CN112150606B - 一种基于点云数据的螺纹表面三维重构方法 - Google Patents
一种基于点云数据的螺纹表面三维重构方法 Download PDFInfo
- Publication number
- CN112150606B CN112150606B CN202010859916.8A CN202010859916A CN112150606B CN 112150606 B CN112150606 B CN 112150606B CN 202010859916 A CN202010859916 A CN 202010859916A CN 112150606 B CN112150606 B CN 112150606B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- thread
- point
- reconstruction
- clouds
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
- Image Generation (AREA)
Abstract
本发明公开了一种基于点云数据的螺纹表面三维重构方法。其操作步骤是:通过设定的旋转扫描平台获取螺纹点云数据,对点云数据进行数据空白点及异常点剔除;采用点云曲率与harris3D结合方法的提取螺纹牙顶及牙底部分特征点云作为保留点云,对非特征点云进行降采样简化,采用不同的半径阈值的点云局部拟合法进行向量估计,并进行法向量方向判定最终进行泊松重建。本发明实现了对螺纹点云数据的三维模型的构建,针对螺纹牙顶与牙底特征位置提供充足的点云数据,保证三角化网格数量足够多,减小重构误差。为螺纹类点云的数字化测量与检测提供参考依据。
Description
技术领域
本发明属于三维重构技术领域,具体涉及一种基于点云数据的螺纹表面三维重构方法。
背景技术
螺纹点云的高速高精度三维重建,对于螺纹形貌复原、缺陷检测、三维测量具有重要的研究意义,当前的三维重构模型重构的研究主要集中在机械大零件三维形态建模,针对螺纹牙型细节的重构并没有特殊处理方式,本文基此研究了基于特征保留的法向重定向的预处理方法,对泊松重建算法进行优化。
发明内容
本发明的目的是提供一种基于点云数据的螺纹表面三维重构方法,针对泊松算法的不足之处,从特征点云和法向量一致性求解的角度上着手,针对曲面重建前步骤,提出基于特征保留的法向重定向的预处理方法,对泊松重建算法进行优化,在进行大量迭代计算任务前,保留原螺纹点云牙型特征的同时,降低点云点云数量,从而提升点云重构的细节保留能力和曲面重构的效率。
为实现上述目的,本发明采取的技术方案为:
一种基于点云数据的螺纹表面三维重构方法,其特征在于,包括如下操作步骤:
步骤1,原始点云采集:
通过搭建旋转测量平台与激光扫描仪相结合的方式完成螺纹点云的完整扫描输入;
步骤2,数据空白点剔除:
点云输入后,通过对点云数据进行空白点及异常点的剔除;
步骤3,特征点提取:
针对螺纹点云牙顶部分与牙底部分,采用曲率提取与harris3D方法(harris3D为一种点云处理方法)相结合的方式,进行特征提取;
步骤4,基于特征保留的点云简化方法:
在特征点云提取后,在剩余部分进行降采样滤波,将采样后点云与特征提取后点云进行结合作为下一步骤的输入,在保证采样点满足重建条件的前提下,从而减小重建算法的计算量,大大提高了重建的速度;
步骤5,点云法向估计以及一致性判定:
基于步骤4的输入点云采用不同的半径阈值的点云局部拟合法进行向量估计,在得出每个点云的法向量之后,进行法向量的方向判定,给定方向为正方向,每对相邻点云求解法向量夹角,若夹角为锐角则方向不变,若为钝角,则将后一向量进行反向;将最终结果与步骤4点云进行结合生成新的有向点云集;
步骤6,泊松重建:
基于步骤5的输入点云及进行隐函数方法的泊松重建。
优选地,所述步骤1中的采集方式为用于旋转平台和激光扫描仪集合的方式采集,扫描仪支架是位于基于电机驱动的可匀速转动的圆轨平台,旋转中心上放置待扫描的直立螺纹,扫描仪从某个位置及角度开始扫描,在扫描仪扫描的同时记录三维点云信息,扫描仪绕中心旋转360°后,完成螺纹外圈一周的扫描,以此获得螺纹的三维空间坐标数据。
