CN115222625A - 一种基于多尺度噪声的激光雷达点云去噪方法 - Google Patents
一种基于多尺度噪声的激光雷达点云去噪方法 Download PDFInfo
- Publication number
- CN115222625A CN115222625A CN202210839961.6A CN202210839961A CN115222625A CN 115222625 A CN115222625 A CN 115222625A CN 202210839961 A CN202210839961 A CN 202210839961A CN 115222625 A CN115222625 A CN 115222625A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- denoising
- data
- neighborhood
- scale noise
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 238000012952 Resampling Methods 0.000 abstract 1
- 238000001914 filtration Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 7
- 230000007547 defect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/483—Details of pulse systems
- G01S7/486—Receivers
- G01S7/487—Extracting wanted echo signals, e.g. pulse detection
- G01S7/4876—Extracting wanted echo signals, e.g. pulse detection by removing unwanted signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/491—Details of non-pulse systems
- G01S7/493—Extracting wanted echo signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于多尺度噪声的激光雷达点云去噪方法,涉及三维点云去噪技术领域,包括根据不同尺度的噪声点进行分类处理;获取DBSCAN算法参数,将点云数据集分为不同形状的簇;使用Kd‑tree树加速搜索,DBSCAN算法对大尺度噪声进行聚类去噪处理;设定移动最小二乘法阶数,根据曲面进行法线估计,确定拟合半径;对小尺度噪声点使用移动最小二乘法平滑去噪和重采样处理。本发明的方法将两种去噪方法进行结合处理点云数据,点云数据中存在的多尺度噪声能够有效去除,并保持了点云模型的细节部分。
Description
技术领域
本发明属于3D点云数据处理技术领域,具体涉及一种基于多尺度噪声的激光雷达点云去噪方法。
背景技术
随着激光雷达遥感技术的快速发展,点云数据由于其高精度、高效率、不受时间限制等优点,在地理测绘、灾害评估、人工智能等诸多研究领域得到了广泛应用。但是三维点云数据在获取时,由于设备的硬件缺陷、环境的不稳定性、人为操作等因素影响,导致点云数据不可避免地会存在大量的噪声点,直接影响到三维模型表面的精度,对后续的数据处理造成了困难,因此需要对采集的三维点云模型执行去噪的处理。
由于点云数据点散乱、庞大,常常伴随有奇异点、干扰点等,如何保持点云数据高频特征信息并提供去噪方法效率,是点云去噪的一大难度。传统点云滤波方法主要通过局部表面拟合、局部或非局部的平均或依赖于底层噪声模型的统计假设,主要有不规则三角网加密滤波、基于坡度的滤波、基于形态学的滤波和基于移动曲面的滤波等,但是每种算法有相应的应用场景,目前还没有一种算法能够适应所有场景。
发明内容
本发明的目的在于提供一种基于多尺度噪声的激光雷达点云去噪方法,以解决现有技术的不足,对于点云数据中存在的大尺度噪声点和小尺度噪声点,该方法能够在去除不同尺度噪声的同时保留模型的细节特征,提高去噪效率。
为实现上述目的,本发明提供了一种基于多尺度噪声的激光雷达点云去噪方法,包括以下步骤:
S1、输入点云数据;
S2、获取DBSCAN算法中Eps和MinPts参数;
S21、采用欧氏距离公式对未知数据的特征与数据集D中的每一个数据相对应的特征进行计算,得到数据集D的距离分布矩阵。然后对距离分布矩阵进行升序排列得到KNN分布矩阵,并按列取平均值为K值的平均距离,得到Eps参数列表;
以上所述欧式距离公式定义为:
其中,Distn×n为n×n的实对称矩阵,n为数据集D中的对象个数;dist(i,j)为数据集D中第i个对象到第j个对象的距离;
