CN114429537A - 石窟点云中提取佛龛的方法 - Google Patents

石窟点云中提取佛龛的方法 Download PDF

Info

Publication number
CN114429537A
CN114429537A CN202210109005.2A CN202210109005A CN114429537A CN 114429537 A CN114429537 A CN 114429537A CN 202210109005 A CN202210109005 A CN 202210109005A CN 114429537 A CN114429537 A CN 114429537A
Authority
CN
China
Prior art keywords
point cloud
buddha
niche
cloud data
point
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
CN202210109005.2A
Other languages
English (en)
Inventor
侯妙乐
苗一鸣
胡平波
王飞
付强
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.)
Beijing University of Civil Engineering and Architecture
Original Assignee
Beijing University of Civil Engineering and Architecture
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 Beijing University of Civil Engineering and Architecture filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN202210109005.2A priority Critical patent/CN114429537A/zh
Publication of CN114429537A publication Critical patent/CN114429537A/zh
Pending legal-status Critical Current

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
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205—Re-meshing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种石窟点云中提取佛龛的方法，包括：步骤一、扫描获取石窟点云数据，构建点云特征集；步骤二、随机选点制作训练样本和测试样本，选择随机森林作为分类器，训练随机森林分类模型，并将点云粗分类为单尊佛佛龛类点云数据、双尊佛佛龛类点云数据、墙壁类点云数据；步骤三、通过连通性约束滤波优化，精分类得到单尊佛佛龛类点云数据、双尊佛佛龛类点云数据、墙壁类点云数据；步骤四、通过条件欧式聚类‑K均值聚类，提取每一个单独的单尊佛佛龛对象；步骤五、若存在多个不相邻的双尊佛佛龛，提取精分类得到的双尊佛佛龛类点云数据，通过条件欧式聚类，提取每一个单独的双尊佛佛龛对象。本发明的方法自动化程度高，从石窟中识别保存各造像的三维信息，对于石窟的数字化存储、现状评估以及虚拟修复具有重要意义。

Description

石窟点云中提取佛龛的方法
技术领域
本发明涉及三维激光扫描技术领域。更具体地说，本发明涉及一种石窟点云中提取佛龛的方法。
背景技术
石窟是重要的文化遗产，是历史文化的重要载体，具有重要的历史、艺术、科学和情感价值。然而，石窟作为不可移动文物，在经历千百年岁月，更容易搜到自然侵蚀和人为损坏。佛龛是石窟中的最小造像单元，也是石窟中数量最多的造像类型，石窟艺术中极其重要组成部分，然而由于自然或人为原因，佛龛面临着严重的病害，如果不及时采取防护措施，佛龛数量会愈来愈少。如何应用新技术，在不损伤文物的前提下更好的保护石窟文物、保护佛龛造像，业已成为文化遗产保护的重要课题。