优选地,所述步骤步骤3中的点云特征点提取,采用曲率提取与harris3D方法相结合的方式进行螺纹点云牙顶与牙底部分提取,由此提取到螺纹表面坡度敏感位置的点云,为曲率变化较大的位置提供充足的点云数据,保证三角化网格数量足够多,减小重构误差。
优选地,所述步骤步骤4中基于特征保留的点云简化方法,对于非特征部分点云,采用降采样滤波的方式,通过设置一定的阈值,在满足重构要求的条件下,最大限度的减少点云数量,并将采样后的点云与步骤3中提取的特征点结合,与原始点云相比,在不损失整体形貌的同时,细节特征部分也得到加强,降低重构过程中的数据运算量并提高运算速率。
优选地,所述步骤步骤5进行点云法向估计以及一致性判定,三维点云数据在泊松重构过程中点云的法向量对重构结果影响很大,根据不同位置处的点云密度不同,在使用局部拟合求解法向量过程中,采用不同的半径阈值,计算全局点云密度和点局部密度,若局部密度大于全局密度,则选取更小的半径阈值,若局部密度小于于全局密度,则选取较大的半径阈值,实现特征增强的细致化向量求解,在得出每个点云的法向量之后,进行法向量的方向判定,给定方向为正方向,每对相邻点云求解法向量夹角,若夹角为锐角则方向不变,若为钝角,则将后一向量进行反向;将最终结果与步骤4点云进行结合生成新的有向点云集。
本发明与现有技术相比较,具有如下显而易见的突出实质性特点和显著的技术进步:
1.本发明通过设定的旋转扫描平台获取螺纹点云数据,对点云数据进行数据空白点及异常点剔除;
2.采用点云曲率与harris3D方法结合方法的提取螺纹牙顶及牙底部分特征点云作为保留点云,对非特征点云进行降采样简化,采用不同的半径阈值的点云局部拟合法进行向量估计,并进行法向量方向判定最终进行泊松重建;
3.本发明实现了对螺纹点云数据的三维模型的构建,针对螺纹牙顶与牙底特征位置提供充足的点云数据,保证三角化网格数量足够多,减小重构误差;为螺纹类点云的数字化测量与检测提供参考依据。
附图说明
图1是本发明的流程图。
图2是本发明螺纹点云采集旋转平台示意图。
图3是本发明螺纹特征点提取示意图。
图4是本发明点云法向量求解示意图。
具体实施方式
下面结合附图和优选实施例对本发明作进一步的说明:
实施例一:
参见图1~图4,一种基于点云数据的螺纹表面三维重构方法,其特征在于,包括如下操作步骤:
步骤1,原始点云采集:
通过搭建旋转测量平台与激光扫描仪相结合的方式完成螺纹点云的完整扫描输入;
步骤2,数据空白点剔除:
点云输入后,通过对点云数据进行空白点及异常点的剔除;
步骤3,特征点提取:
针对螺纹点云牙顶部分与牙底部分,采用曲率提取与harris3D方法相结合的方式,进行特征提取;
步骤4,基于特征保留的点云简化方法:
在特征点云提取后,在剩余部分进行降采样滤波,将采样后点云与特征提取后点云进行结合作为下一步骤的输入,在保证采样点满足重建条件的前提下,从而减小重建算法的计算量,大大提高了重建的速度;
步骤5,点云法向估计以及一致性判定:
基于步骤4的输入点云采用不同的半径阈值的点云局部拟合法进行向量估计,在得出每个点云的法向量之后,进行法向量的方向判定,给定方向为正方向,每对相邻点云求解法向量夹角,若夹角为锐角则方向不变,若为钝角,则将后一向量进行反向;将最终结果与步骤4点云进行结合生成新的有向点云集;
步骤6,泊松重建:
基于步骤5的输入点云及进行隐函数方法的泊松重建。
本实施例基于点云数据的螺纹表面三维重构方法,针对泊松算法的不足之处,从特征点云和法向量一致性求解的角度上着手,针对曲面重建前步骤,提出基于特征保留的法向重定向的预处理方法,对泊松重建算法进行优化,在进行大量迭代计算任务前,保留原螺纹点云牙型特征的同时,降低点云点云数量,从而提升点云重构的细节保留能力和曲面重构的效率。
实施例二:
本实施例与实施例一基本相同,特别之处如下:
所述步骤1中的采集方式为用于旋转平台和激光扫描仪集合的方式采集,扫描仪支架是位于基于电机驱动的可匀速转动的圆轨平台,旋转中心上放置待扫描的直立螺纹,扫描仪从某个位置及角度开始扫描,在扫描仪扫描的同时记录三维点云信息,扫描仪绕中心旋转360°后,完成螺纹外圈一周的扫描,以此获得螺纹的三维空间坐标数据。