以上所述数据集D的距离分布矩阵定义为:
Distn×n={dist(i,j)|1≤i≤n,1≤j≤n}
其中,Distn×n为n×n的实对称矩阵,n为数据集D中的对象个数;dist(i,j)为数据集D中第i个对象到第j个对象的距离;
S22、给定数据集D,以Eps为邻域求出核心点邻域内数据点数量的期望值,采用数学期望法生成MinPts参数;
以上所述数学期望法定义为:
S3、建立Kd-tree加速邻域搜索,对大尺度噪声进行DBSCAN聚类去噪;
S31、将阈值参数代入DBACAN聚类算法,对点云数据集D进行读取,以Eps为邻域遍历核心点,寻找与核心点密度可达的数据点,进行聚类成簇,当簇数稳定,密度阈值最小时K值所对应的Eps、MinPts参数为最优参数;
S32、创建Kd-tree加速搜索邻域,保留最优参数下DBSCAN算法生成的聚类簇,删除边界点和噪声点,得到去除大尺度噪声后的点云数据;
由上,步骤S32中数据点在K维空间中进行构造,树中的每一层对应一个维度,Kd-tree通过数据点的属性个数循环的构造K维二叉搜索树.Kd-tree中左子树在给定维度上的值小于父节点,而右子树则大于父节点。
S4、设定移动最小二乘法阶数,进行法线估计,确定拟合半径;
S41、建立K近邻邻域及局部区域的拟合函数,设定拟合函数中基函数的阶数为2;
在拟合区域的一个局部子域上,拟合函数f(x)定义为:
其中,pT(x)=[p1(x)p2(x)…pm(x)]为基函数,αi(x)(i=0,1,...,n)为待求的系数矢量,系数对应的空间坐标为x=[x,y,z]的函数;
S42、然后确定权函数为三次样条权函数,对每个数据点的邻域拟合移动最小二乘曲面;
所选取三次样条权函数定义为:
S43、计算局部K邻域范围内的曲面,根据曲面进行法线估计;
S44、创建Kd-tree搜索邻域,确定拟合的K近邻半径;
S45、进行曲面重建,去除小尺度噪声;
S5、移动最小二乘法平滑去噪;
S6、输出点云数据。
上述点云去噪方法中,根据点云数据噪声点分布的特点,与单一的滤波方法相比,DBSCAN算法具有很强的适应性,能够对点云数据进行聚类成簇,将点云数据中的核心点、边界点、噪声点进行分类处理,去除明显的离群点,针对在模型周围仍然存在一些小尺度的噪声,使用移动最小二乘法进行二次去噪。该方法对点云数据中存在的多尺度噪声能够有效去除,并保持了点云模型的细节部分,解决了两种算法单独使用的局限性。
附图说明
图1是本发明实施例提供的方法的流程示意图;
图2是本发明实施例中基于改进DBSCAN算法的具体去噪流程图;
图3是本发明实施例中点云数据原始加噪图;
图4是本发明实施例中基于改进DBSCAN算法的具体去噪效果图;
图5是本发明实施例中基于移动最小二乘法的去噪流程图;
图6是本发明实施例中基于移动最小二乘法的去噪效果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明;
本发明基于多尺度噪声的激光雷达点云去噪方法,如图1所示,具体按照
以下步骤实施:
S1、输入点云数据;
S2、获取DBSCAN算法中Eps和MinPts参数;
S21、采用欧氏距离公式对未知数据的特征与数据集D中的每一个数据相对应的特征进行计算,得到数据集D的距离分布矩阵。然后对距离分布矩阵进行升序排列得到KNN分布矩阵,并按列取平均值为K值的平均距离,得到Eps参数列表;
以上所述欧式距离公式定义为:
其中,Distn×n为n×n的实对称矩阵,n为数据集D中的对象个数;dist(i,j)为数据集D中第i个对象到第j个对象的距离;
以上所述数据集D的距离分布矩阵定义为:
Distn×n={dist(i,j)|1≤i≤n,1≤j≤n}
其中,Distn×n为n×n的实对称矩阵,n为数据集D中的对象个数;dist(i,j)为数据集D中第i个对象到第j个对象的距离;
由步骤S21得出Eps参数列表,随着K值的增长Eps参数也逐渐平稳增长。
S22、给定数据集D,以Eps为邻域求出核心点邻域内数据点数量的期望值,采用数学期望法生成MinPts参数;
以上所述数学期望法定义为:
由步骤S22得出MinPts参数列表,随着K值的增长MinPts参数也逐渐平稳增长。
S3、建立Kd-tree加速邻域搜索,对大尺度噪声进行DBSCAN聚类去噪;
S31、将阈值参数代入DBACAN聚类算法,对点云数据集D进行读取,以Eps为邻域遍历核心点,寻找与核心点密度可达的数据点,进行聚类成簇,当簇数稳定,密度阈值最小时K值所对应的Eps、MinPts参数为最优参数;
如图2所示,计算点云数据点的邻域内点的个数,判断数据点是否为核心点,判断为非核心点的数据点的邻域内点的个数,若大于MinPts,以核心点为中心建立簇,若小于MinPts则标记为噪点。
