CN113763280A - 用于点云去噪的基于空间层次拓扑关系的区域生长算法 - Google Patents

用于点云去噪的基于空间层次拓扑关系的区域生长算法 Download PDF

Info

Publication number
CN113763280A
CN113763280A CN202111080346.3A CN202111080346A CN113763280A CN 113763280 A CN113763280 A CN 113763280A CN 202111080346 A CN202111080346 A CN 202111080346A CN 113763280 A CN113763280 A CN 113763280A
Authority
CN
China
Prior art keywords
point
points
seed
neighborhood
point cloud
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
CN202111080346.3A
Other languages
English (en)
Other versions
CN113763280B (zh
Inventor
王艳军
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.)
Hunan University of Science and Technology
Original Assignee
Hunan University of Science and Technology
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 Hunan University of Science and Technology filed Critical Hunan University of Science and Technology
Priority to CN202111080346.3A priority Critical patent/CN113763280B/zh
Publication of CN113763280A publication Critical patent/CN113763280A/zh
Application granted granted Critical
Publication of CN113763280B publication Critical patent/CN113763280B/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
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20101—Interactive definition of point of interest, landmark or seed
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于点云去噪的基于空间层次拓扑关系的区域生长算法，包括以下步骤：将原始点云数据分割为规则三维格网，选取区域增长的初始种子点；以初始种子点为中心构建球形邻域，基于三维空间拓扑生成主要区域生长方向；在种子点球形邻域点集内搜寻各主要方向的候选种子点并以候选种子点集分别为球心进行球形邻域搜索；将各个主方向的球形邻域与中心种子点的球形邻域合并并将邻域内的点标记为内点，以主方向上候选种子点作为新的区域生长种子点继续迭代执行全部LiDAR点集。本发明可面向大范围密集点云去噪，剔除与主要地物无拓扑关系的悬浮异物噪声簇，简化LiDAR点云数据和提高点云特征因子提取的准确性，为后续LiDAR点云数据处理分析提供基础支撑。

