CN115953563A - 基于点云矢量化骨架匹配的三维模型补全修复方法及系统 - Google Patents
基于点云矢量化骨架匹配的三维模型补全修复方法及系统 Download PDFInfo
- Publication number
- CN115953563A CN115953563A CN202310132553.1A CN202310132553A CN115953563A CN 115953563 A CN115953563 A CN 115953563A CN 202310132553 A CN202310132553 A CN 202310132553A CN 115953563 A CN115953563 A CN 115953563A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- framework
- image
- skeleton
- 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
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开一种基于点云矢量化骨架匹配的三维模型补全修复方法及系统,该方法步骤包括:S01.获取原始点云数据以及全景图像数据并分别进行边缘点提取;S02.使用点云边缘点集以及图像边缘点集分别构建图结构以进行骨架提取;S03.将点云骨架、图像骨架进行配准匹配并融合形成完整骨架;S04.对完整骨架进行完整度检测,搜索出模型残缺区域;S05.根据模型残缺区域的空间位置回溯至原始全景图像数据中对应的图像区域;S06.将回溯得到的图像像素集转换为三维点云数据后对原始点云数据进行补全修复,得到最终修复后完整点云输出。本发明具有实现方法简单、补全修复效率高、计算量小以及补全修复效果好等优点。
Description
技术领域
本发明涉及三维模型补全技术领域,尤其涉及一种基于点云矢量化骨架匹配的三维模型补全修复方法及系统。
背景技术
点云是一个由多个点组合形成的数据集合,该数据集中的每个点代表一组X、Y、Z几何坐标和一个强度值,强度值是根据物体表面反射率记录返回信号的强度。即点云是空间中代表3D形状或对象的数据点集合。点云可以使用较小的数据量描述三维物体,点云也可以自动上色以实现更真实的可视化。
在点云数据采集过程中,由于存在遮挡等问题可能会导致目标点云缺失。点云补全修复即是通过修补三维模型中有所缺失的点云,估计出完整点云,从而获得更高质量的点云。针对于点云修复补全,现有技术中通常是采用以下两种方式:
1)基于语义的点云修复方法:通过在点云上进行上采样,即输入一个点云,输出一个更密的点云,且它落在输入点云隐含的几何体(比如表面)上,通过学习到每个点多个粒度(从局部到全局)下的特征,再在特征空间中扩大点集,最后将扩大的点集映射回三维模型,实现点云修复。
2)基于几何的点云修复方法:对3D点云中的点进行近邻检测或边缘检测,查找到不满足阈值条件的点,然后使用插值方法对模型进行填充修复。
但是上述基于语义的点云修复方法以及基于几何的点云修复方法,均需要依赖于一定的先验信息实现对缺失点云进行修补,如要么需要语义类信息的先验信息,要么需要模型本身的几何形状的先验信息,且修复过程中数据计算量较大,还易于受环境干扰、鲁棒性不佳,通常只能适用于处理缺失率较低、结构特征明显的缺失点云。而在实际工况中,点云扫描的时间通常较短且环境受限,扫描所获得的初始点云就难以获得完整准确的语义或者几何形状的先验信息,同时点云处理的计算资源往往非常有限,因而实际的修复效率以及修复效果不佳,输出模型准确度不高。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种实现方法简单、补全修复效率高、计算量与硬件资源消耗小以及补全修复效果好的基于点云矢量化骨架匹配的三维模型补全修复方法及系统。
为解决上述技术问题,本发明提出的技术方案为:
一种基于点云矢量化骨架匹配的三维模型补全修复方法,步骤包括:
步骤S01.获取在指定场景下采集的原始点云数据以及原始全景图像数据并分别进行边缘点提取,得到点云边缘点集以及图像边缘点集;