所述步骤步骤3中的点云特征点提取,采用曲率提取与harris3D方法相结合的方式进行螺纹点云牙顶与牙底部分提取,由此提取到螺纹表面坡度敏感位置的点云,为曲率变化较大的位置提供充足的点云数据,保证三角化网格数量足够多,减小重构误差。
所述步骤步骤4中基于特征保留的点云简化方法,对于非特征部分点云,采用降采样滤波的方式,通过设置一定的阈值,在满足重构要求的条件下,最大限度的减少点云数量,并将采样后的点云与步骤3中提取的特征点结合,与原始点云相比,在不损失整体形貌的同时,细节特征部分也得到加强,降低重构过程中的数据运算量并提高运算速率。
所述步骤步骤5进行点云法向估计以及一致性判定,三维点云数据在泊松重构过程中点云的法向量对重构结果影响很大,根据不同位置处的点云密度不同,在使用局部拟合求解法向量过程中,采用不同的半径阈值,计算全局点云密度和点局部密度,若局部密度大于全局密度,则选取更小的半径阈值,若局部密度小于于全局密度,则选取较大的半径阈值,实现特征增强的细致化向量求解,在得出每个点云的法向量之后,进行法向量的方向判定,给定方向为正方向,每对相邻点云求解法向量夹角,若夹角为锐角则方向不变,若为钝角,则将后一向量进行反向;将最终结果与步骤4点云进行结合生成新的有向点云集。
本实施例方法实现了对螺纹点云数据的三维模型的构建,针对螺纹牙顶与牙底特征位置提供充足的点云数据,保证三角化网格数量足够多,减小重构误差。为螺纹类点云的数字化测量与检测提供参考依据。
实施例三:
本实施例的螺纹点云数据以公称直径为30mm的螺纹螺纹作为对象,螺纹点云三维模型重构方法如图1所示,具体如下:
步骤1,图2是根据本实施例的实际设计的旋转平台和激光扫描仪集合的结构示意图,如图2所示,包括激光扫描仪1,扫描仪支架2,待测螺纹样件3,置物平台4,圆轨平台5;
采用如图2所示旋转平台和激光扫描仪集合的方式采集点云,扫描仪支架2由电机驱动,可在圆轨平台5上做匀速转动,置物平台4静止不动,并在置物平台4心上放置待测螺纹样件3,扫描仪1从某个起始位置及角度开始扫描,在扫描仪1扫描的同时,记录并保存螺纹三维点云信息;
扫描仪1绕圆轨平台5中心旋转360°后,完成螺纹外圈一周的扫描,以此获得螺纹的三维空间坐标数据;此方法可以减小激光扫描仪在扫描过程中的扫描误差,很大程度上避免了人为干扰因素;
步骤2,原始点云集P0输入后,若在螺纹点云中出现三维信息pi(x,y,z)的缺失如x、y、z某一坐标的缺失,则对后期重构会造成很大的误差,其中pi(x,y,z)表示第i个点p,x、y、z分别为该点的三维坐标值。
本实施例通过整体遍历螺纹点云数据pi(x,y,z)并校对其坐标值x、y、z是否为空的方法对点云数据进行空白点及异常点的剔除,能保证螺纹点云在处理前的精度与准确性,从而整体改善三维重构精度;
步骤3,本实施例参考了开源PCL库里harris3D方法的实现,并基于螺纹牙顶和螺纹牙底曲率不同的特性,针对公称直径为30mm的螺纹点云实例提出本文所描述的特征点提取算法,算法描述如下:
首先在螺纹点云中选定一点并建立一个局部坐标系,设定z方向是法线方向,x,y方向和z垂直,假设点云的密度是相同的;
其次,在任意点处点上建立一个小正方体,通过改变边长L(L为立方体的边长大小),设定判断条件为:
a、如果小正方体沿z方向移动,小正方体里的点云数量n变化几乎不变,接近于0;
b、如果小正方体位于边缘上,则沿边缘移动,点云数量n变化点云数量几乎不变,沿垂直边缘方向移动,点云数量改变较大;
c、如果小正方体位于角点上,则有两个方向都会大幅改变点云数量,
最后,为获得更精确的螺纹牙顶重构曲面,在此应用harris3D检测算法后,提取出螺纹牙顶与牙底的关键角点集如图3(a)所示;再基于点云曲率信息ρi(第i个点的曲率点云曲率)进行跟进提取,通过判定每个点云曲率大小并选取曲率变化较大的牙顶特征点云其结果点集P2如图3(b)所示,点集P2与harris3D算法检测的点云集P1共同构成本文方法所描述的螺纹特征点云集P3完成本步骤最终的螺纹特征点的提取;