相比于史料、图片以及单点式坐标，三维激光具有非接触、精度高、全天候等特性，可以快速无损的留取石窟对象的高保真三维信息，已经在石窟等大型文化遗产保护中得到了广泛的应用，尤其是在数字化存档等预防性保护工作之中。
佛龛往往数量众多、形态相似、错落分布在石窟整体，具有较高的艺术价值。也正因如此，在完成对石窟数字化存档之后，想要手工提取出所有佛龛，将耗时费力。同时，佛龛经历千年的风吹雨打，往往会产生严重的风化剥落病害，佛龛与墙壁、佛龛与佛龛之间的边缘较为模糊，很难精确地从整体点云中提取出来。想要从整体点云数据中提取出佛龛数据，必须要解决以下问题：首先，佛龛与墙壁之间的边缘模糊、难以界定；其次，佛龛与墙壁都产生风化剥落，在分类时精度较低；佛龛由佛像与龛壁组成，龛壁与墙壁相似，容易错分。所以高效率高精度从石窟中提取出佛龛对象，能够为石窟类文物的预防性保护提供数据支撑，为文化遗产的传承与活化提供技术保障，为相关领域研究提供新的思路与方法。
发明内容
本发明的目的是解决至少上述问题，提供一种石窟点云中提取佛龛的方法，包括：
步骤一、扫描获取石窟点云数据并进行数据优化处理，构建点云特征集；
步骤二、随机选择点云数据制作训练样本和测试样本，选择随机森林作为分类器，训练随机森林分类模型，并将点云粗分类为单尊佛佛龛类点云数据、双尊佛佛龛类点云数据、墙壁类点云数据；
步骤三、通过连通性约束滤波优化区分单尊佛佛龛龛壁、双尊佛佛龛龛壁与墙壁，精分类得到单尊佛佛龛类点云数据、双尊佛佛龛类点云数据、墙壁类点云数据；
步骤四、提取精分类得到的单尊佛佛龛类点云数据，先通过条件欧式聚类得到多个由相连单尊佛佛龛组成的点云数据，然后以单个单尊佛佛龛内包含点云的数量作为基数进行K均值聚类，提取每一个单独的单尊佛佛龛对象；
步骤五、若存在多个不相邻的双尊佛佛龛，提取精分类得到的双尊佛佛龛类点云数据，通过条件欧式聚类，提取每一个单独的双尊佛佛龛对象。
优选的是，步骤一中的数据优化处理包括点云数据配准、去噪和去重。
优选的是，步骤一中的构建点云特征集包括：
S1、构建初始点云特征集：
使用PCA算法将点云的球形邻域近邻点拟合成平面，在该平面上计算样本方差与样本协方差，以此为基础构建协方差矩阵，计算特征值和特征向量，将特征值归一化，计算几何特征；
S2、筛选优化点云特征集：
对随机森林中的特征重要性进行排序，选择重要性最低的特征并拟定删除，如果测试精度提升则确定删除该特征，反之则标记该特征为正相关特征；
重复多次后剩下的若干个特征为最重要特征，将最重要特征和正相关特征组成最终的特征集。
优选的是，步骤一中的点云特征集包括X坐标、Y坐标、Z坐标、高斯曲率、垂直度、各向异性和局部曲率变化。
优选的是，步骤二中的训练随机森林分类模型包括：将训练样本和测试样本输入到随机森林中，通过网格调参的方式进行参数调节，确定随机森林的最佳参数。
优选的是，步骤三中的连通性约束滤波包括：
设置两个空的集合，其中一个集合随机添加一个点云作初始点，设定邻域半径向外搜索查找同类的单尊佛佛龛类点或双尊佛佛龛类点或墙壁类点，邻域半径大于两相邻点云之间的距离，如果是同类点则加入初始点所在的同一个集合，集合内的点继续向外搜索，直到搜索不到同类点，反之则加入另一个集合，该集合中的点均为外围的非同类点；
当初始点所在的集合的点云数量达到阈值，则确定该集合为单尊佛佛佛龛类点云数据集合或双尊佛佛龛类点云数据集合或墙壁类点云数据集合，反之则为粗分类错分，将错分点并入另一个集合并更正点的类型。
优选的是，步骤四中包括：
添加一个步骤三得到的单尊佛佛龛类点云数据作初始点，设定欧氏距离向外搜索进行条件欧式聚类，欧氏距离小于两相邻佛龛之间的距离，如果邻域内点云数量达到阈值，则聚类为一类，即由相连单尊佛佛龛组成的点云数据，继续向外搜索，反之则排除，视为边界点，不再向外搜索，最终得到多个由相连单尊佛佛龛组成的点云数据；
针对每个由相连单尊佛佛龛组成的点云数据，以单个单尊佛佛龛内包含点云的数量作为基数，估算K均值聚类中的K值，聚类提取得到每一个单独的单尊佛佛龛对象。
石窟点云中提取佛龛装置，包括：
数据获取和处理模块，其接收扫描获取的石窟点云数据并进行数据优化处理；
点云特征集构建模块，其通过计算点云几何特征构建特征集；
石窟点云分类模块，其随机选择点云数据制作训练样本和测试样本，选择随机森林作为分类器，训练随机森林分类模型，并将点云粗分类为单尊佛佛龛类点云数据、双尊佛佛龛类点云数据、墙壁类点云数据，通过连通性约束滤波优化区分单尊佛佛龛龛壁、双尊佛佛龛龛壁与墙壁，精分类得到单尊佛佛龛类点云数据、双尊佛佛龛类点云数据、墙壁类点云数据；
佛龛点云提取模块，其提取精分类得到的单尊佛佛龛类点云数据，先通过条件欧式聚类得到多个由相连单尊佛佛龛组成的点云数据，然后以单个单尊佛佛龛内包含点云的数量作为基数进行K均值聚类，提取每一个单独的单尊佛佛龛对象，若存在多个不相邻的双尊佛佛龛，提取精分类得到的双尊佛佛龛类点云数据，通条件过欧式聚类，提取每一个单独的双尊佛佛龛对象。
电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述的方法。
存储介质，其上存储有计算机程序，该程序被处理器执行时，实现所述的方法。
本发明至少包括以下有益效果：
第一、本发明的方法自动化程度高，从石窟中识别保存各造像的三维信息，对于石窟的数字化存储、现状评估以及虚拟修复具有重要意义；
第二、本发明通过计算点云几何特征构建特征集，选择随机森林作为分类器，训练随机森林模型，与使用全部点云特征进行实验对比，在完成参数调节之后，与使用点云特征实验精度为85.43％，分类精度提升至88.89％，相比之下提升了3.46％。完成连通性约束滤波之后，分类精度提升至94.15％,相比之下提升了5.26％；
第三、本发明通过连通性约束滤波进行优化，减少误分错分，解决了在训中的过拟合问题和由于佛龛内外墙壁分类相似所导致的标记碎片化、不连续的问题，保证了佛龛的完整性，提升了分类精度；
第四、本发明通过条件欧式-K均值聚类方法，提取出佛龛对象，解决了单尊佛佛龛之间存在相连的情况。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的整体点云数据的示意图；
图2为本发明选择随机森林作为分类器的特征选择前后的精度对比图；
图3为本发明连通性约束滤波的流程示意图；
图4为本发明连通性约束滤波的结果示意图；
图5为本发明条件欧式-K均值聚类的流程示意图；
图6为本发明条件欧式-K均值聚类的结果示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“设置”应做广义理解，例如，可以是固定相连、设置，也可以是可拆卸连接、设置，或一体地连接、设置。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。术语“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明提供一种石窟点云中提取佛龛的方法，研究中选取云冈石窟第十八窟西南壁佛龛作为研究对象，制作数据集，共有391700个点，共有小型佛龛(单尊佛佛龛)125个，大型佛龛(双尊佛佛龛)1个，方法包括：
步骤一、扫描获取石窟点云数据并进行数据优化处理，扫描的整体点云数据如图1所示，构建点云特征集；
在对石窟进行扫描前，要对扫描目标和周围环境进行实地踏勘，了解石窟的实际状况，并制定扫描方案。因为要对一个目标物进行扫描，就要从多角度多视点进行扫描，这样才可以完整获取目标物的三维空间信息，这就牵扯到如何确定扫描器的摆放站点，需要根据现场环境进行实地踏勘，不能有遮挡等。
在确定测站时，首先依据扫描仪的精度确定扫描的最佳距离，保证相邻点之间存在百分之三十的重叠度，即不会遗漏或重叠度过高。选完测站点之后，通过一致控制点进行坐标传递，测出控制网内所有测站点的坐标。考虑到石窟中结构复杂，存在大量的遮挡和扫描死角，所以可以使用不同类型扫描仪对石窟进行多站交叉扫描。为了保证点云配准的精度，每次扫描应注意标靶球的位置与数量，保证相邻的扫描站点之间有三个以上的同名标靶。
数据优化处理包括点云数据配准、去噪和去重：
点云配准：首先利用三个以上的同名标靶，对点云A和点云B进行配准得到初始旋转矩阵R和平移矩阵T。然后利用初始值搜索两个点云之间的对于点，按照对应点距离最小原则，得到更新的变换矩阵R和T。最后重复上诉步骤，直到点云A和B的距离小于阈值，完成点云的配准。
Figure BDA0003494439720000051
点云去噪：点云去噪是指在点云中把不属于扫描目标的冗余数据和噪声进行剔除。经过拼接后的石窟点云数据不可避免存在噪声点，影响数据质量。在石窟扫描点云中主要存在的噪声为非目标点、孤立点等。可以通过距离阈值滤波或手动帅选的方式进行去噪处理。
点云去重：由于扫描数据由拼接而成，同一区域会出现重复问题，数据也难以做到均匀分布。所以在点云数据去噪之后，还需要对点云进行重采样。本研究使用了体素下采样的算法以达到降低数据量、优化点云分布的问题。
步骤二、随机选择点云数据制作训练样本和测试样本，选择随机森林作为分类器，训练随机森林分类模型，并将点云粗分类为单尊佛佛龛类点云数据、双尊佛佛龛类点云数据、墙壁类点云数据；
S1、构建初始点云特征集：
使用PCA算法将点云的球形邻域近邻点拟合成平面，在该平面上计算样本方差与样本协方差，以此为基础构建协方差矩阵，计算特征值和特征向量，将特征值归一化，计算几何特征；
S2、筛选优化点云特征集：
对随机森林中的特征重要性进行排序，选择重要性最低的特征并拟定删除，如果测试精度提升则确定删除该特征，反之则标记该特征为正相关特征；
重复多次后剩下的若干个特征为最重要特征，将最重要特征和正相关特征组成最终的特征集。
考虑到石窟的建造时间、建造工艺、地理位置的差异性，不同石窟中佛龛的形制、大小、排列均有各自的特点，石窟病害同样各不相同，单一训练模型无法通用。为了满足石窟数字化保护的时间成本需求，传统的机器学习分类器成为了首要选择。传统的机器学习方法依赖于人工设计特征进行学习训练，所以优秀的特征集是随机森林获取高精度结果的保证。点云常见的特征集主要包括坐标、粗糙度、曲率、密度法向量以及几何特征，常见的几何特征包括线性(Linearity)、平面性(Planarity)、散度(Scattering)、全方差(Ominvariance)、特征熵(Eigenentropy)、局部曲率变化(Local curvature)、各向异性(Anisotropy)、垂直度(Verticality)等几项。
首先对点云进行邻域选择，邻域范围规定了每个点的邻域大小以及进行特征提取的空间，对于分类精度至关重要。点云中常用的邻域结构由三种：(1)最近邻邻域、(2)圆柱邻域、(3)球形邻域。由于点云均匀分布，所以最近邻邻域并不合适，而圆柱邻域会影响到石窟佛龛在石壁上向内开凿这一特点，使用球形邻域最为合适。
邻域半径r由佛龛的龛壁和点云之间的距离共同决定，要求r邻域内点云数量大于6(小于6则无法计算几何特征)且不超过佛龛龛壁长度(大于龛壁长度则结果难以体现佛龛特点)为最佳。
点云特征包括坐标、密度、曲率、几何形态等。使用PCA算法将点的局部近邻点拟合成平面，在该平面上计算样本方差与样本协方差，以此为基础构建协方差矩阵，通过奇异值(SVD)分解求得特征值λi，i∈{1,2,3}，λ1<λ2<λ3，和特征向量ei，i∈{1,2,3}，将特征值进行归一化到ηi，
平面性：
Figure BDA0003494439720000071
线性：
Figure BDA0003494439720000072
散度：
Figure BDA0003494439720000073
各向异性：
Figure BDA0003494439720000074
全方差：
Figure BDA0003494439720000075
特征熵：
Figure BDA0003494439720000076
局部曲率变化：
Figure BDA0003494439720000077
垂直度：Vη＝1-|<[0 0 1],e3>|。
在计算完特征之后，从点云中随机选取部分点，制作训练集与测试集。根据本研究中所用数据的特点，将数据分为双尊佛佛龛、单尊佛佛龛、墙壁等三类。
在完成上述步骤之后进行特征选择，筛选出对分类结果影响较大的特征。
通过递归特征消除算法(RFE)进行特征选择的原理如下：
首先对随机森林中的特征重要性进行排序，
然后删除重要性最低的特征，判断测试精度是否提升，
如果提升则删除该特征，下降则标记为正相关特征。
然后继续删除重要性最低的特征并进行判断，直至留下最后三个最重要特征。
最后特征集由三个最重要特征及正相关特征组成。
本发明的特征包括：点云特征集包括X坐标、Y坐标、Z坐标、高斯曲率、垂直度、各向异性和局部曲率变化。
随机森林由多颗决策树组成分类器，通过有放回的抽样构造子数据集，利用子数据集来构建子决策树，将所有子决策树通过数据集输出判断结果进行整理，次数最多的结果就是随机森林输出的结果。在当前的机器学习算法中，随机森林具有独特的优势。首先，随机森林能够处理大型数据集，高效处理具有多维特征的样本；其次，随机森林具有较强的鲁棒性，能够获取到内部生成误差的无偏估计，在面对大量缺失数据时仍能够保持准确性；同时，随机森林还具有处理不平衡分类数据集、评估变量重要性等优点。
如图2所示，将制作好的训练样本(40000个点)和测试样本(6000个点)输入到随机森林之中，然后通过网格调参的方式进行参数调节，确定随机森林在本研究样本中的最佳参数。在完成学习训练之后，对整体数据进行分类，获取最终的分类结果。
步骤三、通过连通性约束滤波优化区分单尊佛佛龛龛壁、双尊佛佛龛龛壁与墙壁，精分类得到佛龛类点云数据、墙壁类点云数据；
由于佛龛内部主要由佛像以及龛壁组成，龛壁与墙壁特征相似，容易出现错分的现象，是误差的主要来源之一。
通过观察石窟中佛龛与墙壁点云的分布特征，发现墙壁点云相连，佛龛点云被包围在之中，所以在完成随机森林分类之后，可以根据该语义信息进行优化。
本研究中，提出了一种带有连通性约束的滤波方法，依据上下文信息对错误分类进行优化。
如图3所示，设置两个空的集合，其中一个集合随机添加一个点云作初始点，设定邻域半径向外搜索查找同类的单尊佛佛龛类点或双尊佛佛龛类点或墙壁类点，邻域半径大于两相邻点云之间的距离，如果是同类点则加入初始点所在的同一个集合，集合内的点继续向外搜索，直到搜索不到同类点，反之则加入另一个集合，该集合中的点均为外围的非同类点；
当初始点所在的集合的点云数量达到阈值，则确定该集合为单尊佛佛龛类点云数据集合或双尊佛佛龛类点云数据集合或墙壁类点云数据集合，反之则为粗分类错分，将错分点并如另一个集合并更正点的类型。
随机选择一点作为起始点。
首先设置距离R作为邻域半径，(距离R设置为大于相邻两点之间的距离，但不宜过大，本研究中设置为0.02)将邻域内同类点构成集合，集合内的点继续向外搜索直至相邻的同类点均在该集合之中。
设置阈值N，(由于佛龛内错分点都是零星的、碎片化的，所以阈值N应小于一个佛龛对象点数量的1/4为最佳，本实验中设置为300)如果集合中点的数量小于阈值，则判断该区域中点为错分点，将错分点按照周围点重新分类(即将佛龛内部错分为墙壁类的点，重新分类佛龛类)。
考虑到本研究中一共将点云分为三类，即单尊佛佛龛、双尊佛佛龛、墙壁，所以设置了两个集合，用第一个集合添加搜索到的同类点，第二个集合用于添加外围的非同类点，若第一集合中点数量小于阈值，判定为错分之后，则可以通过第二个集合中外围的非同类点判断其在哪个类别中，如佛龛内部点错分为墙壁类别之后，周围一圈均应该是佛龛点，据此可以将其分类至正确类别。该方法可引申至其他相似的多分类情况之中。
如图4所示，上述方法解决了在训中的过拟合问题和由于佛龛内外墙壁分类相似所导致的标记碎片化、不连续的问题，保证了佛龛的完整性，提升了分类精度。
实现方式举例如下：
Figure BDA0003494439720000091
Figure BDA0003494439720000101
步骤四、提取精分类得到的单尊佛佛龛类点云数据，先通过条件欧式聚类得到多个由相连单尊佛佛龛组成的点云数据，然后以单个单尊佛佛龛内包含点云的数量作为基数进行K均值聚类，提取每一个单独的单尊佛佛龛对象。
完成随机森林分类与连通性约束滤波优化之后，从单尊佛佛龛类点云中提取初始单尊佛佛龛对象。由于风化剥落、分类精度等原因，单尊佛佛龛之间出现了连接现象(即相邻两个单尊佛佛龛之间的墙壁点云缺失或错分为佛龛类，导致佛龛之间是相连的，实际上中间有间隔)，使用常规聚类方法无法提取出单独的单尊佛佛龛对象，容易出现“多合一”或“一分为二”的现象。如图5所示，本研究中提出了条件欧式-K均值聚类方法。
如图5所示，添加一个步骤三得到的单尊佛佛龛类点云数据作初始点，设定欧氏距离向外搜索进行条件欧式聚类，欧氏距离小于两相邻单尊佛佛龛之间的距离，如果邻域内点云数量达到阈值，则聚类为一类，即由相连单尊佛佛龛组成的点云数据，继续向外搜索，反之则排除，视为边界点，不再向外搜索，最终得到多个由相连单尊佛佛龛组成的点云数据；
针对每个由相连单尊佛佛龛组成的点云数据，以单个单尊佛佛龛内包含点云的数量作为基数，估算K均值聚类中的K值，聚类提取得到每一个单独的单尊佛佛龛对象。
条件欧式聚类
首先将佛龛类别点云从整体点云导出，作为提取单尊佛佛龛对象的原始数据；然后，设置距离D(距离D的设置应大于佛龛点云内两点的距离而小于佛龛与佛龛之间的距离，经过多次筛选之后，将D设置为0.012。)作为参数进行条件欧式聚类，
设置阈值N(这里的N是考虑到单尊佛佛龛边界处有间隔，点较少，所以边界点邻域内点数不会超过阈值，研究中阈值设为10)作为聚类时判别条件，如果半径为D的邻域中，点数量小于阈值N，则视为边界点，不再将邻域内点聚为一类；
K均值聚类
在得到条件欧式聚类结果之后，对其中每一类(点数量为M)再进行K均值聚类，以单个单尊佛佛龛内包含点的数量作为基数(本研究中一个单尊佛佛龛点数量约1650左右)，估算K均值聚类中的K值(K＝M/1650)，此次聚类结果即为单独的单尊佛佛龛对象，提取结果如图6所示。
实现方式举例如下：
Figure BDA0003494439720000111
步骤五、若存在多个不相邻的双尊佛佛龛，提取精分类得到的双尊佛佛龛类点云数据，通条件过欧式聚类，提取每一个单独的双尊佛佛龛对象。
在完成参数调节之后，与使用点云特征实验精度为85.43％，分类精度提升至88.89％，相比之下提升了3.46％。完成连通性约束滤波之后，分类精度提升至94.15％,相比之下提升了5.26％，具体见表1。
表1
Figure BDA0003494439720000121
石窟点云中提取佛龛装置，包括：
数据获取和处理模块，其接收扫描获取的石窟点云数据并进行数据优化处理；
点云特征集构建模块，其通过计算点云几何特征构建特征集；
石窟点云分类模块，其随机选择点云数据制作训练样本和测试样本，选择随机森林作为分类器，训练随机森林分类模型，并将点云粗分类为单尊佛佛龛类点云数据、双尊佛佛龛类点云数据、墙壁类点云数据，通过连通性约束滤波优化区分单尊佛龛壁、双尊佛佛龛龛壁与墙壁，精分类得到单尊佛佛龛类点云数据、双尊佛佛龛类点云数据、墙壁类点云数据；
佛龛点云提取模块，其提取精分类得到的单尊佛佛龛类点云数据，先通过条件欧式聚类得到多个由相连单尊佛佛龛组成的点云数据，然后以单个单尊佛佛龛内包含点云的数量作为基数进行K均值聚类，提取每一个单独的单尊佛佛龛对象，若存在多个不相邻的双尊佛佛龛，提取精分类得到的双尊佛佛龛类点云数据，通条件过欧式聚类，提取每一个单独的双尊佛佛龛对象。
从石窟中识别保存佛龛对象的三维信息，对于石窟的数字化存储、价值认知、现状评估以及虚拟修复具有重要意义。佛龛作为石窟中的最小造像单元，也是石窟中数量最多的造像类型，石窟艺术中极其重要组成部分。佛龛往往数量众多、形态相似、错落分布在石窟整体，具有较高的艺术价值。也正因如此，在完成对石窟数字化存档之后，想要手工提取出所有佛龛，将耗时费力。同时，石窟作为大型不可移动文物，佛龛与墙壁之间纹理相似且风化严重，所以在自动化提取时难以解决边界问题，无法高精度提取出佛龛对象。
本研究在石窟佛龛提取的过程中，在构成特征集。使用随机森林算法分别进行特征选择之后，生成最优特征集。然后通过网格调参找到最优参数，训练好随机森林分类模型。在对点云数据进行分类之后，使用连通性约束滤波进行优化，解决佛龛内外错分问题。使用条件欧式-K均值聚类方法从整体佛龛类点云中提取出单独的佛龛对象。作为一种应用于石窟佛龛等相连点云数据的提取，本方法可以有效进行分离并得到单独的佛龛对象。
电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述的方法。
存储介质，其上存储有计算机程序，该程序被处理器执行时，实现所述的方法。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (10)

1.石窟点云中提取佛龛的方法，其特征在于，包括：
步骤一、扫描获取石窟点云数据并进行数据优化处理，构建点云特征集；
步骤二、随机选择点云数据制作训练样本和测试样本，选择随机森林作为分类器，训练随机森林分类模型，并将点云粗分类为单尊佛佛龛类点云数据、双尊佛佛龛类点云数据、墙壁类点云数据；
步骤三、通过连通性约束滤波优化区分单尊佛佛龛龛壁、双尊佛佛龛龛壁与墙壁，精分类得到单尊佛佛龛类点云数据、双尊佛佛龛类点云数据、墙壁类点云数据；
步骤四、提取精分类得到的单尊佛佛龛类点云数据，先通过条件欧式聚类得到多个由相连单尊佛佛龛组成的点云数据，然后以单个单尊佛佛龛内包含点云的数量作为基数进行K均值聚类，提取每一个单独的单尊佛佛龛对象；
步骤五、若存在多个不相邻的双尊佛佛龛，提取精分类得到的双尊佛佛龛类点云数据，通过条件欧式聚类，提取每一个单独的双尊佛佛龛对象。
2.如权利要求1所述的石窟点云中提取佛龛的方法，其特征在于，步骤一中的数据优化处理包括点云数据配准、去噪和去重。
3.如权利要求1所述的石窟点云中提取佛龛的方法，其特征在于，步骤一中的构建点云特征集包括：
S1、构建初始点云特征集：
使用PCA算法将点云的球形邻域近邻点拟合成平面，在该平面上计算样本方差与样本协方差，以此为基础构建协方差矩阵，计算特征值和特征向量，将特征值归一化，计算几何特征；
S2、筛选优化点云特征集：
对随机森林中的特征重要性进行排序，选择重要性最低的特征并拟定删除，如果测试精度提升则确定删除该特征，反之则标记该特征为正相关特征；
重复多次后剩下的若干个特征为最重要特征，将最重要特征和正相关特征组成最终的特征集。
4.如权利要求3所述的石窟点云中提取佛龛的方法，其特征在于，步骤一中的点云特征集包括X坐标、Y坐标、Z坐标、高斯曲率、垂直度、各向异性和局部曲率变化。
5.如权利要求1所述的石窟点云中提取佛龛的方法，其特征在于，步骤二中的训练随机森林分类模型包括：将训练样本和测试样本输入到随机森林中，通过网格调参的方式进行参数调节，确定随机森林的最佳参数。
6.如权利要求1所述的石窟点云中提取佛龛的方法，其特征在于，步骤三中的连通性约束滤波包括：
设置两个空的集合，其中一个集合随机添加一个点云作初始点，设定邻域半径向外搜索查找同类的单尊佛佛龛类点或双尊佛佛龛类点或墙壁类点，邻域半径大于两相邻点云之间的距离，如果是同类点则加入初始点所在的同一个集合，集合内的点继续向外搜索，直到搜索不到同类点，反之则加入另一个集合，该集合中的点均为外围的非同类点；
当初始点所在的集合的点云数量达到阈值，则确定该集合为单尊佛佛佛龛类点云数据集合或双尊佛佛龛类点云数据集合或墙壁类点云数据集合，反之则为粗分类错分，将错分点并入另一个集合并更正点的类型。
7.如权利要求1所述的石窟点云中提取佛龛的方法，其特征在于，步骤四中包括：
添加一个步骤三得到的单尊佛佛龛类点云数据作初始点，设定欧氏距离向外搜索进行条件欧式聚类，欧氏距离小于两相邻佛龛之间的距离，如果邻域内点云数量达到阈值，则聚类为一类，即由相连单尊佛佛龛组成的点云数据，继续向外搜索，反之则排除，视为边界点，不再向外搜索，最终得到多个由相连单尊佛佛龛组成的点云数据；
针对每个由相连单尊佛佛龛组成的点云数据，以单个单尊佛佛龛内包含点云的数量作为基数，估算K均值聚类中的K值，聚类提取得到每一个单独的单尊佛佛龛对象。
8.石窟点云中提取佛龛装置，其特征在于，包括：
数据获取和处理模块，其接收扫描获取的石窟点云数据并进行数据优化处理；
点云特征集构建模块，其通过计算点云几何特征构建特征集；
石窟点云分类模块，其随机选择点云数据制作训练样本和测试样本，选择随机森林作为分类器，训练随机森林分类模型，并将点云粗分类为单尊佛佛龛类点云数据、双尊佛佛龛类点云数据、墙壁类点云数据，通过连通性约束滤波优化区分单尊佛佛龛龛壁、双尊佛佛龛龛壁与墙壁，精分类得到单尊佛佛龛类点云数据、双尊佛佛龛类点云数据、墙壁类点云数据；
佛龛点云提取模块，其提取精分类得到的单尊佛佛龛类点云数据，先通过条件欧式聚类得到多个由相连单尊佛佛龛组成的点云数据，然后以单个单尊佛佛龛内包含点云的数量作为基数进行K均值聚类，提取每一个单独的单尊佛佛龛对象，若存在多个不相邻的双尊佛佛龛，提取精分类得到的双尊佛佛龛类点云数据，通条件过欧式聚类，提取每一个单独的双尊佛佛龛对象。
9.电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7中任一项所述的方法。
10.存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，实现权利要求1-7中任一项所述的方法。
CN202210109005.2A 2022-01-28 2022-01-28 石窟点云中提取佛龛的方法 Pending CN114429537A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210109005.2A CN114429537A (zh) 2022-01-28 2022-01-28 石窟点云中提取佛龛的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210109005.2A CN114429537A (zh) 2022-01-28 2022-01-28 石窟点云中提取佛龛的方法

Publications (1)

Publication Number Publication Date
CN114429537A true CN114429537A (zh) 2022-05-03

Family

ID=81313248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210109005.2A Pending CN114429537A (zh) 2022-01-28 2022-01-28 石窟点云中提取佛龛的方法

Country Status (1)

Country Link
CN (1) CN114429537A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926656A (zh) * 2022-06-07 2022-08-19 北京百度网讯科技有限公司 对象识别方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926656A (zh) * 2022-06-07 2022-08-19 北京百度网讯科技有限公司 对象识别方法、装置、设备及介质
CN114926656B (zh) * 2022-06-07 2023-12-19 北京百度网讯科技有限公司 对象识别方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN110298280B (zh) 一种基于mkl多特征融合的海洋涡旋识别方法
Zhong Intrinsic shape signatures: A shape descriptor for 3D object recognition
CN110992341A (zh) 一种基于分割的机载LiDAR点云建筑物提取方法
CN107230203A (zh) 基于人眼视觉注意机制的铸件缺陷识别方法
CN104850822B (zh) 基于多特征融合的简单背景下的叶片识别方法
CN106340016A (zh) 一种基于细胞显微镜图像的dna定量分析方法
CN110211048A (zh) 一种基于卷积神经网络的复杂档案图像倾斜矫正方法
CN114492619B (zh) 一种基于统计和凹凸性的点云数据集构建方法及装置
CN111242221A (zh) 基于图匹配的图像匹配方法、系统及存储介质
CN109685821A (zh) 基于高质量体素的区域生长3d岩体点云平面提取方法
CN115797813B (zh) 基于航拍图像的水环境污染检测方法
CN108596186B (zh) 一种三维模型检索方法
CN113837037A (zh) 一种植物种类识别方法、系统、电子设备及存储介质
CN111523511A (zh) 一种用于枸杞采收夹持装置的视频图像枸杞枝条检测方法
CN110443261A (zh) 一种基于低秩张量恢复的多图匹配方法
CN113447771A (zh) 一种基于sift-lda特征的局部放电模式识别方法
CN114429537A (zh) 石窟点云中提取佛龛的方法
CN116071339A (zh) 一种基于改进鲸鱼算法优化svm的产品缺陷识别方法
CN109670408A (zh) 一种基于对象的遥感图像水体提取方法
CN113409332A (zh) 一种基于三维点云的建筑物平面分割方法
Omidalizarandi et al. Segmentation and classification of point clouds from dense aerial image matching
CN109829511B (zh) 基于纹理分类的下视红外图像中云层区域检测方法
CN111539966A (zh) 一种基于模糊c均值聚类的比色传感器阵列图像分割方法
CN108256545B (zh) 一种曲线匹配方法及目标物体的形状匹配方法
CN116452604A (zh) 一种复杂变电站场景分割方法、设备及存储介质

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