由上,根据对图3点云数据集添加随机噪声和高斯噪声后,进行DBSCAN聚类去噪后效果如图4所示,可以看出DBSCAN算法能够对点云数据进行聚类成簇,将点云数据中的核心点、边界点、噪声点进行分类处理,去除明显的离群点和大尺度噪声,但是在模型周围仍然存在一些小尺度的噪声需要去除。
S32、创建Kd-tree加速搜索邻域,保留最优参数下DBSCAN算法生成的聚类簇,删除边界点和噪声点,得到去除大尺度噪声后的点云数据;
S4、设定移动最小二乘法阶数,进行法线估计,确定拟合半径;
S41、建立K近邻邻域及局部区域的拟合函数,设定拟合函数中基函数的阶数为2;
在拟合区域的一个局部子域上,拟合函数f(x)定义为:
其中,pT(x)=[p1(x)p2(x)…pm(x)]为基函数,αi(x)(i=0,1,...,n)为待求的系数矢量,系数对应的空间坐标为x=[x,y,z]的函数;
S42、然后确定权函数为三次样条权函数,对每个数据点的邻域拟合移动最小二乘曲面;
所选取三次样条权函数定义为:
本发明中移动最小二乘法具体计算流程如图4所示,首先建立空间数据点Pi的邻域,有基于规则采样的欧氏邻域和基于不规则采样的K近邻邻域;
其次构建以Pi邻域为局部区域的拟合函数,拟合函数中基函数的阶数不同,其拟合精度也不同;
之后确定权函数,拟合函数能够很好地继承权函数的连续性,如果权函数是C1阶连续的,则拟合函数也是C1阶连续的,不同的权函数平滑效果也不同;
通过设置体素化网格的大小,将点云数据所在的空间进行体素栅格化处理,用体素网格内所有点的重心近似代替网格中所有的数据点,从而简化冗余数据点,最后得到重采样后的点云。
S43、计算局部K邻域范围内的曲面,根据曲面进行法线估计;
S44、创建Kd-tree搜索邻域,确定拟合的K近邻半径;
S45、进行曲面重建,去除小尺度噪声;
S5、移动最小二乘法平滑去噪;
S6、输出点云数据。
由上,通过步骤S4、S5对DBSCAN聚类去噪后的点云数据集进行二次去噪,如图5所示。
通过本发明去噪后的最终效果图,如图6所示,可以看出设置合适的搜索半径参数可以将点云模型周围的小尺度噪点很好的去除,对点云模型边缘进行了平滑去噪,并保留了点云模型的细节特征。
为了验证本发明的方法的有效性,选取不同滤波方法与本发明方法进行对比。
由表1可以看到,统计滤波和半径滤波不能够对小尺度和大尺度的点云噪声同时去除,本发明方法在分尺度进行去噪后,其去噪率达到82%左右,而统计滤波、半径滤波去噪率为33%、76%,本发明方法的去噪效果明显优于这两种方法。
表1本发明方法与统计滤波和半径滤波去噪效果比较
去噪方法 | 原始加噪数量 | 去噪后数量 | 去噪率 |
本发明方法 | 38319 | 36271 | 82% |
统计滤波 | 38319 | 37504 | 33% |
半径滤波 | 38319 | 36429 | 76% |
Claims (9)
1.一种基于多尺度噪声的激光雷达点云去噪方法,其特征在于,包括以下步骤:
S1、输入点云数据;
S2、获取DBSCAN算法中Eps和MinPts参数;
S3、建立Kd-tree加速邻域搜索,对大尺度噪声进行DBSCAN聚类去噪;
S4、设定移动最小二乘法阶数,进行法线估计,确定拟合半径;
S5、移动最小二乘法平滑去噪;
S6、输出点云数据。
2.根据权利要求1所述的基于多尺度噪声的激光雷达点云去噪方法,其特征在于,步骤S2中,DBSCAN算法是一种基于密度的空间的数据聚类方法;该方法将簇定义为密度相连的点的最大集合,把具有足够密度的区域划分为簇,并在有噪声的空间数据集中发现任意形状的簇。
3.根据权利要求1所述的基于多尺度噪声的激光雷达点云去噪方法,其特征在于,步骤S2中,获取DBSCAN算法参数的具体方式为:
S21、如果数据集在特征空间中的K个最相似的数据集中的大多数属于某一个类别,则该样本也属于这个类别;采用欧氏距离公式对未知数据的特征与数据集D中的每一个数据相对应的特征进行计算,得到数据集D的距离分布矩阵;然后对距离分布矩阵进行升序排列得到KNN分布矩阵,并按列取平均值为K值的平均距离,得到Eps参数列表;
所述欧式距离公式定义为:
其中,d表示距离,xi表示未知数的特征,yi表示训练集中的每一个数据相对应的特征;
所述数据集D的距离分布矩阵定义为:
Distn×n={dist(i,j)|1≤i≤n,1≤j≤n}
其中,Distn×n为n×n的实对称矩阵,n为数据集D中的对象个数;dist(i,j)为数据集D中第i个对象到第j个对象的距离;
S22、给定数据集D,以Eps为邻域求出核心点邻域内数据点数量的期望值,采用数学期望法生成MinPts参数;
所述数学期望法定义为:
其中,n为数据集D中核心对象的总数量,Pi为第i个对象的Eps邻域的核心对象的数量。
4.根据权利要求1所述的基于多尺度噪声的激光雷达点云去噪方法,其特征在于,步骤S3中,DBSCAN聚类去噪具体实现方式为:
S31、将阈值参数代入DBACAN聚类算法,对点云数据集D进行读取,以Eps为邻域遍历核心点,寻找与核心点密度可达的数据点,进行聚类成簇,当簇数稳定,密度阈值最小时K值所对应的Eps、MinPts参数为最优参数;
S32、创建Kd-tree加速搜索邻域,保留最优参数下DBSCAN算法生成的聚类簇,删除边界点和噪声点,得到去除大尺度噪声后的点云数据。
5.根据权利要求4所述的基于多尺度噪声的激光雷达点云去噪方法,其特征在于,步骤S32中,数据点在K维空间中进行构造,树中的每一层对应一个维度,Kd-tree通过数据点的属性个数循环的构造K维二叉搜索树.Kd-tree中左子树在给定维度上的值小于父节点,而右子树则大于父节点。
6.根据权利要求1所述的基于多尺度噪声的激光雷达点云去噪方法,其特征在于,移动最小二乘法处理散乱点云数据时通过系数向量和基函数分别对数据中不同位置的节点区域进行拟合。
7.根据权利要求1所述的基于多尺度噪声的激光雷达点云去噪方法,其特征在于,步骤S4中,获取移动最小二乘法具体参数的具体方式为:
S41、建立K近邻邻域及局部区域的拟合函数,设定拟合函数中基函数的阶数为2;
S42、然后确定权函数为三次样条权函数,对每个数据点的邻域拟合移动最小二乘曲面;
S43、计算局部K邻域范围内的曲面,根据曲面进行法线估计;
S44、创建Kd-tree搜索邻域,确定拟合的K近邻半径;
S45、进行曲面重建,去除小尺度噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839961.6A CN115222625A (zh) | 2022-07-15 | 2022-07-15 | 一种基于多尺度噪声的激光雷达点云去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839961.6A CN115222625A (zh) | 2022-07-15 | 2022-07-15 | 一种基于多尺度噪声的激光雷达点云去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115222625A true CN115222625A (zh) | 2022-10-21 |
Family
ID=83612719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210839961.6A Pending CN115222625A (zh) | 2022-07-15 | 2022-07-15 | 一种基于多尺度噪声的激光雷达点云去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222625A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109685A (zh) * | 2023-04-11 | 2023-05-12 | 成都飞机工业(集团)有限责任公司 | 一种零件点云配准方法、装置、设备及介质 |
CN116452467A (zh) * | 2023-06-16 | 2023-07-18 | 山东曙岳车辆有限公司 | 基于激光数据的集装箱实时定位方法 |
CN116520289A (zh) * | 2023-07-04 | 2023-08-01 | 东莞市新通电子设备有限公司 | 五金件加工过程智能控制方法及相关装置 |
CN117132508A (zh) * | 2023-10-26 | 2023-11-28 | 汉达科技发展集团有限公司 | 基于gis+bim技术的数字孪生数据驱动方法及系统 |
CN117272086A (zh) * | 2023-11-22 | 2023-12-22 | 中国电子科技集团公司第二十九研究所 | 一种基于dbscan的雷达信号扫描包络分割方法 |
CN117934324A (zh) * | 2024-03-25 | 2024-04-26 | 广东电网有限责任公司中山供电局 | 激光点云数据的去噪方法、装置和雷达扫描装置 |
-
2022
- 2022-07-15 CN CN202210839961.6A patent/CN115222625A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109685A (zh) * | 2023-04-11 | 2023-05-12 | 成都飞机工业(集团)有限责任公司 | 一种零件点云配准方法、装置、设备及介质 |
CN116109685B (zh) * | 2023-04-11 | 2023-08-04 | 成都飞机工业(集团)有限责任公司 | 一种零件点云配准方法、装置、设备及介质 |
CN116452467A (zh) * | 2023-06-16 | 2023-07-18 | 山东曙岳车辆有限公司 | 基于激光数据的集装箱实时定位方法 |
CN116452467B (zh) * | 2023-06-16 | 2023-09-22 | 山东曙岳车辆有限公司 | 基于激光数据的集装箱实时定位方法 |
CN116520289A (zh) * | 2023-07-04 | 2023-08-01 | 东莞市新通电子设备有限公司 | 五金件加工过程智能控制方法及相关装置 |
CN116520289B (zh) * | 2023-07-04 | 2023-09-01 | 东莞市新通电子设备有限公司 | 五金件加工过程智能控制方法及相关装置 |
CN117132508A (zh) * | 2023-10-26 | 2023-11-28 | 汉达科技发展集团有限公司 | 基于gis+bim技术的数字孪生数据驱动方法及系统 |
CN117132508B (zh) * | 2023-10-26 | 2024-02-23 | 汉达科技发展集团有限公司 | 基于gis+bim技术的数字孪生数据驱动方法及系统 |
CN117272086A (zh) * | 2023-11-22 | 2023-12-22 | 中国电子科技集团公司第二十九研究所 | 一种基于dbscan的雷达信号扫描包络分割方法 |
CN117272086B (zh) * | 2023-11-22 | 2024-02-13 | 中国电子科技集团公司第二十九研究所 | 一种基于dbscan的雷达信号扫描包络分割方法 |
CN117934324A (zh) * | 2024-03-25 | 2024-04-26 | 广东电网有限责任公司中山供电局 | 激光点云数据的去噪方法、装置和雷达扫描装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115222625A (zh) | 一种基于多尺度噪声的激光雷达点云去噪方法 | |
CN109740227B (zh) | 基于特征识别的微型复杂零件建模方法 | |
CN109325993B (zh) | 一种基于类八叉树索引的显著性特征强化采样方法 | |
CN106815842B (zh) | 一种改进的基于超像素的图像显著性检测方法 | |
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 | |
CN105118090A (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
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 | |
CN113538264B (zh) | 一种点云数据的去噪方法、装置及存储介质 | |
CN112634149A (zh) | 一种基于图卷积网络的点云去噪方法 | |
Papagiannopoulos et al. | How to teach neural networks to mesh: Application on 2-D simplicial contours | |
CN112085750A (zh) | 一种三角网格的分割去噪方法 | |
CN109166167B (zh) | 一种基于点集体素的多质分界面提取方法 | |
CN109146817A (zh) | 一种非迭代单一物体散乱点云数据的噪声处理方法 | |
CN113177897A (zh) | 一种无序3d点云的快速无损滤波方法 | |
CN116091771A (zh) | 一种复杂机匣腔体点云分割方法、装置及设备 | |
CN116186864B (zh) | 一种基于bim技术的深基坑模型快速建模方法及系统 | |
CN110955809B (zh) | 一种支持拓扑结构保持的高维数据可视化方法 | |
CN117152172A (zh) | 一种基于点云数据的输电线路杆塔和电力线提取方法 | |
CN107492101B (zh) | 基于自适应构造最优图的多模态鼻咽肿瘤分割算法 | |
CN106652048B (zh) | 基于3d-susan算子的三维模型感兴趣点提取方法 | |
Zhang et al. | A method for identifying and repairing holes on the surface of unorganized point cloud | |
CN117132478B (zh) | 一种基于法向量二范数特征参数的轨道点云去噪方法 | |
CN117807782B (zh) | 一种实现三维仿真模型的方法 | |
CN115546421B (zh) | 一种点线双域互增强建筑几何轮廓线重建方法 | |
CN112116710B (zh) | 基于趋势约束的曲面重建方法 |
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 |