由此提取到螺纹表面坡度敏感位置的点云,为螺纹牙顶与牙底处位置提供充足的点云数据,保证三角化网格数量足够多,减小重构误差;
步骤4,对于非特征部分点云集(P4=P0-P3)采用随机降采样滤波的方式,在满足重构要求的条件下,通过设置一定的阈值γ实现最大限度的减少点云数量;然后将采样后的点云与步骤3中提取的特征点结合构成新的螺纹点云集P5;
与原始螺纹点云集P0相比,在不损失整体形貌的同时,数据量减少的同时细节特征部分得到加强,大大降低了重构过程中的数据运算量并提高运算速率;
基于步骤4螺纹点云集P5不同位置处的点云密度不同的特性,在使用局部拟合求解法向量过程中,采用不同的半径阈值r,计算全局点云密度ζq和点局部密度ζj,进行判定:
若ζq>ζj,则选取更小的半径阈值r;
若ζq<ζj,则选取较大的半径阈值r;
由此实现本文特征增强的细致化向量方法求解;
在得出每个点云的法向量之后,进行相邻点云法向量的方向判定:
将最终结果与步骤4螺纹点云集P5进行结合生成新的有向点云集P6;
步骤6,基于步骤5的有向点云集P6进行隐函数方法中的泊松重建,形成最终螺纹模型输出。
本实施例方法通过设定的旋转扫描平台获取螺纹点云数据,对点云数据进行数据空白点及异常点剔除;本实施例采用点云曲率与harris3D结合方法的提取螺纹牙顶及牙底部分特征点云作为保留点云,对非特征点云进行降采样简化,采用不同的半径阈值的点云局部拟合法进行向量估计,并进行法向量方向判定最终进行泊松重建;本实施例方法实现了对螺纹点云数据的三维模型的构建,针对螺纹牙顶与牙底特征位置提供充足的点云数据,保证三角化网格数量足够多,减小重构误差;为螺纹类点云的数字化测量与检测提供参考依据。
上面对本发明实施例结合附图进行了说明,但本发明不限于上述实施例,还可以根据本发明的发明创造的目的做出多种变化,凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化,均应为等效的置换方式,只要符合本发明的发明目的,只要不背离本发明的技术原理和发明构思,都属于本发明的保护范围。
Claims (5)
1.一种基于点云数据的螺纹表面三维重构方法,其特征在于,包括如下步骤:
步骤1,原始点云采集:
通过搭建旋转测量平台与激光扫描仪相结合的方式完成螺纹点云的完整扫描输入;
步骤2,数据空白点剔除:
点云输入后,通过对点云数据进行空白点及异常点的剔除;
步骤3,特征点提取:
针对螺纹点云牙顶部分与牙底部分,采用曲率提取与harris3D相结合的方式,进行特征提取;提取螺纹牙顶及牙底部分特征点云作为保留点云,进行特征点提取算法如下:
首先在螺纹点云中选定一点并建立一个局部坐标系,设定z方向是法线方向,x,y方向和z垂直,假设点云的密度是相同的;
其次,在任意点处点上建立一个小正方体,通过改变边长L,设定判断条件为:
a、如果小正方体沿z方向移动,小正方体里的点云数量n变化几乎不变,接近于0;
b、如果小正方体位于边缘上,则沿边缘移动,点云数量n变化点云数量几乎不变,沿垂直边缘方向移动,点云数量改变较大;
c、如果小正方体位于角点上,则有两个方向都会大幅改变点云数量;
最后,为获得更精确的螺纹牙顶重构曲面,在应用harris3D检测算法后,提取出螺纹牙顶与牙底的关键角点集;再基于第i个点的曲率点云曲率ρi进行跟进提取,通过判定每个点云曲率大小并选取曲率变化较大的牙顶特征点云其结果点集P2,点集P2与harris3D算法检测的点云集P1共同构成本文方法所描述的螺纹特征点云集P3完成最终的螺纹特征点的提取;
步骤4,基于特征保留的点云简化方法:
在特征点云提取后,在剩余部分进行降采样滤波,将采样后点云与特征提取后点云进行结合作为下一步骤的输入,在保证采样点满足重建条件的前提下,从而减小重建算法的计算量,大大提高了重建的速度;
步骤5,点云法向估计以及一致性判定:
基于步骤4的输入点云采用不同的半径阈值的点云局部拟合法进行向量估计,在得出每个点云的法向量之后,进行法向量的方向判定,给定方向为正方向,每对相邻点云求解法向量夹角,若夹角为锐角则方向不变,若为钝角,则将后一向量进行反向;将最终结果与步骤4点云进行结合生成新的有向点云集;
步骤6,泊松重建:
基于步骤5的输入点云集 进行隐函数方法的泊松重建。
