,A.Vetro and J.
Figure BDA0002632919750000081
“Fast resampling of 3Dpoint clouds via graphs”,IEEE Trans.Signal Process.,2018.
[2]Wong,C.K.and M.C.Easton.An Efficient Method for Weighted SamplingWithout Replacement.SIAM Journal of Computing 9(1),pp.111–113,1980.

Claims (8)

1.一种基于图的渐进式点云下采样方法，其特征在于，所述的包括以下步骤，
步骤一参数计算：根据输入点云、采样率及层级T计算相应每层级需要输入的点云数目及输出数目；
步骤二层级判断：根据层级是否都处理结束来判断采样是否完成，未结束则继续，否则输出经过下采样后的点云；
步骤三图拓扑表达：将当前层级需要处理的输入点云用图拓扑结构表示；
步骤四图滤波处理：对图拓扑结构输出的点云进行图滤波处理，可包括图空间滤波与图频域滤波，其中图空间滤波可以使用例如直接处理邻接矩阵的方式来实现，图的频域滤波可以使用图的拉普拉斯滤波操作等，或者线性组合两者一起使用；
步骤五重要性衡量：将滤波后的点云进行重要性衡量，也即对每个点进行重要性打分，可以使用的衡量方式有：重构错误率衡量，点云距离指标衡量等；
步骤六下采样操作：重要性衡量分数作为该点云分布，针对该部分，进行下采样操作，可以是按照分布的随机下采样，也可以是按照重要性排序进行下采样。
2.根据权利要求1所述的一种基于图的渐进式点云下采样方法其特征在于，所述的步骤一参数计算，根据采样率，需要计算对应渐进式下采样模块中当前层级的输入点云和输出点云数目，由于采样率，及层级T的不同，每层级输入输出点云也相应有变化。
3.根据权利要求1所述的一种基于图的渐进式点云下采样方法，其特征在于，所述的步骤二层级判断，其为判断是否结束的依据，如层级采样为结束，则继续循环，否则输出稀疏点云；注意这里的输入点云可以只是包含几何结构的坐标信息，或者是属性信息，例如RGB颜色、梯度、法向量等信息，或者是几何结构与属性信息一起作为输入均可。
4.根据权利要求1所述的一种基于图的渐进式点云下采样方法，其特征在于，所述的步骤三图拓扑表达，是通过当前输入点云个数构建图拓扑结构，通常使用图的邻近矩阵进行构建，例如：
Figure FDA0002632919740000011
公式(1)中σ和τ是参数，如果两点距离小于τ，那么我们考虑将此两点构建边，而边的权值依赖于两点在3D空间中的相似度。也可以使用其他相似度衡量方式来构建边。
5.根据权利要求1所述的一种基于图的渐进式点云下采样方法，其特征在于，所述的步骤四图滤波处理中图滤波器构建及滤波计算，包括图空间滤波与图频域滤波，其中图空间滤波可以使用例如核函数直接处理邻接矩阵的方式，图的频域滤波可以使用图的拉普拉斯滤波等，或者结合两者一起使用；
Figure FDA0002632919740000021
如果在图的空间域，那么可以看到公式(2)是一个基于加权平均值的属性。通过基于邻居结点贡献量可以设计滤波器稀疏来改变局部平均权值；
如果在图的频域，亦称为谱域里，可通过Chebyshew多项式来进行设计图滤波器系数。
其中，L为滤波器长度，hl为第l个滤波器对应的参数，A为滤波器算子；
其中全通图滤波器，考虑一种简单情况为：
f(X)＝X#(3)
也即h(A)＝1的情况，可以看成是多个滤波器取平均的效果。注意到，该情况下如果使用均匀下采样是一种最优重采样方式。常用全通滤波器提取模糊图；
高通滤波器为：
Figure FDA0002632919740000022
通常，使用高通滤波器来提取边缘或轮廓，或者关键点信息。
低通滤波器可在给定阈值范围进行磨平的处理，类似高通滤波器，这里不再给出。
6.根据权利要求1所述的一种基于图的渐进式点云下采样方法，其特征在于，所述的步骤五重要性衡量中对点云的重要性衡量，这里采用重构错误率来进行衡量：，亦可以使用其他方法来进行衡量
可以使用的衡量方式有：重构错误率衡量，点云距离指标衡量等；
Figure FDA0002632919740000023
其中，forg(X)为上一滤波器滤波后结果，如为第一次则为原始点云；其实S用于补偿滤波权重，有助于归一化后在统一标准下进行统一估计。这里需要注意，损失函数的设置需要考虑其是否能一定程度反应点云的分布情况来进行设定。此处设置为距离平方是因为其与点云最优分布成正比，可以用来反应点云的分布情况。
7.根据权利要求1所述的一种基于图的渐进式点云下采样方法，其特征在于，所述的步骤六下采样操作中针对已经过重要性衡量后的点云，将打分情况视为其分布的表现，根据其分布，可进行随机下采样，使其下采样符合原始分布情况，或根据打分重要性排序进行按重要性分数来进行下采样；
该部分重采样策略可采用重要性分数排序，选择排序靠前的留下，剩余固定比例丢弃；
或采用按照分步来进行随机下采样。
8.一种基于图的渐进式点云下采样装置,其特征在于,该装置采用根据权利要求1-7任意一项的基于图的渐进式点云下采样方法。
CN202010816477.2A 2020-08-14 2020-08-14 基于图的渐进式点云下采样方法及装置 Active CN111951196B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010816477.2A CN111951196B (zh) 2020-08-14 2020-08-14 基于图的渐进式点云下采样方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010816477.2A CN111951196B (zh) 2020-08-14 2020-08-14 基于图的渐进式点云下采样方法及装置

Publications (2)

Publication Number Publication Date
CN111951196A true CN111951196A (zh) 2020-11-17
CN111951196B CN111951196B (zh) 2024-06-18

Family

ID=73343329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010816477.2A Active CN111951196B (zh) 2020-08-14 2020-08-14 基于图的渐进式点云下采样方法及装置

Country Status (1)

Country Link
CN (1) CN111951196B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486963A (zh) * 2021-07-12 2021-10-08 厦门大学 一种密度自适应的点云端到端采样方法
CN114155352A (zh) * 2021-11-25 2022-03-08 清华大学 渐进图信号采样的点云表示方法及装置
WO2023015530A1 (zh) * 2021-08-12 2023-02-16 Oppo广东移动通信有限公司 点云编解码方法、编码器、解码器及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9251417B1 (en) * 2014-10-15 2016-02-02 Hrl Laboratories, Llc Fast open doorway detection for autonomous robot exploration
CN106952339A (zh) * 2017-03-15 2017-07-14 重庆邮电大学 一种基于最优传输理论的点云采样方法
CN108564525A (zh) * 2018-03-31 2018-09-21 上海大学 一种基于多线激光雷达的3d点云2d化数据处理方法
CN110349230A (zh) * 2019-07-15 2019-10-18 北京大学深圳研究生院 一种基于深度自编码器的点云几何压缩的方法
US20200021847A1 (en) * 2018-07-12 2020-01-16 Apple Inc. Bit stream structure for compressed point cloud data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9251417B1 (en) * 2014-10-15 2016-02-02 Hrl Laboratories, Llc Fast open doorway detection for autonomous robot exploration
CN106952339A (zh) * 2017-03-15 2017-07-14 重庆邮电大学 一种基于最优传输理论的点云采样方法
CN108564525A (zh) * 2018-03-31 2018-09-21 上海大学 一种基于多线激光雷达的3d点云2d化数据处理方法
US20200021847A1 (en) * 2018-07-12 2020-01-16 Apple Inc. Bit stream structure for compressed point cloud data
CN110349230A (zh) * 2019-07-15 2019-10-18 北京大学深圳研究生院 一种基于深度自编码器的点云几何压缩的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CZESLAW SUCHOCKI 等: "Down-sampling of point clouds for the technical diagnostics of buildings and structures", 《GEOSCIENCES》, vol. 9, no. 2, pages 1 - 14 *
SERGIO ORTS ESCOLANO 等: "Point cloud data filtering and downsampling using growing neural gas", 《THE 2013 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS(IJCNN)》, pages 1 - 8 *
袁华 等: "基于体素化网格下采样的点云简化算法研究", 《电视技术》, vol. 39, no. 17, pages 43 - 47 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486963A (zh) * 2021-07-12 2021-10-08 厦门大学 一种密度自适应的点云端到端采样方法
CN113486963B (zh) * 2021-07-12 2023-07-07 厦门大学 一种密度自适应的点云端到端采样方法
WO2023015530A1 (zh) * 2021-08-12 2023-02-16 Oppo广东移动通信有限公司 点云编解码方法、编码器、解码器及计算机可读存储介质
CN114155352A (zh) * 2021-11-25 2022-03-08 清华大学 渐进图信号采样的点云表示方法及装置

Also Published As

Publication number Publication date
CN111951196B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
Bui et al. Single image dehazing using color ellipsoid prior
CN111951196A (zh) 基于图的渐进式点云下采样方法及装置
CN111462206B (zh) 一种基于卷积神经网络的单目结构光深度成像方法
CN111242864B (zh) 一种基于Gabor纹理约束的手指静脉图像修复方法
CN110544300B (zh) 一种基于二维手绘图像特征自动生成三维模型的方法
US9892542B2 (en) Creating bump and normal maps from images with multi-scale control
CN105389821B (zh) 一种基于云模型和图割相结合的医学图像分割方法
Gao et al. Graph-based point cloud denoising
CN109191482B (zh) 一种基于区域自适应光谱角阈值的图像合并分割方法
CN110544262A (zh) 一种基于机器视觉的子宫颈细胞图像分割方法
CN111476739B (zh) 水下图像增强方法、系统及存储介质
Li et al. Single image depth estimation using edge extraction network and dark channel prior
CN111127622A (zh) 基于图像分割的三维点云离群点剔除方法
CN112802175B (zh) 大规模场景遮挡剔除方法、装置、设备及存储介质
CN113077504B (zh) 基于多粒度特征匹配大场景深度图生成方法
KR101715266B1 (ko) 그래픽 가속기에 기반한 3d 모델의 라인 드로잉 방법 및 이를 이용한 프로그램이 기록된 컴퓨터 판독가능 기록매체
CN112700538B (zh) Lod生成方法及系统
CN112884884A (zh) 一种候选区域生成方法及系统
CN113326718A (zh) 目标人脸图像检测方法及装置、存储介质、电子设备
Saberi et al. Multi-temporal satellite image correction based on CNN features and adaptive contrast enhancement
Gao et al. Three Dimensional Reconstruction of Watermelon for Multimedia Traceability System
Muqeet et al. Analysis of hazy images based on K-means ground truth and quick shift segmentation
CN117807782B (zh) 一种实现三维仿真模型的方法
CN116883599B (zh) 一种基于三维建模技术的服装试穿系统
CN117710602B (zh) 面向稀疏网格三维数据的建筑物重建方法、装置及设备

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