Description

用于点云去噪的基于空间层次拓扑关系的区域生长算法
技术领域
本发明涉及一种激光雷达点云数据去噪方法，特别涉及一种用于点云去噪的基于空间层次拓扑关系的区域生长算法。
背景技术
三维激光雷达(LiDAR，Light Detection and Ranging)技术具有快速、实时获取周围环境信息的能力，已逐渐成为对地观测与目标分类识别的重要数据源之一。LiDAR是测量物体位置和形状并形成高质量3D点云图像的高精度传感器，近年来被广泛应用于自动驾驶、航天航空、海洋探测、三维建模、生成高精度地图、树木生物量估计等领域。LiDAR点云数据和其他遥感数据相同，在数据获取时由于外界环境因素，例如大气粒子、雨雪等不利天气条件，以及仪器扫描时激光漫反射引起的多径回波，导致得到的雷达点云数据存在噪声点，这些噪声点不属于当前数据所要展示出的地物环境体系，会影响三维实体模型重建以及目标地物分类。
为了不影响点云数据后续处理方法研究，需要对原始数据预处理剔除异常值，但如何快速有效地剔除复杂地形条件下散乱无序的噪声点是一大难题。近年来关于点云去噪的研究大致可以分为：以整体环境为目标剔除离散噪声点集；由于LiDAR扫描环境的特殊性，剔除特殊噪声类型为目标的方法；通过指定特征得到剔除噪声后的地面目标点等。传统点云噪声点剔除方法存在以下不足：(1)去除噪声簇和离散点两种类型噪声的效果不理想；(2)针对地表形态复杂的点云去噪，基于曲面特征方法造成的大量地物目标点等环境特征丢失；(3)依赖噪声点的指定特征如强度信息、激光雷达仪的远近等特征信息，方法不具有普适性，参数阈值设置困难等。
基于区域生长的方法是屋顶平面分割、地物分类等的一种流行选择。当前区域增长算法较少直接用于分割立体单元的点云数据，研究者往往考虑的是平面性并且以点与点或点与拟合平面的角度为判断依据。
发明内容
为了解决上述技术问题，本发明提供一种算法简单、准确度高的用于点云去噪的基于空间层次拓扑关系的区域生长算法。
本发明解决上述技术问题的技术方案是：一种用于点云去噪的基于空间层次拓扑关系的区域生长算法，以距离为连通条件去除孤立噪声，包括以下步骤：
(1)对原始机载LiDAR点云数据进行三维规则格网划分，并通过格网单元点密度分析搜索点密度最大单元以自适应地选取区域增长的初始种子点；
(2)以初始种子点为中心构建球形邻域，邻域内的点标记为内点，即非噪声点，基于三维空间拓扑关系生成14个主要区域生长方向；
(3)在种子点球形邻域点集内搜寻沿主要区域生长方向最远的最近距离点作为候选种子点，并构建候选种子点集；
(4)遍历候选种子点集中的每个点作为种子点，以该种子点构建球形邻域，邻域内的点标记为内点，并基于三维空间拓扑关系生成14个主要区域生长方向；
(5)重复迭代步骤(3)和(4)，直到所有候选种子点都进行了处理判断，LiDAR点云中所有标记为内点的即为非噪声点，其余为可去除的噪声点。
上述用于点云去噪的基于空间层次拓扑关系的区域生长算法，所述步骤(1)具体步骤为：
(1-1)将整个点云空间划分为规则的三维立方体格网，立方体的长、宽、高设置为20米，单元格网是根据点云空间坐标系中X、Y、Z轴上的最小坐标值计算的，假设三个坐标轴上的最小坐标值分别是Xmin、Ymin和Zmin，正方体的长、宽和高都为l；
(1-2)计算每个点所在单元的位置：
Figure BDA0003263748350000031
其中Li、Wi、Hi分别表示当前点位置在X、Y、Z三个坐标轴上的层次；
Figure BDA0003263748350000034
为向下取整运算；Xi、Yi、Zi分别表示当前点的X、Y、Z坐标值；l为正方体的边长；
(1-3)统计每个单元内点的数量并将单元按数量排序，搜索点数最多的单元D即为点密度最大的单元；
(1-4)计算单元D的中心点坐标CD并通过最近距离邻域法寻找与中心坐标最接近的一个点P0作为初始种子点。
上述用于点云去噪的基于空间层次拓扑关系的区域生长算法，所述步骤(2)的具体步骤为：
(2-1)设置半径阈值d；
(2-2)以种子点P0为中心应用半径为d的球形邻域搜索得到球形邻域
Figure BDA0003263748350000032
(2-3)将球形邻域
Figure BDA0003263748350000033
内的点标记为内点；
(2-4)以P0为坐标原点建立空间坐标系；
(2-5)定义种子生长主方向，以P0为原点，坐标轴各方向的方向向量为(0，0，d)、(0，0，-d)、(0，d，0)、(0，-d，0)、(d，0，0)以及(-d，0，0)，以空间坐标系的八个区间为对象，每个区间添加一条向量并规定向量与坐标轴间的夹角都为45°作为辅助坐标轴，原坐标轴加上辅助坐标轴构成种子点P0的14个区域生长的主方向，即除了之前的六个方向向量，增加了
Figure BDA0003263748350000041
Figure BDA0003263748350000042
Figure BDA0003263748350000043
以及
Figure BDA0003263748350000044
Figure BDA0003263748350000045
八个方向向量。
上述用于点云去噪的基于空间层次拓扑关系的区域生长算法，所述步骤(3)的具体步骤为：
(3-1)以球形邻域
Figure BDA0003263748350000046
为当前搜索范围，寻找以P0为中心沿14个主要方向向量上最远的14个点；
(3-2)针对主要方向向量上最远的14个点，在球形邻域
Figure BDA0003263748350000047
内应用最近距离邻域法搜索离这14个点最近的14个点作为候选种子点集。
上述用于点云去噪的基于空间层次拓扑关系的区域生长算法，所述步骤(4)的具体步骤为：
(4-1)遍历选择上述候选种子点集中的一个点Pj，j＝1,2,…,14，以点Pj为中心，以设置的距离阈值d为半径，构建球形邻域
Figure BDA0003263748350000048
(4-2)球形邻域
Figure BDA0003263748350000049
内的点标记为内点；
(4-3)以点Pj为原点，重复步骤(2-5)创建基于三维空间拓扑关系的14个主要区域生长方向；
(4-4)将点Pj标记为已生长过的种子点，从候选种子点集中删除并不再作为候选种子点。
上述用于点云去噪的基于空间层次拓扑关系的区域生长算法，所述步骤(5)的具体步骤为：
(5-1)以球形邻域
Figure BDA0003263748350000051
为当前搜索范围，重复步骤(3)搜索14个主要生长方向的候选种子点集；
(5-2)以上述(5-1)中得到的候选种子点集为新的种子点集，重复步骤(4)，直到所有候选种子点都进行了处理判断；
当整个LiDAR点云数据执行完后，所有标记为内点的即为非噪声点，其余为可去除的噪声点。
本发明的有益效果在于：本发明提出三维点之间存在连通性特征的假设，利用距离阈值为连通的依据划分信号区域和噪声区域，以不同邻域范围构建不同层次的空间拓扑关系，再利用种子生长算法将信号点都标记，提出的方法可面向大范围密集点云去噪，剔除与主要地物无拓扑关系的悬浮异物噪声簇，进而简化LiDAR点云数据和提高点云特征因子提取的准确性，为后续LiDAR点云数据处理分析提供基础支撑。
附图说明
图1为本发明的流程图。
图2为本发明的示例图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1所示，一种用于点云去噪的基于空间层次拓扑关系的区域生长算法，具体步骤包括：
(1)对原始机载LiDAR点云数据进行三维规则格网划分，并通过格网单元点密度分析搜索点密度最大单元以自适应地选取区域增长的初始种子点。
步骤具体为：
(1-1)将整个点云空间划分为规则的三维立方体格网，立方体的长、宽、高设置为20米，单元格网是根据点云空间坐标系中X、Y、Z轴上的最小坐标值计算的，假设三个坐标轴上的最小坐标值分别是Xmin、Ymin和Zmin，正方体的长、宽和高都为l；
(1-2)计算每个点所在单元的位置：
Figure BDA0003263748350000061
其中Li、Wi、Hi分别表示当前点位置在X、Y、Z三个坐标轴上的层次；
Figure BDA0003263748350000064
为向下取整运算；Xi、Yi、Zi分别表示当前点的X、Y、Z坐标值；l为正方体的边长；
(1-3)统计每个单元内点的数量并将单元按数量排序，搜索点数最多的单元D即为点密度最大的单元；
(1-4)计算单元D的中心点坐标CD并通过最近距离邻域法寻找与中心坐标最接近的一个点P0作为初始种子点。
(2)以初始种子点为中心构建球形邻域，邻域内的点标记为内点(即非噪声点)，基于三维空间拓扑关系生成14个主要区域生长方向，如图2所示。
步骤具体为：
(2-1)设置半径阈值d；
(2-2)以种子点P0为中心应用半径为d的球形邻域搜索得到球形邻域
Figure BDA0003263748350000062
(2-3)将球形邻域
Figure BDA0003263748350000063
内的点标记为内点；
(2-4)以P0为坐标原点建立空间坐标系；
(2-5)定义种子生长主方向，以P0为原点，坐标轴各方向的方向向量为(0，0，d)、(0，0，-d)、(0，d，0)、(0，-d，0)、(d，0，0)以及(-d，0，0)，以空间坐标系的八个区间为对象，每个区间添加一条向量并规定向量与坐标轴间的夹角都为45°作为辅助坐标轴，原坐标轴加上辅助坐标轴构成种子点P0的14个区域生长的主方向，即除了之前的六个方向向量，增加了
Figure BDA0003263748350000071
Figure BDA0003263748350000072
Figure BDA0003263748350000073
以及
Figure BDA0003263748350000074
Figure BDA0003263748350000075
八个方向向量。
(3)在种子点球形邻域点集内搜寻沿主要区域生长方向最远的最近距离点作为候选种子点，并构建候选种子点集。
步骤具体为：
(3-1)以球形邻域
Figure BDA0003263748350000076
为当前搜索范围，寻找以P0为中心沿14个主要方向向量上最远的14个点；
(3-2)针对主要方向向量上最远的14个点，在球形邻域
Figure BDA0003263748350000077
内应用最近距离邻域法搜索离这14个点最近的14个点作为候选种子点集。
(4)遍历候选种子点集中的每个点作为种子点，以该种子点构建球形邻域，邻域内的点标记为内点(即非噪声点)，并基于三维空间拓扑关系生成14个主要区域生长方向。
步骤具体为：
(4-1)遍历选择上述候选种子点集中的一个点Pj，j＝1,2,…,14，以点Pj为中心，以设置的距离阈值d为半径，构建球形邻域
Figure BDA0003263748350000078
(4-2)球形邻域
Figure BDA0003263748350000081
内的点标记为内点(即非噪声点)；
(4-3)以点Pj为原点，重复步骤(2-5)创建基于三维空间拓扑关系的14个主要区域生长方向；
(4-4)将点Pj标记为已生长过的种子点，从候选种子点集中删除并不再作为候选种子点。
(5)重复迭代步骤(3)和(4)，直到所有候选种子点都进行了处理判断，LiDAR点云中所有标记为内点的即为非噪声点，其余为可去除的噪声点。
步骤具体为：
(5-1)以球形邻域
Figure BDA0003263748350000082
为当前搜索范围，重复步骤(3)搜索14个主要生长方向的候选种子点集；
(5-2)以上述(5-1)中得到的候选种子点集为新的种子点集，重复步骤(4)，直到所有候选种子点都进行了处理判断。
当整个LiDAR点云数据执行完后，所有标记为内点的即为非噪声点，其余为可去除的噪声点。

Claims (6)

1.一种用于点云去噪的基于空间层次拓扑关系的区域生长算法，其特征在于，以距离为连通条件去除孤立噪声，包括以下步骤：
(1)对原始机载LiDAR点云数据进行三维规则格网划分，并通过格网单元点密度分析搜索点密度最大单元以自适应地选取区域增长的初始种子点；
(2)以初始种子点为中心构建球形邻域，邻域内的点标记为内点，即非噪声点，基于三维空间拓扑关系生成14个主要区域生长方向；
(3)在种子点球形邻域点集内搜寻沿主要区域生长方向最远的最近距离点作为候选种子点，并构建候选种子点集；
(4)遍历候选种子点集中的每个点作为种子点，以该种子点构建球形邻域，邻域内的点标记为内点，并基于三维空间拓扑关系生成14个主要区域生长方向；
(5)重复迭代步骤(3)和(4)，直到所有候选种子点都进行了处理判断，LiDAR点云中所有标记为内点的即为非噪声点，其余为可去除的噪声点。
2.根据权利要求1所述的用于点云去噪的基于空间层次拓扑关系的区域生长算法，其特征在于，所述步骤(1)具体步骤为：
(1-1)将整个点云空间划分为规则的三维立方体格网，立方体的长、宽、高设置为20米，单元格网是根据点云空间坐标系中X、Y、Z轴上的最小坐标值计算的，假设三个坐标轴上的最小坐标值分别是Xmin、Ymin和Zmin，正方体的长、宽和高都为l；
(1-2)计算每个点所在单元的位置：
Figure FDA0003263748340000021
其中Li、Wi、Hi分别表示当前点位置在X、Y、Z三个坐标轴上的层次；
Figure FDA0003263748340000026
为向下取整运算；Xi、Yi、Zi分别表示当前点的X、Y、Z坐标值；l为正方体的边长；
(1-3)统计每个单元内点的数量并将单元按数量排序，搜索点数最多的单元D即为点密度最大的单元；
(1-4)计算单元D的中心点坐标CD并通过最近距离邻域法寻找与中心坐标最接近的一个点P0作为初始种子点。
3.根据权利要求2所述的用于点云去噪的基于空间层次拓扑关系的区域生长算法，其特征在于，所述步骤(2)的具体步骤为：
(2-1)设置半径阈值d；
(2-2)以种子点P0为中心应用半径为d的球形邻域搜索得到球形邻域
Figure FDA0003263748340000027
(2-3)将球形邻域
Figure FDA0003263748340000028
内的点标记为内点；
(2-4)以P0为坐标原点建立空间坐标系；
(2-5)定义种子生长主方向，以P0为原点，坐标轴各方向的方向向量为(0，0，d)、(0，0，-d)、(0，d，0)、(0，-d，0)、(d，0，0)以及(-d，0，0)，以空间坐标系的八个区间为对象，每个区间添加一条向量并规定向量与坐标轴间的夹角都为45°作为辅助坐标轴，原坐标轴加上辅助坐标轴构成种子点P0的14个区域生长的主方向，即除了之前的六个方向向量，增加了
Figure FDA0003263748340000022
Figure FDA0003263748340000023
Figure FDA0003263748340000024
以及
Figure FDA0003263748340000025
Figure FDA0003263748340000031
八个方向向量。
4.根据权利要求3所述的用于点云去噪的基于空间层次拓扑关系的区域生长算法，其特征在于，所述步骤(3)的具体步骤为：
(3-1)以球形邻域
Figure FDA0003263748340000032
为当前搜索范围，寻找以F0为中心沿14个主要方向向量上最远的14个点；
(3-2)针对主要方向向量上最远的14个点，在球形邻域
Figure FDA0003263748340000033
内应用最近距离邻域法搜索离这14个点最近的14个点作为候选种子点集。
5.根据权利要求4所述的用于点云去噪的基于空间层次拓扑关系的区域生长算法，其特征在于，所述步骤(4)的具体步骤为：
(4-1)遍历选择上述候选种子点集中的一个点Pj，j＝1，2，...，14，以点Pj为中心，以设置的距离阈值d为半径，构建球形邻域
Figure FDA0003263748340000034
(4-2)球形邻域
Figure FDA0003263748340000035
内的点标记为内点；
(4-3)以点Pj为原点，重复步骤(2-5)创建基于三维空间拓扑关系的14个主要区域生长方向；
(4-4)将点Pj标记为已生长过的种子点，从候选种子点集中删除并不再作为候选种子点。
6.根据权利要求5所述的用于点云去噪的基于空间层次拓扑关系的区域生长算法，其特征在于，所述步骤(5)的具体步骤为：
(5-1)以球形邻域
Figure FDA0003263748340000036
为当前搜索范围，重复步骤(3)搜索14个主要生长方向的候选种子点集；
(5-2)以上述(5-1)中得到的候选种子点集为新的种子点集，重复步骤(4)，直到所有候选种子点都进行了处理判断；
当整个LiDAR点云数据执行完后，所有标记为内点的即为非噪声点，其余为可去除的噪声点。
CN202111080346.3A 2021-09-15 2021-09-15 用于点云去噪的基于空间层次拓扑关系的区域生长方法 Active CN113763280B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111080346.3A CN113763280B (zh) 2021-09-15 2021-09-15 用于点云去噪的基于空间层次拓扑关系的区域生长方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111080346.3A CN113763280B (zh) 2021-09-15 2021-09-15 用于点云去噪的基于空间层次拓扑关系的区域生长方法

Publications (2)

Publication Number Publication Date
CN113763280A true CN113763280A (zh) 2021-12-07
CN113763280B CN113763280B (zh) 2023-11-21

Family

ID=78795730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111080346.3A Active CN113763280B (zh) 2021-09-15 2021-09-15 用于点云去噪的基于空间层次拓扑关系的区域生长方法

Country Status (1)

Country Link
CN (1) CN113763280B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117132478A (zh) * 2023-04-25 2023-11-28 兰州交通大学 一种基于法向量二范数特征参数的轨道点云去噪方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090048782A1 (en) * 2007-08-17 2009-02-19 Hong Fu Jin Precision Industry (Shenzhen) Co., Ltd. System and method for filtering a point cloud
CN102034103A (zh) * 2010-12-03 2011-04-27 中国科学院软件研究所 一种遥感影像的线性要素提取方法
CN107292904A (zh) * 2016-03-31 2017-10-24 北京市商汤科技开发有限公司 一种基于深度图像的手掌跟踪方法和系统
CN108171703A (zh) * 2018-01-18 2018-06-15 东北大学 一种从胸部ct图像中自动提取气管树的方法
CN109360219A (zh) * 2018-10-23 2019-02-19 东北大学 一种增强现实辅助手术方法及系统
CN112651889A (zh) * 2020-12-17 2021-04-13 广东南方数码科技股份有限公司 一种适用于slam点云去噪的融合滤波方法、电子设备、存储介质
CN112784403A (zh) * 2020-12-31 2021-05-11 东北大学 基于点云数据建立节理岩体离散元模型的数值模拟方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090048782A1 (en) * 2007-08-17 2009-02-19 Hong Fu Jin Precision Industry (Shenzhen) Co., Ltd. System and method for filtering a point cloud
CN102034103A (zh) * 2010-12-03 2011-04-27 中国科学院软件研究所 一种遥感影像的线性要素提取方法
CN107292904A (zh) * 2016-03-31 2017-10-24 北京市商汤科技开发有限公司 一种基于深度图像的手掌跟踪方法和系统
CN108171703A (zh) * 2018-01-18 2018-06-15 东北大学 一种从胸部ct图像中自动提取气管树的方法
CN109360219A (zh) * 2018-10-23 2019-02-19 东北大学 一种增强现实辅助手术方法及系统
CN112651889A (zh) * 2020-12-17 2021-04-13 广东南方数码科技股份有限公司 一种适用于slam点云去噪的融合滤波方法、电子设备、存储介质
CN112784403A (zh) * 2020-12-31 2021-05-11 东北大学 基于点云数据建立节理岩体离散元模型的数值模拟方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
庞正雅 等: "改进的点云数据三维重建算法", 《激光与光电子学进展》, vol. 57, no. 2, pages 1 - 7 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117132478A (zh) * 2023-04-25 2023-11-28 兰州交通大学 一种基于法向量二范数特征参数的轨道点云去噪方法
CN117132478B (zh) * 2023-04-25 2024-05-17 兰州交通大学 一种基于法向量二范数特征参数的轨道点云去噪方法

Also Published As

Publication number Publication date
CN113763280B (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
CN106529469B (zh) 基于自适应坡度的无人机载LiDAR点云滤波方法
CN110490888B (zh) 基于机载激光点云的高速公路几何特征矢量化提取方法
CN111986115A (zh) 激光点云噪声和冗余数据的精准剔除方法
CN106157309B (zh) 一种基于虚拟种子点的机载LiDAR地面点云滤波方法
CN111340723B (zh) 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法
CN110838115B (zh) 运用轮廓线提取和四维曲面拟合的古文物三维模型变化检测方法
CN111696210A (zh) 一种基于三维点云数据特征轻量化的点云重构方法及系统
CN105574929A (zh) 一种基于地面LiDAR点云数据的单株植被三维建模方法
CN103729872B (zh) 一种基于分段重采样和表面三角化的点云增强方法
CN112784403B (zh) 基于点云数据建立节理岩体离散元模型的数值模拟方法
CN111724433A (zh) 一种基于多目视觉的作物表型参数提取方法及系统
CN109615581B (zh) 一种融合扩展高斯球和颜色几何特征的三维碎片的拼接复原方法
CN112070769A (zh) 一种基于dbscan的分层点云分割方法
CN110008207B (zh) 基于密度直方图的机载LiDAR点云数据漏洞快速检测方法
Li et al. An automatic tree skeleton extracting method based on point cloud of terrestrial laser scanner
CN114119863A (zh) 一种基于车载激光雷达数据自动提取行道树目标及其林木属性的方法
CN114821571A (zh) 一种用于电力线缆识别和重建的点云处理方法
CN115063555A (zh) 高斯分布区域生长的车载LiDAR点云行道树提取方法
CN113177897A (zh) 一种无序3d点云的快速无损滤波方法
CN115049925A (zh) 田块田坎提取方法、电子设备及存储介质
CN113763280B (zh) 用于点云去噪的基于空间层次拓扑关系的区域生长方法
CN114862715A (zh) 一种融合地形特征语义信息的tin渐进加密去噪方法
CN107993242B (zh) 基于机载LiDAR点云数据缺失区域边界提取方法
CN114170149A (zh) 一种基于激光点云的道路几何信息提取方法
CN113409332A (zh) 一种基于三维点云的建筑物平面分割方法

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