2.根据权利要求1所述基于点云数据的螺纹表面三维重构方法,其特征在于:所述步骤1中的采集方式为旋转平台和激光扫描仪结合的方式采集,扫描仪支架是位于基于电机驱动的可匀速转动的圆轨平台,旋转中心上放置待扫描的直立螺纹,扫描仪从某个位置及角度开始扫描,在扫描仪扫描的同时记录三维点云信息,扫描仪绕中心旋转360°后,完成螺纹外圈一周的扫描,以此获得螺纹的三维空间坐标数据。
3.根据权利要求1所述基于点云数据的螺纹表面三维重构方法,其特征在于:所述步骤3中的点云特征点提取,采用曲率提取与harris3D相结合的方式进行螺纹点云牙顶与牙底部分提取,由此提取到螺纹表面坡度敏感位置的点云,为曲率变化较大的位置提供充足的点云数据,保证三角化网格数量足够多,减小重构误差。
4.根据权利要求1所述基于点云数据的螺纹表面三维重构方法,其特征在于:所述步骤4中基于特征保留的点云简化方法,对于非特征部分点云,采用降采样滤波的方式,通过设置一定的阈值,在满足重构要求的条件下,最大限度的减少点云数量,并将采样后的点云与步骤3中提取的特征点结合,与原始点云相比,在不损失整体形貌的同时,细节特征部分也得到加强,降低重构过程中的数据运算量并提高运算速率。
5.根据权利要求1所述基于点云数据的螺纹表面三维重构方法,其特征在于:所述步骤5进行点云法向估计以及一致性判定,三维点云数据在泊松重构过程中点云的法向量对重构结果影响很大,根据不同位置处的点云密度不同,在使用局部拟合求解法向量过程中,采用不同的半径阈值,计算全局点云密度和点局部密度,若局部密度大于全局密度,则选取更小的半径阈值,若局部密度小于全局密度,则选取较大的半径阈值,实现特征增强的细致化向量求解,在得出每个点云的法向量之后,进行法向量的方向判定,给定方向为正方向,每对相邻点云求解法向量夹角,若夹角为锐角则方向不变,若为钝角,则将后一向量进行反向;将最终结果与步骤4点云进行结合生成新的有向点云集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010859916.8A CN112150606B (zh) | 2020-08-24 | 2020-08-24 | 一种基于点云数据的螺纹表面三维重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010859916.8A CN112150606B (zh) | 2020-08-24 | 2020-08-24 | 一种基于点云数据的螺纹表面三维重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150606A CN112150606A (zh) | 2020-12-29 |
CN112150606B true CN112150606B (zh) | 2022-11-08 |
Family
ID=73888627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010859916.8A Active CN112150606B (zh) | 2020-08-24 | 2020-08-24 | 一种基于点云数据的螺纹表面三维重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150606B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112815857A (zh) * | 2021-03-09 | 2021-05-18 | 中石化胜利石油工程有限公司管具技术服务中心 | 一种钻杆螺纹检测装置及方法 |
CN113592711B (zh) * | 2021-07-22 | 2024-01-12 | 中山大学 | 点云数据不均匀的三维重建方法、系统、设备及存储介质 |
CN113962932A (zh) * | 2021-09-10 | 2022-01-21 | 上海大学 | 一种基于三维立体建模的螺纹检测方法 |
