CN117152446B - 一种基于高斯曲率和局部凹凸性的改进lccp点云分割方法 - Google Patents

一种基于高斯曲率和局部凹凸性的改进lccp点云分割方法 Download PDF

Info

Publication number
CN117152446B
CN117152446B CN202311431572.0A CN202311431572A CN117152446B CN 117152446 B CN117152446 B CN 117152446B CN 202311431572 A CN202311431572 A CN 202311431572A CN 117152446 B CN117152446 B CN 117152446B
Authority
CN
China
Prior art keywords
voxel
voxels
point cloud
curvature
vector
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
Application number
CN202311431572.0A
Other languages
English (en)
Other versions
CN117152446A (zh
Inventor
金建辉
高显棕
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.)
Kunming University of Science and Technology
Original Assignee
Kunming 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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202311431572.0A priority Critical patent/CN117152446B/zh
Publication of CN117152446A publication Critical patent/CN117152446A/zh
Application granted granted Critical
Publication of CN117152446B publication Critical patent/CN117152446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于高斯曲率和局部凹凸性的改进LCCP点云分割方法，涉及三维点云分割技术领域。包括：利用RGB‑D相机获取堆叠物体点云数据，去除背景；将无序点云体素化，建立体素空间，获取每个体素的中心点建立新的点云，计算新点云的高斯曲率，以某点的高斯曲率作为原体素的高斯曲率值；再将体素空间划分为网格，选取与网格中心距离最近的体素作为种子体素，搜索种子体素周围一定半径内的体素个数，去除个数少于阈值的噪声体素，综合颜色、法线、距离和曲率信息进行超体聚类；最后判断相邻超体素块间的凹凸性连接，合并凸连接的超体素块，获得最终分割结果。本发明无需训练任何模型，通过点云数据的几何特征实施点云分割，鲁棒性强。

Description

一种基于高斯曲率和局部凹凸性的改进LCCP点云分割方法
技术领域
本发明涉及三维点云分割技术领域，提供了一种基于高斯曲率和局部凹凸性的改进LCCP点云分割方法。
背景技术
目前，3D视觉技术在工业领域中的应用日渐成熟，尤其是深度相机的普及给相关科研带来了更多的机遇和挑战，“拣箱问题”便是其中备受关注的一个。顾名思义，“拣箱问题”要解决的即是如何分拣箱体内杂乱摆放的物体，通常的解决方法是使用深度相机等传感器获取目标的深度图像或点云数据，然后对数据进行处理，最后完成定位和抓取操作。在数据处理阶段点云分割发挥着重要作用，其不仅能够提高识别和定位的准确性，还大大降低了后续计算的复杂度。
基于区域生长的点云分割方法是一种简单且有效的点云分割技术。该方法通过将具有相似属性的附近点聚集成不同的区域，实现对点云数据的分割和分类。在该方法中，首先通过选择一个或多个种子点来初始化区域生成过程。然后，对于每个种子点，使用邻域信息将相邻的点加入该区域中。邻域信息可以采用基于欧式距离、基于法向量相似性、基于颜色相似性等不同的度量方式来定义。通过这种方式可以将点云划分成多个具有不同属性的区域，为后续的目标识别和定位提供有效的基础。
然而，通常的基于区域生长的点云分割方法在物体相互堆叠的复杂情况下极易产生过分割和欠分割。LCCP(Locally Convex Connected Patches)算法首先采用超体聚类将点云划分为超体素，再利用局部凹凸性判断相邻超体素是否属于同一物体，该方法对于堆叠物体的分割效果较为理想，但仍然会出现部分超体素跨越物体边界造成欠分割的情况。
发明内容
针对上述现有技术存在的问题，本发明提出了一种基于高斯曲率和局部凹凸性的改进LCCP点云分割方法，主要用于解决复杂环境下分割堆叠物体点云的准确率问题。
本发明解决上述技术问题采用的技术方案包括如下步骤：
步骤1，利用RGB-D相机获取堆叠物体点云数据，去除设定深度以下的背景；
步骤2，使用八叉树结构将无序的点云体素化，建立分辨率为的体素空间，获取每个体素的中心点建立新的点云，计算新点云的高斯曲率，以计算得到的每个体素中心点的高斯曲率作为原体素的高斯曲率值；
步骤3，将体素空间划分为分辨率为的网格，/>，选取与网格中心距离最近的体素作为种子体素，搜索种子体素周围一定半径内的体素个数，去除个数少于阈值的噪声体素，再综合颜色、法线、距离和曲率信息进行超体聚类；
步骤4，判断相邻超体素块间的凹凸性连接，按照CC准则和SC准则进行聚类，合并凸连接的超体素块，最终获得分割结果。
进一步的，步骤1中首先需要测量RGB-D相机与桌面的距离，并采用直通滤波去除该距离以下的背景。
进一步的，步骤2中高斯曲率采用基于相邻点法向量的曲率计算方法进行计算，具体步骤如下：
（1）对于点云中的每个点，假设/>点的附近有/>个近邻点，/>为点/>的第/>个近邻点，/>的法向量为/>，建立正交坐标系/>，/>表示/>点的法向量，/>，/>，为正交的单位向量。
（2）设，/>，/>分别为/>，/>，/>，则/>相对于/>的法向曲率为：/>。
式中表示向量/>和/>之间的夹角，/>表示向量/>和/>之间的夹角；简后/>的近似值可由下式求出：/>，
式中，/>。
（3）设为通过点/>的平面，其法向量为/>，/>、/>为点/>处的主方向，对应的主曲率为/>、/>，/>为向量/>和向量/>间的夹角，/>为向量/>和向量/>间的夹角，其中向量/>是向量/>在平面/>上的投影。
根据欧拉公式，法向曲率和主曲率有如下关系：，
式中为点/>过/>的法截线的切线和主方向的夹角。
该式子可以转化为一个优化问题的求解：；
令，/>，/>对上式进行最小二乘拟合后，可以得出：/>；
主曲率和/>即为矩阵/>的特征值。
（4）求得高斯曲率。
进一步的，步骤3中超体聚类采用流约束聚类方式，具体如下：
所有种子体素同时向外生长，根据如下公式计算与相邻体素的相似性距离，吸收距离最近的体素；继续向外搜索，计算下一个邻接体素与聚类中心所有体素的平均相似性距离，吸收距离最近的体素，继续搜索直至所有体素均被吸收。，
式中表示种子体素与邻接体素的相似性距离，/>值越小，表明体素间的特征属性越相近。/>表示颜色上的差异，/>代表距离上的差异，/>表示法向量上的差异，/>表示高斯曲率上的差异，/>，/>，/>，/>分别表示对应差异的权重。
进一步的，步骤4中CC准则利用下式进行判断：
，
式中表示两相邻超体素块的连接关系，/>，/>，/>为两相邻超体素块的法向量，/>为两相邻超体素块的形心连线向量，/>，/>，为考虑噪声影响引入的阈值；
进一步的，步骤4中SC准则用于判断两超体素块是否为奇异连接，解决CC准则判定错误的情况，判定公式如下：
，
式中，为两相邻超体素块法向量的向量积，/>为向量/>和/>间的夹角，、/>和/>为实验得出的常值，分别取为60°、25°、0.25；
凸连接的最终判定公式为：。
与现有技术相比，本发明有以下优点：
（1）本发明所述方法无需训练任何模型，主要通过点云数据的几何特征实施点云分割，算法鲁棒性强，能有效分割大多数场景下的堆叠物体点云；
（2）本发明通过改进原始的LCCP算法，在超体聚类时引入高斯曲率信息，增强了对物体边界的识别，使得超体素生长时优先朝更“平坦”的区域进行，有效解决了超体素生长时容易跨越物体边界导致过分割的问题，提高了分割结果的准确性。
附图说明
图1为本发明所述方法的流程图；
图2为流约束算法的聚类方式示意图；
图3为CC准则的判定方法示意图；
图4为SC准则的判定方法示意图。
具体实施方式
下面结合附图和实例对本发明的具体实施作进一步说明。
图1为本发明提出的一种基于高斯曲率和局部凹凸性的改进LCCP点云分割方法的流程图。算法具体步骤如下：
步骤1，利用RGB-D相机获取堆叠物体点云数据，去除特定深度以下的背景。
具体的，步骤1中首先需要测量RGB-D相机与桌面的距离，并采用直通滤波去除该距离以下的背景。
作为另一个实施例，点云数据也可由激光雷达等设备获取。
作为另一个实施例，也可采用其他方法去除点云背景，如预先获取背景点云，再通过减法减去背景。
步骤2，对于步骤1中去除背景后的点云数据，使用八叉树结构将点云体素化，建立分辨率为的体素空间，获取每个体素的中心点建立新的点云，计算新点云的高斯曲率，以计算得到的每个体素中心点的高斯曲率作为原体素的高斯曲率值；
具体的，步骤2中高斯曲率采用基于相邻点法向量的曲率计算方法进行计算，其具体步骤如下：
1）对于点云中的每个点，假设/>点的附近有/>个近邻点，/>为点/>的第/>个近邻点，/>的法向量为/>，建立正交坐标系/>，/>表示/>点的法向量，/>，/>为正交的单位向量。
2）设，/>，/>分别为/>，/>，/>，则/>相对于/>的法向曲率为：/>，
式中表示向量/>和/>之间的夹角，/>表示向量/>和/>之间的夹角。化简后/>的近似值可由下式求出：/>，
式中，/>，
3）设为通过点/>的平面，其法向量为/>，/>、/>为点/>处的主方向，对应的主曲率为/>、/>，/>为向量/>和向量/>间的夹角，/>为向量/>和向量/>间的夹角，其中向量/>是向量/>在平面/>上的投影。
根据欧拉公式，法向曲率和主曲率有如下关系：，
式中为点/>过/>的法截线的切线和主方向的夹角。
该式子可以转化为一个优化问题的求解：，
令，/>，/>对上式进行最小二乘拟合后，可以得出：/>，
主曲率和/>即为矩阵/>的特征值。
4）求得高斯曲率。
作为另一个实施例，可将基于相邻点法向量的曲率计算方法替换为基于二次曲面拟合的曲率计算方法。
步骤3，将体素空间划分为分辨率为的网格/>，选取与网格中心距离最近的体素作为种子体素，搜索种子体素周围一定半径内的体素个数，去除个数少于阈值的噪声体素，再综合颜色、法线、距离和曲率信息进行超体聚类；
具体的，步骤3中超体聚类采用流约束聚类方式，如图2所示，具体如下：
所有种子体素同时向外生长，根据如下公式计算与相邻体素的相似性距离，吸收距离最近的体素；继续向外搜索，计算下一个邻接体素与聚类中心所有体素的平均相似性距离，吸收距离最近的体素，继续搜索直至所有体素均被吸收。，
式中表示种子体素与邻接体素的相似性距离，/>表示颜色上的差异，/>代表距离上的差异，/>表示法向量上的差异，/>表示高斯曲率上的差异，/>，/>，/>，/>分别表示对应差异的权重。
步骤4，判断相邻超体素块间的凹凸性连接，按照CC准则和SC准则进行聚类，合并凸连接的超体素块，最终获得分割结果。
如图3所示，具体的，步骤4中CC准则用于判断两超体素块是凸连接还是凹连接，判断公式如下：，
式中表示两相邻超体素块的连接关系，/>，/>、/>为两相邻超体素块的法向量，/>为两相邻超体素块的形心连线向量，/>，/>为考虑噪声影响引入的阈值；
如图4所示，具体的，步骤4中SC准则用于判断两超体素块是否为奇异连接，解决CC准则判定错误的情况，判定公式如下：
，
式中为两相邻超体素块法向量的向量积，/>为向量/>和/>间的夹角，，/>和/>为实验得出的常值，分别取为60°、25°、0.25；
凸连接的最终判定公式为：。
将本发明方法与两种现有方法进行对比，方法一为基于区域生长的点云分割方法，方法二为原始的LCCP算法，选择总体准确率OA(Overall Accuracy)、平均准确率mAcc(Mean Accuracy)和平均交并比mIoU(mean Intersection-over-Union)作为指标对分割结果进行评价，指标计算方式如下：
，
其中表示本物体上正确分割点的数目，/>表示属于本物体却被划分到其他物体上的错误分割点的数目，/>表示属于其他物体却被划分到本物体上的错误分割点的数目，最终分割效果对比如表1所示：
表1本发明方法与现有方法的分割效果对比表
本发明方法 方法一 方法二
OA 96.1% 34.1% 53.7%
mAcc 88.3% 30.7% 49.6%
mIoU 79.8% 55.5% 68.4%
基于区域生长的点云分割方法分割效果最差，且明显出现了欠分割和过分割；原始的LCCP算法也出现了欠分割的情况；本发明方法的分割效果优于前两种方法，可以基本上做到分割开所有的堆叠物体，未出现明显的欠分割和过分割，且各指标参数均高于另外两种方法。
应当指出，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (4)

1.一种基于高斯曲率和局部凹凸性的改进LCCP点云分割方法，其特征在于，包括以下步骤：
步骤1，利用RGB-D相机获取堆叠物体点云数据，去除设定深度以下的背景；
步骤2，使用八叉树结构将无序的点云体素化，建立分辨率为Rv的体素空间，获取每个体素的中心点建立新的点云，计算新点云的高斯曲率，以计算得到的每个体素中心点的高斯曲率作为原体素的高斯曲率值；
步骤3，将体素空间划分为分辨率为Rs的网格，Rs＞＞Rv，选取与网格中心距离最近的体素作为种子体素，搜索种子体素周围一定半径内的体素个数，去除个数少于阈值的噪声体素，再综合颜色、法线、距离和曲率信息进行超体聚类；
所有种子体素同时向外生长，根据如下公式计算与相邻体素的相似性距离，吸收距离最近的体素；继续向外搜索，计算下一个邻接体素与聚类中心所有体素的平均相似性距离，吸收距离最近的体素，继续搜索直至所有体素均被吸收；
式中，D表示种子体素与邻接体素的相似性距离，D值越小，表明体素间的特征属性越相近，Dc表示颜色上的差异，Ds代表距离上的差异，Dn表示法向量上的差异，DK表示高斯曲率上的差异，wc，ws，wn，wK分别表示对应差异的权重；
步骤4，判断相邻超体素块间的凹凸性连接，按照CC准则和SC准则进行聚类，合并凸连接的超体素块，最终获得分割结果。
2.根据权利要求1所述的一种基于高斯曲率和局部凹凸性的改进LCCP点云分割方法，其特征在于，步骤1中首先需要测量RGB-D相机与桌面的距离，然后采用直通滤波方法去除该距离以下的背景。
3.根据权利要求1所述的一种基于高斯曲率和局部凹凸性的改进LCCP点云分割方法，其特征在于，步骤2中高斯曲率采用基于相邻点法向量的曲率计算方法进行计算，具体步骤如下：
(1)对于点云中的任意点p，假设p点的附近有m个近邻点，qi为点p的第i个近邻点，qi的法向量为Mi，建立正交坐标系p-XYN，N表示p点的法向量，X、Y为正交的单位向量；
(2)设p，qi，Mi分别为p(0,0,0)，qi(xi,yi,zi)，Mi(nx,i,ny,i,nz,i)，则p相对于qi的法向曲率为：
式中，α表示向量-N和pqi之间的夹角，β表示向量N和Mi之间的夹角；
化简后的近似值由下式求出：
式中，
(3)设S为通过点p的平面，其法向量为N，e1、e2为点p处的主方向，对应的主曲率为k1、k2，θ为向量e1和向量e2间的夹角，θi为向量X和向量pQi间的夹角，其中向量pQi是向量pqi在平面S上的投影；
根据欧拉公式，法向曲率和主曲率有如下关系：
式中，θi+θ为点p过qi的法截线的切线和主方向的夹角，k1和k2为主曲率；
将上式转化为一个优化问题的求解：
令A＝k1cos2θ+k2sin2θ，B＝(k2-k1)cosθsinθ，C＝k1sin2θ+k2cos2θ
对上式进行最小二乘拟合后，可以得出：
主曲率k1和k2即为矩阵的特征值；
(4)求得高斯曲率K＝k1·k2。
4.根据权利要求1所述的一种基于高斯曲率和局部凹凸性的改进LCCP点云分割方法，其特征在于步骤4中CC准则利用下式进行判断：
式中表示两相邻超体素块的连接关系，/> 为两相邻超体素块的法向量，/>为两相邻超体素块的形心连线向量，/>βThresh为考虑噪声影响引入的阈值；
步骤4中SC准则用于判断两超体素块是否为奇异连接，解决CC准则判定错误的情况，判定公式如下：
式中为两相邻超体素块法向量的向量积，/>为向量/>和/>间的夹角，βoff和a为参数，分别取为60°、25°、0.25；
凸连接的最终判定公式为：
CN202311431572.0A 2023-10-31 2023-10-31 一种基于高斯曲率和局部凹凸性的改进lccp点云分割方法 Active CN117152446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311431572.0A CN117152446B (zh) 2023-10-31 2023-10-31 一种基于高斯曲率和局部凹凸性的改进lccp点云分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311431572.0A CN117152446B (zh) 2023-10-31 2023-10-31 一种基于高斯曲率和局部凹凸性的改进lccp点云分割方法

Publications (2)

Publication Number Publication Date
CN117152446A CN117152446A (zh) 2023-12-01
CN117152446B true CN117152446B (zh) 2024-02-06

Family

ID=88899218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311431572.0A Active CN117152446B (zh) 2023-10-31 2023-10-31 一种基于高斯曲率和局部凹凸性的改进lccp点云分割方法

Country Status (1)

Country Link
CN (1) CN117152446B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108961271A (zh) * 2018-06-27 2018-12-07 西安工程大学 一种彩色3d点云超体素凹凸分割算法
WO2019012365A1 (en) * 2017-07-11 2019-01-17 Sony Corporation RAPID AND PROGRESSIVE APPROACH FOR SUPERVOXEL-BASED SPATIOTEMPORAL VIDEO SEGMENTATION
CN109859208A (zh) * 2019-01-03 2019-06-07 北京化工大学 基于凹凸性和rsd特征的场景分割与目标建模方法
CN112200843A (zh) * 2020-10-09 2021-01-08 福州大学 一种基于超体素的cbct与激光扫描点云数据牙齿配准方法
WO2021195697A1 (en) * 2020-03-30 2021-10-07 Anditi Pty Ltd Feature extraction from mobile lidar and imagery data
CN114972377A (zh) * 2022-05-24 2022-08-30 厦门大学 基于移动最小二乘法与超体素的3d点云分割方法和装置
WO2023156290A1 (en) * 2022-02-18 2023-08-24 Median Technologies Method and system for computer aided diagnosis based on morphological characteristics extracted from 3-dimensional medical images
CN117152475A (zh) * 2023-08-30 2023-12-01 兰州有色冶金设计研究院有限公司 一种获取爆堆矿石块度的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10078228B2 (en) * 2016-09-29 2018-09-18 Jeremy Paul Willden Three-dimensional imaging system

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019012365A1 (en) * 2017-07-11 2019-01-17 Sony Corporation RAPID AND PROGRESSIVE APPROACH FOR SUPERVOXEL-BASED SPATIOTEMPORAL VIDEO SEGMENTATION
CN108961271A (zh) * 2018-06-27 2018-12-07 西安工程大学 一种彩色3d点云超体素凹凸分割算法
CN109859208A (zh) * 2019-01-03 2019-06-07 北京化工大学 基于凹凸性和rsd特征的场景分割与目标建模方法
WO2021195697A1 (en) * 2020-03-30 2021-10-07 Anditi Pty Ltd Feature extraction from mobile lidar and imagery data
CN112200843A (zh) * 2020-10-09 2021-01-08 福州大学 一种基于超体素的cbct与激光扫描点云数据牙齿配准方法
WO2023156290A1 (en) * 2022-02-18 2023-08-24 Median Technologies Method and system for computer aided diagnosis based on morphological characteristics extracted from 3-dimensional medical images
CN114972377A (zh) * 2022-05-24 2022-08-30 厦门大学 基于移动最小二乘法与超体素的3d点云分割方法和装置
CN117152475A (zh) * 2023-08-30 2023-12-01 兰州有色冶金设计研究院有限公司 一种获取爆堆矿石块度的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Octree-based region growing for point cloud segmentation;VUVO A 等;Isprs Journal of Photogrammetry&Remote Sensing;第16卷(第104期);88-100 *
Towards a Point Cloud Structural Similarity Metric;E. Alexiou 等;2020 IEEE International Conference on Multimedia & Expo Workshops (ICMEW);1-6 *
Voxel cloud connectivity segmentation-supervoxels for point clouds;Papon J 等;IEEE conference on computer vision and pattern recognition;2027-2034 *
基于激光点云的堆料物曲面重建与特征提取;张荠匀;中国优秀硕士学位论文全文数据库 (信息科技辑)(第（2023）02期);I136-1806 *
基于点云凹凸性特征的露天铜矿爆堆块度计算方法;涂文龙;中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)(第（2023）01期);B021-238 *

Also Published As

Publication number Publication date
CN117152446A (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
CN110222642B (zh) 一种基于全局图聚类的平面建筑构件点云轮廓提取方法
CN113780259B (zh) 一种路面缺陷检测方法、装置、电子设备和可读存储介质
CN112489212A (zh) 一种基于多源遥感数据的建筑物智能化三维测图方法
CN114170279A (zh) 一种基于激光扫描的点云配准方法
CN107680168B (zh) 三维重建中基于平面拟合的网格简化方法
CN108510516A (zh) 一种散乱点云的三维线段提取方法及系统
CN113269791B (zh) 一种基于边缘判定与区域生长的点云分割方法
CN108107444A (zh) 基于激光数据的变电站异物识别方法
CN113628263A (zh) 一种基于局部曲率及其近邻特征的点云配准方法
CN110807781A (zh) 一种保留细节与边界特征的点云精简方法
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
CN111145129A (zh) 基于超体素的点云去噪方法
CN114387288A (zh) 基于车载激光雷达点云数据的单立木三维信息提取方法
CN111783722B (zh) 一种激光点云的车道线提取方法和电子设备
CN116523898A (zh) 一种基于三维点云的烟草表型性状提取方法
WO2020164042A1 (zh) 基于边界提取的区域合并图像分割算法
CN116432052B (zh) 一种新能源汽车模具用夹具质量检测方法
CN117152446B (zh) 一种基于高斯曲率和局部凹凸性的改进lccp点云分割方法
CN112270746A (zh) 基于邻域协方差特征参数阈值的铝合金3d打印点云精简算法
Omidalizarandi et al. Segmentation and classification of point clouds from dense aerial image matching
CN117132630A (zh) 一种基于二阶空间兼容性度量的点云配准方法
CN115147433A (zh) 点云配准方法
CN113111741A (zh) 一种基于三维特征点的装配状态识别方法
Liu et al. Terrain-adaptive ground filtering of airborne LiDAR data based on saliency-aware thin plate spline
CN115830340B (zh) 一种点云目标识别方法和装置、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