步骤S02.使用所述点云边缘点集以及图像边缘点集分别构建图结构以进行骨架提取,得到点云骨架、图像骨架;
步骤S03.将所述点云骨架、图像骨架进行配准匹配并融合形成完整骨架;
步骤S04.对所述完整骨架进行完整度检测,搜索出其中的模型残缺区域,并获取所述模型残缺区域的空间位置;
步骤S05.根据所述模型残缺区域的空间位置回溯至原始全景图像数据中对应的图像区域,以从原始全景图像数据中回溯得到与模型残缺区域的图像像素集;
步骤S06.将步骤S05回溯得到的图像区域中图像像素集转换为三维点云数据后对原始点云数据进行补全修复,得到最终修复后完整点云输出。
进一步的,所述步骤S03包括:
步骤S301.将点云骨架和图像骨架进行配准,获取点云骨架和图像骨架之间的空间变换矩阵R和平移向量t;
步骤S302.使用空间变换矩阵R和平移向量t将点云骨架和图像骨架进行融合,以将点云骨架和图像骨架配准到同一三维空间坐标系下形成所述完整骨架。
进一步的,所述步骤S301中,通过将提取的点云骨架和图像骨架中的顶点V的三维空间坐标(x,y,z)进行配准,获得点云骨架和图像骨架的顶点V之间的空间变换矩阵和平移向量,并分别作为所述点云骨架和图像骨架之间的空间变换矩阵R和平移向量t。
进一步的,所述步骤S302中,通过按照G=Gp+R*Gi+t将配准后点云骨架和图像骨架进行融合形成所述完整骨架,其中G为完整骨架,Gp为点云骨架,Gi为图像骨架。
进一步的,所述步骤S04中搜索模型残缺区域时,计算所述完整骨架中每个顶点V的(x,y,z)坐标与其余点之间的距离,如果存在目标顶点与其余点之间的距离最小值大于预设阈值δ,则标记目标顶点为所述模型残缺点,并输出当前模型残缺点对应的空间坐标(x0,y0,z0)。
进一步的,所述步骤S06中,通过将回溯得到的图像像素集所述转换得到三维点云数据添加至原始点云数据中对应的模型残缺区域,得到最终修复后完整点云输出。
进一步的,所述步骤S02中,使用所述点云边缘点集构建第一图结构Gp以得到点云稀疏骨架,其中Gp=(V1,E1),V1表示顶点,每个顶点为点云集中的每个边缘点的三维空间坐标(x,y,z)的矢量化表示,E1为边,每个边的值为对应边缘点在全部点云数据P中与其余点之间的最小欧氏距离;使用所述图像边缘点集构建第二图结构Gi以得到图像稠密矢量化骨架,其中Gi=(V2,E2),其中V2表示顶点,每个顶点选取其在原始图像数据I中相邻的25个点的位置坐标(x,y)的矢量化表示,E2为边,每个边的值为对应边缘点在原始图像数据中相邻25个点的颜色值(r,g,b)的平均值。
进一步的,所述步骤S01中对原始点云数据进行边缘点提取时,计算原始点云数据中每个点与其余点之间的距离,当目标点与其余点之间的距离最小值大于预设阈值,则标记目标点为边缘点,由所有标记得到的边缘点构成所述点云边缘点集;对原始全景图像数据进行边缘点提取时,计算全景图像数据中每个像素点的颜色值与周边各像素之间的距离,当目标像素点的颜色值与周边各像素之间的距离最小值大于预设阈值时,则标记目标像素点为边缘点,由所有标记得到的边缘点构成所述图像边缘点集。
一种基于点云矢量化骨架匹配的三维模型补全修复系统,包括:
边缘点提取模块,获取在指定场景下采集的原始点云数据以及原始全景图像数据并分别进行边缘点提取,得到点云边缘点集以及图像边缘点集;
骨架提取模块,用于使用点云边缘点集以及图像边缘点集分别构建图结构以进行骨架提取,得到点云骨架、图像骨架;
配准融合模块,用于将点云骨架、图像骨架进行配准匹配并融合形成完整骨架;
完整度检测模块,用于对所述完整骨架进行完整度检测,搜索出其中的模型残缺区域,并获取所述模型残缺区域的空间位置;
残缺像素回溯模块,用于根据所述模型残缺区域的空间位置回溯至原始全景图像数据中对应的图像区域,以从原始全景图像数据中回溯得到与模型残缺区域的图像像素集;
补全修复模块,用于将所述残缺像素回溯模块回溯得到的图像区域中图像像素集转换为三维点云数据后对原始点云数据进行补全修复,得到最终修复后完整点云输出。
一种基于点云矢量化骨架匹配的三维模型补全修复系统,包括处理器以及存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序以执行如上述方法。
与现有技术相比,本发明的优点在于:本发明通过对原始点云数据以及原始全景图像数据进行边缘点提取,基于边缘点集采用点云数据矢量化表示的图结构形式进行点云骨架以及图像骨架的提取,能够基于图像实现对高密度三维点云骨架的快速提取,同时通过对融合点云骨架与图像骨架形成的完整骨架进行完整性检测后确定出模型残缺区域,利用模型残缺区域的位置信息回溯至原始图像数据中相应的图像像素点区域,得到修复补全三维模型的点云数据,可以快速、准确的实现三维模型中点云残缺部分的补全和修复,且能够降低所需的硬件资源开销,还能够提高修复的鲁棒性。
附图说明
图1是本实施例基于点云矢量化骨架匹配的三维模型补全修复方法的实现流程示意图。
图2是本实施例基于点云矢量化骨架匹配的三维模型补全修复系统的结构示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图1所示,本实施例基于点云矢量化骨架匹配的三维模型补全修复方法的详细步骤包括:
步骤S01.获取在指定场景下采集的原始点云数据以及原始全景图像数据并分别进行边缘点提取,得到点云边缘点集以及图像边缘点集。
在本实施例中,具体在室外、非封闭场景下同一位置处分别进行点云数据以及全景图像数据的采集,获得原始点云数据以及原始全景图像数据,进而对始点云数据以及原始全景图像数据进行边缘点提取。
在本实施例中,对原始点云数据进行边缘点提取的具体步骤包括:计算原始点云数据中每个点与其余点之间的距离,当目标点与其余点之间的距离最小值大于预设阈值,则标记目标点为边缘点,由所有标记得到的边缘点构成所述点云边缘点集;对原始全景图像数据进行边缘点提取时,计算全景图像数据中每个像素点的颜色值与周边各像素之间的距离,当目标像素点的颜色值与周边各像素之间的距离最小值大于预设阈值时,则标记目标像素点为边缘点,由所有标记得到的边缘点构成图像边缘点集。
以采集获得的场景点云数据为N×3的点云数据P,同一位置处采集的全景图像数据为尺寸为H×W的全景图像I为例,对采集到的尺寸为N×3的点云数据P进行边缘点提取时,具体对每个点的(x,y,z)坐标,计算各个点与其他N-1个点的欧式距离,当某个点与N-1个点的距离最小值大于阈值δP时,则标记该点为边缘点,由点云数据P中标记的所有边缘点即得到点云边缘点集。对采集到的尺寸为H×W的全景图像I进行边缘点提取时,具体对每个像素点的颜色值(r,g,b)和周边25个像素的进行欧氏距离计算,当存在某个像素点与周边24个点的像素距离最小值大于阈值δI时,标记这个点为边缘点,由全景图像I中标记的所有边缘点即得到图像边缘点集。
步骤S02.使用点云边缘点集以及图像边缘点集分别构建图结构以进行骨架提取,得到点云骨架、图像骨架。
在本实施例中,使用点云边缘点集构建第一图结构Gp以得到点云稀疏骨架,其中Gp=(V1,E1),V1表示顶点,每个顶点为点云集中的每个边缘点的三维空间坐标(x,y,z)的矢量化表示,E1为边,每个边的值(权重系数)为对应边缘点在全部点云数据P中与其余点之间的最小欧氏距离。即通过根据点云边缘点集构建一个图结构Gp,图结构Gp中顶点对应为各点云边缘点,边对应为边缘点之间的最小距离,从而利用该图结构Gp提取出点云稀疏骨架。
在本实施例中,使用图像边缘点集构建第二图结构Gi以得到图像稠密矢量化骨架,其中Gi=(V2,E2),其中V2表示顶点,每个顶点选取其在原始图像数据I中相邻的25个点的位置坐标(x,y)的矢量化表示,E2为边,每个边的值为对应边缘点在原始图像数据中相邻25个点的颜色值(r,g,b)的平均值。即通过图像边缘点集构建一个图结构Gi,图结构Gi中顶点对应为在图像中相邻点的矢量化位置坐标,边为相邻点颜色值的平均值,从而利用该图结构Gi提取出图像稠密矢量化骨架。
由于图结构具有空间结构性,可以保留空间信息,且点云数据为离散数据且数据量、稠密度较小,全景图数据为连续数据且数据量、稠密度较大,本实施例通过针对点云数据、图像数据的特性,对点云数据利用图结构构建一个稀疏图结构Gp,对图像数据利用图结构构建一个稠密图结构Gi,同时引入矢量化方式,可以精准实现点云稀疏骨架、图像稠密矢量化骨架提取的同时,有效保留空间信息。
步骤S03.将点云骨架、图像骨架进行配准匹配并融合形成完整骨架。
由于步骤S02所提取出的点云稀疏骨架、图像稠密矢量化骨架所在的坐标系不同,不能直接进行融合,因而需要先将点云稀疏骨架、图像稠密矢量化骨架进行配准,以得到点云稀疏骨架、图像稠密矢量化骨架之间的空间位置关联关系,进而再利用该空间位置关联关系将点云稀疏骨架、图像稠密矢量化骨架进行融合形成最终完整骨架。
在本实施例中,将点云骨架、图像骨架进行配准匹配并融合形成完整骨架的详细步骤包括:
步骤S301.将点云骨架和图像骨架进行配准,获取点云骨架和图像骨架之间的空间变换矩阵R和平移向量t;
步骤S302.使用空间变换矩阵R和平移向量t将点云骨架和图像骨架进行融合,以将点云骨架和图像骨架配准到同一三维空间坐标系下形成完整骨架。
上述步骤S301中,具体通过将提取的点云稀疏骨架Gp和图像稠密矢量化骨架Gi中的顶点V的三维空间坐标(x,y,z)进行配准,获得点云骨架和图像骨架的顶点V之间的空间变换矩阵和平移向量,以得到点云骨架和图像骨架之间的空间变换矩阵R和平移向量t。
上述步骤S302中,具体通过按照G=Gp+R*Gi+t将配准后点云骨架和图像骨架进行融合形成完整骨架,其中G为完整骨架,Gp为点云骨架,Gi为图像骨架。
即本实施例通过提取获得的稀疏骨架Gp和稠密骨架Gi中的顶点V的三维空间坐标(x,y,z)进行配准,获得稀疏骨架Gp和稠密骨架Gi中的顶点V的空间变换矩阵R和平移向量t,将配准获得的变换矩阵R和平移向量t再用于稀疏骨架Gp和稠密骨架Gi的变换,将两种骨架配准到同一三维空间坐标系下,获得新的完整的骨架G=Gp+R*Gi。具体配准方式可以根据实际需求选取现有技术中配准方式。
步骤S04.对完整骨架进行完整度检测,搜索出其中的模型残缺区域,并获取模型残缺区域的空间位置。
在本实施例中,搜索模型残缺区域的具体步骤包括:计算完整骨架中每个顶点V的(x,y,z)坐标与其余N-1个点之间的距离,如果存在目标顶点与其余N-1个点之间的距离最小值大于预设阈值δ,则标记目标顶点为模型残缺点,并输出当前模型残缺点对应的空间坐标(x0,y0,z0)。
步骤S05.根据模型残缺区域的空间位置回溯至原始全景图像数据中对应的图像区域,以从原始全景图像数据中回溯得到与模型残缺区域的图像像素集。
步骤S04中查找到模型残缺区域后,利用获取的模型残缺区域回溯到原始全景图像数据对应的图像区域,从而可以利用原始全景图像数据来对点云进行有效修复补全,相比于传统使用插值方法对模型进行填充修复,可以有效的提高修复准确度,同时降低计算复杂度。
步骤S06.将步骤S05回溯得到的的图像区域中图像像素集转换为三维点云数据后对原始点云数据进行补全修复,得到最终修复后完整点云输出。
在本实施例中,通过将回溯得到的图像像素集转换得到三维点云数据添加至原始点云数据中对应的模型残缺区域,得到最终修复后完整点云输出。具体的,根据步骤S05输出的残缺处空间坐标为(x0,y0,z0),回溯到该点在全景图像I中对应的区域,并将该区域内全部的像素点(u,v,r,g,b)通过空间变换的形式转换为三维点云(x,y,z,r,g,b),将全部修复的点记作P0,并添加到原始点云P中,获得经过修复的完整点云Pcomplete=P+P0,可以得到完整的高质量点云。
本发明通过对原始点云数据以及原始全景图像数据进行边缘点提取,基于边缘点集利用图结构进行点云骨架以及图像骨架的提取,由于骨架提取过程中采用点云数据矢量化表示的图结构形式,能够基于图像实现对高密度三维点云骨架的快速提取,进而融合点云骨架与图像骨架形成完整骨架,对完整骨架进行完整性检测后可以确定出模型残缺区域,利用模型残缺区域的位置信息回溯至原始图像数据中相应的图像像素点区域,转换为点云数据后用于修复补全三维模型,可以准确的实现三维模型中点云残缺部分的补全和修复,有效降低修复过程中的运算量、提高修复效率,同时还能够降低所需的硬件资源开销以及提高修复的鲁棒性。
如图2所示,本实施例基于点云矢量化骨架匹配的三维模型补全修复系统包括:
边缘点提取模块,获取在指定场景下采集的原始点云数据以及原始全景图像数据并分别进行边缘点提取,得到点云边缘点集以及图像边缘点集;
骨架提取模块,用于使用点云边缘点集以及图像边缘点集分别构建图结构以进行骨架提取,得到点云骨架、图像骨架;
配准融合模块,用于将点云骨架、图像骨架进行配准匹配并融合形成完整骨架;
完整度检测模块,用于对完整骨架进行完整度检测,搜索出其中的模型残缺区域,并获取模型残缺区域的空间位置;
残缺像素回溯模块,用于根据模型残缺区域的空间位置回溯至原始全景图像数据中对应的图像区域,以从原始全景图像数据中回溯得到与模型残缺区域的图像像素集;
补全修复模块,用于将残缺像素回溯模块回溯得到的的图像区域中图像像素集转换为三维点云数据后对原始点云数据进行补全修复,得到最终修复后完整点云输出。
在本实施例中,边缘点提取模块包括用于对原始点云数据进行边缘点提取的点云边缘点提取单元,以及用于对原始全景图像数据进行边缘点提取的图像边缘点提取单元。骨架提取模块包括用于使用点云边缘点集构建稀疏图结构得到点云稀疏骨架的点云骨架提取单元,以及用于使用图像边缘点集构建稠密图结构得到图像稠密矢量化骨架的图像骨架提取单元。
在本实施例中,配准融合模块具体包括:
配准参数获取单元,用于将点云骨架和图像骨架进行配准,获取点云骨架和图像骨架之间的空间变换矩阵R和平移向量t;
融合单元,用于使用空间变换矩阵R和平移向量t将点云骨架和图像骨架进行融合,以将点云骨架和图像骨架配准到同一三维空间坐标系下形成完整骨架。
在本实施例中,残缺像素回溯模块搜索模型残缺区域时,计算所述完整骨架中每个顶点V的(x,y,z)坐标与其余点之间的距离,如果存在目标顶点与其余点之间的距离最小值大于预设阈值δ,则标记目标顶点为所述模型残缺点,并输出当前模型残缺点对应的空间坐标(x0,y0,z0)。
本实施例基于点云矢量化骨架匹配的三维模型补全修复装置与上述基于点云矢量化骨架匹配的三维模型补全修复方法为一一对应,在此不再一一赘述。
在另一实施例中,本发明基于点云矢量化骨架匹配的三维模型补全修复系统还可以为:包括处理器以及存储器,所述存储器用于存储计算机程序,其特征在于,所述处理器用于执行所述计算机程序以执行如上述方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于点云矢量化骨架匹配的三维模型补全修复方法,其特征在于,步骤包括:
步骤S01.获取在指定场景下采集的原始点云数据以及原始全景图像数据并分别进行边缘点提取,得到点云边缘点集以及图像边缘点集;
步骤S02.使用所述点云边缘点集以及图像边缘点集分别构建图结构以进行骨架提取,得到点云骨架、图像骨架;
步骤S03.将所述点云骨架、图像骨架进行配准匹配并融合形成完整骨架;
步骤S04.对所述完整骨架进行完整度检测,搜索出其中的模型残缺区域,并获取所述模型残缺区域的空间位置;
步骤S05.根据所述模型残缺区域的空间位置回溯至原始全景图像数据中对应的图像区域,以从原始全景图像数据中回溯得到与模型残缺区域的图像像素集;
步骤S06.将步骤S05回溯得到的图像区域中图像像素集转换为三维点云数据后对原始点云数据进行补全修复,得到最终修复后完整点云输出。
2.根据权利要求1所述的基于点云矢量化骨架匹配的三维模型补全修复方法,其特征在于,所述步骤S03包括:
步骤S301.将点云骨架和图像骨架进行配准,获取点云骨架和图像骨架之间的空间变换矩阵R和平移向量t;
步骤S302.使用空间变换矩阵R和平移向量t将点云骨架和图像骨架进行融合,以将点云骨架和图像骨架配准到同一三维空间坐标系下形成所述完整骨架。
3.根据权利要求2所述的基于点云矢量化骨架匹配的三维模型补全修复方法,其特征在于,所述步骤S301中,通过将提取的点云骨架和图像骨架中的顶点V的三维空间坐标(x,y,z)进行配准,获得点云骨架和图像骨架的顶点V之间的空间变换矩阵和平移向量,并分别作为所述点云骨架和图像骨架之间的空间变换矩阵R和平移向量t。
4.根据权利要求2所述的基于点云矢量化骨架匹配的三维模型补全修复方法,其特征在于,所述步骤S302中,通过按照G=Gp+R*Gi+t将配准后点云骨架和图像骨架进行融合形成所述完整骨架,其中G为完整骨架,Gp为点云骨架,Gi为图像骨架。
5.根据权利要求1所述的基于点云矢量化骨架匹配的三维模型补全修复方法,其特征在于,所述步骤S04中搜索模型残缺区域时,计算所述完整骨架中每个顶点V的(x,y,z)坐标与其余点之间的距离,如果存在目标顶点与其余点之间的距离最小值大于预设阈值δ,则标记目标顶点为所述模型残缺点,并输出当前模型残缺点对应的空间坐标(x0,y0,z0)。
6.根据权利要求1~5中任意一项所述的基于点云矢量化骨架匹配的三维模型补全修复方法,其特征在于,所述步骤S06中,通过将回溯得到的图像像素集所述转换得到三维点云数据添加至原始点云数据中对应的模型残缺区域,得到最终修复后完整点云输出。
7.根据权利要求1~5中任意一项所述的基于点云矢量化骨架匹配的三维模型补全修复方法,其特征在于,所述步骤S02中,使用所述点云边缘点集构建第一图结构Gp以得到点云稀疏骨架,其中Gp=(V1,E1),V1表示顶点,每个顶点为点云集中的每个边缘点的三维空间坐标(x,y,z)的矢量化表示,E1为边,每个边的值为对应边缘点在全部点云数据P中与其余点之间的最小欧氏距离;使用所述图像边缘点集构建第二图结构Gi以得到图像稠密矢量化骨架,其中Gi=(V2,E2),其中V2表示顶点,每个顶点选取其在原始图像数据I中相邻的25个点的位置坐标(x,y)的矢量化表示,F2为边,每个边的值为对应边缘点在原始图像数据中相邻25个点的颜色值(r,g,b)的平均值。
8.根据权利要求1~5中任意一项所述的基于点云矢量化骨架匹配的三维模型补全修复方法,其特征在于,所述步骤S01中对原始点云数据进行边缘点提取时,计算原始点云数据中每个点与其余点之间的距离,当目标点与其余点之间的距离最小值大于预设阈值,则标记目标点为边缘点,由所有标记得到的边缘点构成所述点云边缘点集;对原始全景图像数据进行边缘点提取时,计算全景图像数据中每个像素点的颜色值与周边各像素之间的距离,当目标像素点的颜色值与周边各像素之间的距离最小值大于预设阈值时,则标记目标像素点为边缘点,由所有标记得到的边缘点构成所述图像边缘点集。
9.一种基于点云矢量化骨架匹配的三维模型补全修复系统,其特征在于,包括:
边缘点提取模块,获取在指定场景下采集的原始点云数据以及原始全景图像数据并分别进行边缘点提取,得到点云边缘点集以及图像边缘点集;
骨架提取模块,用于使用点云边缘点集以及图像边缘点集分别构建图结构以进行骨架提取,得到点云骨架、图像骨架;
配准融合模块,用于将点云骨架、图像骨架进行配准匹配并融合形成完整骨架;
完整度检测模块,用于对所述完整骨架进行完整度检测,搜索出其中的模型残缺区域,并获取所述模型残缺区域的空间位置;
残缺像素回溯模块,用于根据所述模型残缺区域的空间位置回溯至原始全景图像数据中对应的图像区域,以从原始全景图像数据中回溯得到与模型残缺区域的图像像素集;
补全修复模块,用于将所述残缺像素回溯模块回溯得到的图像区域中图像像素集转换为三维点云数据后对原始点云数据进行补全修复,得到最终修复后完整点云输出。
10.一种基于点云矢量化骨架匹配的三维模型补全修复系统,包括处理器以及存储器,所述存储器用于存储计算机程序,其特征在于,所述处理器用于执行所述计算机程序以执行如权利要求1~8中任意一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310132553.1A CN115953563A (zh) | 2023-02-17 | 2023-02-17 | 基于点云矢量化骨架匹配的三维模型补全修复方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310132553.1A CN115953563A (zh) | 2023-02-17 | 2023-02-17 | 基于点云矢量化骨架匹配的三维模型补全修复方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115953563A true CN115953563A (zh) | 2023-04-11 |
Family
ID=87297033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310132553.1A Pending CN115953563A (zh) | 2023-02-17 | 2023-02-17 | 基于点云矢量化骨架匹配的三维模型补全修复方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115953563A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710601A (zh) * | 2023-12-27 | 2024-03-15 | 南京林业大学 | 一种基于激光点云和图像信息的单木骨架提取方法及系统 |
-
2023
- 2023-02-17 CN CN202310132553.1A patent/CN115953563A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710601A (zh) * | 2023-12-27 | 2024-03-15 | 南京林业大学 | 一种基于激光点云和图像信息的单木骨架提取方法及系统 |
CN117710601B (zh) * | 2023-12-27 | 2024-05-24 | 南京林业大学 | 一种基于激光点云和图像信息的单木骨架提取方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190108679A1 (en) | Point Cloud Meshing Method, Apparatus, Device and Computer Storage Media | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
CN111563442A (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
CN109816704A (zh) | 物体的三维信息获取方法和装置 | |
CN111063021A (zh) | 一种空间运动目标的三维重建模型建立方法及装置 | |
CN106548520A (zh) | 一种点云数据去噪的方法和系统 | |
CN112651881B (zh) | 图像合成方法、装置、设备、存储介质以及程序产品 | |
US20210397907A1 (en) | Methods and Systems for Object Detection | |
CN111612888B (zh) | 一种文物建筑图形的自动生成方法、系统及存储介质 | |
CN109934873B (zh) | 标注图像获取方法、装置及设备 | |
Yogeswaran et al. | 3d surface analysis for automated detection of deformations on automotive body panels | |
CN115908988B (zh) | 一种缺陷检测模型生成方法、装置、设备以及存储介质 | |
CN115953563A (zh) | 基于点云矢量化骨架匹配的三维模型补全修复方法及系统 | |
CN114677435A (zh) | 一种点云全景融合要素提取方法和系统 | |
Wu et al. | A survey on monocular 3D object detection algorithms based on deep learning | |
Liu et al. | Image-translation-based road marking extraction from mobile laser point clouds | |
CN114663598A (zh) | 三维建模方法、装置和存储介质 | |
CN116310753A (zh) | 一种室外场景点云数据的矢量化骨架提取方法及系统 | |
CN110458177B (zh) | 图像深度信息的获取方法、图像处理装置以及存储介质 | |
Nguyen et al. | High-definition texture reconstruction for 3D image-based modeling | |
CN114963991A (zh) | 一种基于三维重建的船体石料体积测量系统 | |
CN115359089A (zh) | 点云目标跟踪方法、电子设备、介质及车辆 | |
CN113657403A (zh) | 图像处理方法及图像处理网络的训练方法 | |
KR102178835B1 (ko) | 3차원 객체 표면 복원을 위한 데이터 관리 장치 및 그 방법 | |
JP6910622B2 (ja) | 画像処理システム |
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 |