CN116228831B (zh) * | 2023-05-10 | 2023-08-22 | 深圳市深视智能科技有限公司 | 耳机接缝处的段差测量方法及系统、校正方法、控制器 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101373540A (zh) * | 2007-08-20 | 2009-02-25 | 鸿富锦精密工业(深圳)有限公司 | 点云精简系统及方法 |
CN101887586A (zh) * | 2010-07-30 | 2010-11-17 | 上海交通大学 | 基于图像轮廓尖锐度的自适应角点检测方法 |
CN102317979A (zh) * | 2009-02-13 | 2012-01-11 | 哈里公司 | 基于场景内容可视化点云数据的方法 |
CN103530899A (zh) * | 2013-10-10 | 2014-01-22 | 浙江万里学院 | 基于几何特征性的点云简化方法 |
CN106846462A (zh) * | 2016-12-30 | 2017-06-13 | 北京农业信息技术研究中心 | 基于三维模拟的昆虫识别装置及方法 |
CN109544612A (zh) * | 2018-11-20 | 2019-03-29 | 西南石油大学 | 基于特征点几何表面描述的点云配准方法 |
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 |
CN110796694A (zh) * | 2019-10-13 | 2020-02-14 | 西北农林科技大学 | 一种基于KinectV2的果实三维点云实时获取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7995054B2 (en) * | 2005-11-21 | 2011-08-09 | Leica Geosystems Ag | Identification of edge regions from 3D point data |
CN103489218B (zh) * | 2013-09-17 | 2016-06-29 | 中国科学院深圳先进技术研究院 | 点云数据质量自动优化方法及系统 |
-
2020
- 2020-08-24 CN CN202010859916.8A patent/CN112150606B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101373540A (zh) * | 2007-08-20 | 2009-02-25 | 鸿富锦精密工业(深圳)有限公司 | 点云精简系统及方法 |
CN102317979A (zh) * | 2009-02-13 | 2012-01-11 | 哈里公司 | 基于场景内容可视化点云数据的方法 |
CN101887586A (zh) * | 2010-07-30 | 2010-11-17 | 上海交通大学 | 基于图像轮廓尖锐度的自适应角点检测方法 |
CN103530899A (zh) * | 2013-10-10 | 2014-01-22 | 浙江万里学院 | 基于几何特征性的点云简化方法 |
CN106846462A (zh) * | 2016-12-30 | 2017-06-13 | 北京农业信息技术研究中心 | 基于三维模拟的昆虫识别装置及方法 |
CN109544612A (zh) * | 2018-11-20 | 2019-03-29 | 西南石油大学 | 基于特征点几何表面描述的点云配准方法 |
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 |
CN110796694A (zh) * | 2019-10-13 | 2020-02-14 | 西北农林科技大学 | 一种基于KinectV2的果实三维点云实时获取方法 |
Non-Patent Citations (3)
Title |
---|
An application of digital point cloud to historic architecture in digital archives;Wun-Bin Yang 等;《Advances in Engineering Software》;20110615;第690-699页 * |
Cloud particle size measurements in Arctic clouds using lidar and radar data;Edwin W. Eloranta 等;《2007 IEEE》;20071231;第2265-2267页 * |
特征提取的点云自适应精简;刘迎 等;《光学精密工程》;20170131;第245-254页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112150606A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112150606B (zh) | 一种基于点云数据的螺纹表面三维重构方法 | |
CN108986048B (zh) | 基于线激光扫描三维点云快速复合滤波处理方法 | |
CN111986115A (zh) | 激光点云噪声和冗余数据的精准剔除方法 | |
CN109816664B (zh) | 一种三维点云分割方法及装置 | |
CN106504327A (zh) | 一种边坡点云曲面重建及变形信息提取方法 | |
Wang | Bilateral recovering of sharp edges on feature-insensitive sampled meshes | |
CN102881047B (zh) | 一种自动的非封闭隐式曲面重建方法 | |
CN110480075A (zh) | 基于点云数据的工件曲面轮廓补偿系统及方法及介质 | |
CN105005580B (zh) | 一种用于显示水库地形的方法及其装置 | |
CN111986308A (zh) | 基于点云法线与曲率变化双约束曲面误差显著点识别方法 | |
CN111724436A (zh) | 一种基于点云数据处理的隧道喷射方量估算方法 | |
CN117475110B (zh) | 叶片的语义三维重建方法、装置、电子设备及存储介质 | |
CN110047146B (zh) | 一种基于单幅回转体图像3d还原的误差修正方法 | |
CN113298838B (zh) | 一种物体轮廓线提取方法及系统 | |
CN114119902A (zh) | 一种基于无人机倾斜三维模型的建筑物提取方法 | |
CN117171375A (zh) | 地下洞室海量点云数据的双层快速索引方法及系统 | |
CN110675501A (zh) | DEM架构下的TIN向Grid模型的高效转换方法 | |
CN110751726A (zh) | 一种河道工程质量检测方法 | |
CN113112417A (zh) | 基于三维点云的喷涂工件建模方法 | |
CN110120058B (zh) | 一种高程散点生成紧致外边界的方法 | |
Buldo et al. | A SCAN-TO-BIM Workflow proposal for cultural heritage. Automatic point cloud segmentation and parametric-adaptive modelling of vaulted systems | |
Li et al. | Improved Filtering and Hole Filling Algorithm for the Point Cloud of Rotor Surface Based on PCL | |
CN106021177B (zh) | 一种基于扫描线的三维激光扫描数据精简方法 | |
CN117745739A (zh) | 一种基于多分辨率的工业ct图像点云获取方法 | |
CN108062794A (zh) | 一种建筑物模型的获取方法、装置、服务器及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |