TW202223836A - 校正異常點雲資料之方法 - Google Patents

校正異常點雲資料之方法 Download PDF

Info

Publication number
TW202223836A
TW202223836A TW109142202A TW109142202A TW202223836A TW 202223836 A TW202223836 A TW 202223836A TW 109142202 A TW109142202 A TW 109142202A TW 109142202 A TW109142202 A TW 109142202A TW 202223836 A TW202223836 A TW 202223836A
Authority
TW
Taiwan
Prior art keywords
data
point cloud
point
sub
abnormal
Prior art date
Application number
TW109142202A
Other languages
English (en)
Other versions
TWI802827B (zh
Inventor
王志維
賴傳霖
郭嘉真
吳毅成
Original Assignee
財團法人國家實驗研究院
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 財團法人國家實驗研究院 filed Critical 財團法人國家實驗研究院
Priority to TW109142202A priority Critical patent/TWI802827B/zh
Priority to US17/354,188 priority patent/US11875477B2/en
Publication of TW202223836A publication Critical patent/TW202223836A/zh
Application granted granted Critical
Publication of TWI802827B publication Critical patent/TWI802827B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Image Generation (AREA)
  • Paper (AREA)

Abstract

本發明為一種校正異常點雲資料之方法，其先由運算單元接收一原始點雲資料，以依據該原始點雲資料之一原始向量資料分割對應之一點雲陣列為複數個子點雲集合並取得對應之複數個分布特徵資料，進而藉由該些分布特徵資料辨識該些個子點雲集合並進一步對辨識出的異常點資料進行校正。藉此，讓點雲陣列呈現為對應之影像時，改善或減少點雲陣列的顏色缺陷，可避免影像失真。

Description

校正異常點雲資料之方法
本發明係關於一種校正影像之方法，特別是一種校正異常點雲資料之方法。
近年來，點雲可透過影像對視差或電磁波發射及接收計算等兩種方式產生。已知影像視差計算所得之點雲精度受限於取像設備本身、影像品質、拍攝影像交會角度、照片密度、觀測物體的角度、物體表面平整程度等等。
一般而言，在點雲網格處理中，計算機裝置處理點雲網格之處理速度與點雲網格數量成反比。對於網格數目大，物體形狀複雜等情況，同時會造成點雲校正的難度增加。現今點雲校正方式大多為藉由這種人工作業方式進行校正，然而，點雲資料通常成千上百個點，甚至更多，若僅依靠人眼從點雲資料之密密麻麻的大量的點中尋找特定的異常點，極易引起眼睛的疲勞，且增加用戶端的勞累度，大大降低點雲資料校正之工作效率。
依據上述問題，本發明為提供一種校正異常點雲資料之方法，其係藉由分割點雲陣列為複數個子點雲集合，並利用對應之分布特徵資料進行辨識，以辨識出異常點資料並進行校正，如此，既可改善點雲處理效率，且可有效改善點雲陣列對應之影像的品質。
本發明之一目的，在於提供一種校正異常點雲資料之方法，其藉由處理單元將點雲陣列分割為複數個子點雲集合，以用於異常點資料辨識，並同時藉由該些個子點雲集合對應之分布特徵資料進行辨識，以辨識出異常點資料並依據分布特徵資料進行校正，以改善點雲處理效率並避免影像品質失真。
針對上述之目的，本發明提供一種校正異常點雲資料之方法，其先使用一運算單元讀取一原始點雲資料，該原始點雲資料包含複數個正常點資料、至少一異常點資料與一原始體素空間；接續，該運算單元依據該原始體素空間分割該原始點雲資料，以取得複數個子點雲集合與對應之複數個分布特徵資料，該些個子點雲集合具有該些個正常點資料與該異常點資料；該運算單元依據該些個分布特徵資料辨識對應之該些個子點雲集合，以取得該異常點資料；以及該運算單元依據該異常點資料對應之其中一該分布特徵資料進行回歸運算，以校正該異常點資料為一正常點資料。藉由該些個子點雲集合及其對應之分布特徵資料進行辨識，以辨識出異常點資料並依據分布特徵資料進行校正，以改善點雲處理效率並避免影像品質失真。
本發明提供一實施例，其中該些個正常點資料與該異常點資料分別包含一座標資料、一色彩資料與一強度資料，該座標資料對應於該原始體素空間。
本發明提供一實施例，其中該些個分布特徵資料包含該些個正常點資料與該異常點資料對應之複數個位置特徵值、複數個色彩特徵值與複數個強度特徵值。
本發明提供一實施例，其中於使用一運算單元接收一原始點雲資料之步驟前，更包含一使用一光學掃描單元逐點成像，以產生該點雲資料之步驟。
本發明提供一實施例，其中該光學掃描單元為一光達(Lidar)、一三維雷射掃描儀或一光束掃描儀。
本發明提供一實施例，其中於該運算單元依據該原始向量資料分割該點雲資料之步驟中，該運算單元依據該原始點雲資料進行一最近鄰索引運算、一主成分分析運算以及一去約束轉換運算，以取得該些個分布特徵資料，該些個分布特徵資料分別對應於該些個子點雲集合之每一影像點的所有鄰近點；該運算單元將該些子點雲集合依據該些個分布特徵資料進行分類，以取得複數個類別標籤；以及該運算單元依據該些類別標籤而標籤該些個子點雲集合。
本發明提供一實施例，其中該運算單元執行該最近鄰索引運算為執行一K最近鄰(KNN，K-NearestNeighbor) 搜尋運算法運算該原始點雲資料，取得該些個正常點資料與該異常點資料之最近鄰點資料，該運算單元執行該主成分分析運算為依據三主軸之變異數該原始點雲資料進行變換運算，該運算單元執行該去約束轉換運算為依據三主軸之變異數進行對數運算，以去除該些個變異數對應之邊界。
本發明提供一實施例，其中於該運算單元依據該些個分布特徵資料辨識該些個子點雲集合之步驟中，該運算單元依據該些個子點雲集合之分類與對應之複數個標號，辨識該些個正常點資料與該異常點資料。
本發明提供一實施例，其中於該運算單元依據該些個分布特徵資料辨識該些個子點雲集合之步驟中，該運算單元依據該些個子點雲集合之至少一第二分類點雲與對應之其中至少一標號，辨識並取得該異常點資料。
本發明提供一實施例，其中於該運算單元依據對應之其中一該分布特徵資料校正該異常點資料之步驟中，該運算單元依據該異常點資料與其相鄰點資料之色彩資料並進行回歸運算，以取得該異常點資料對應之一第一顏色校正資料；該運算單元依據該第一顏色與該相鄰點資料之色彩資料進行回歸運算，以取得該異常點資料對應之一第二顏色校正資料；以及該運算單元依據該些個子點雲集合所對應之一加權平均法結合該第一顏色校正資料以及該第二顏色校正資料，以取得一標準顏色校正資料並覆寫該異常點資料。
本發明提供一實施例，其中於該運算單元依據對應之其中一該分布特徵資料校正該異常點資料之步驟中，該運算單元依據該該異常點資料對應之一位置資料進行回歸運算，以取得一位置回歸資料；該運算單元依據該異常點資料對應之一影像擷取資料讀取一影像色彩資料並進行回歸運算，以取得一色彩回歸資料；以及該運算單元依據該些個子點雲集合所對應之一加權平均法結合該位置回歸資料以及該色彩回歸資料，以建立一顏色回歸單元而校正該異常點資料。
為使　貴審查委員對本發明之特徵及所達成之功效有更進一步之瞭解與認識，謹佐以較佳之實施例及配合詳細之說明，說明如後：
習知校正點雲影像之方法係造成人工修正上效率降低之問題，本發明改善習知校正點雲影像之方法之缺點，以降低計算機單次運算量，進而提升計算機於點雲影像校正之運算效率。
在下文中，將藉由圖式來說明本發明之各種實施例來詳細描述本發明。然而本發明之概念可能以許多不同型式來體現，且不應解釋為限於本文中所闡述之例式性實施例。
本發明之校正異常點雲資料之方法之使用流程如第1圖所示，其為本發明之一實施例之流程圖，如圖所示，步驟如下：
步驟S05：使用光學掃描單元逐點成像，以產生點雲資料；
步驟S10：使用運算單元讀取原始點雲資料；
步驟S20：運算單元依據原始向量資料分割點雲陣列，以取得複數個子點雲集合與對應之複數個分布特徵資料；
步驟S30：運算單元依據分布特徵資料辨識對應之子點雲集合，以取得包含異常點資料之子點雲集合；以及
步驟S40：運算單元依據對應之分布特徵資料校正異常點資料。
本發明之校正異常點雲資料之步驟流程如步驟S10至步驟S40，為了更明白說明本發明之校正異常點雲資料之方法之使用步驟流程，在此舉一實際範例，請參考第2A至2E圖，其為本發明之一實施例之輸入點雲資料之示意圖、點雲資料格式之示意圖、分割點雲資料之示意圖、辨識異常點資料之示意圖與校正異常點資料。如圖所示，本發明之校正系統10包含一處理單元102與一光學掃描單元104，本實施例為光學掃描單元104經掃描外部結構物後，將掃描後所產生之一原始點雲資料PC1傳輸至儲存單元DB，以供處理單元102自儲存單元DB讀取對應之原始點雲資料PC1，但本發明不限於此，處理單元102更可透過無線傳輸方式自儲存單元DB讀取對應之原始點雲資料PC1，本實施例之光學掃描單元104為一光達(Lidar)、一三維雷射掃描儀或一光束掃描儀。
於步驟S05中，如第2A圖所示，光學掃描單元104掃描結構物後產生對應之原始點雲資料PC1並傳送至儲存單元DB，原始點雲資料PC1包含複數個正常點資料(如第一點資料D1、第二點資料D2)、至少一異常點資料(如第三點資料)與一原始體素空間V(如第2C圖所示)。
於步驟S10中，如第2A圖所示，處理單元102讀取儲存單元DB所儲存，如第2B圖所示，點雲資料PC包含標頭區H與資料區D，其中標頭區H具有資料型態H1與類別標籤H2，除此之外，標頭區H更可依據使用需求增加設定值，例如:封包欄位等，資料區D包含各個點資料，例如:第一點資料D1、第二點資料D2、第三點資料D3作為舉例，由於一般點雲資料所包含的點資料數量超過十萬個，方可作成基礎影像模型，因此本實施例以三個點資料作為舉例。第一點資料D1、第二點資料D2、第三點資料D3分別具有一第一屬性資料DD1、一第二屬性資料DD2與一第三屬性資料DD3，即對應之位置資料、色彩資料、強度資料與掃描資料，其中位置資料即對應於原始體素空間V之座標值，色彩資料即光學掃描單元104在掃描時所獲取之色彩值、強度資料為光學掃描單元104在掃描時所提供之光源強度，掃描資料即光學掃描單元104在掃描時所產生之標籤值。例如:光學掃描單元104所建立之點雲資料即是以點的型式記錄，每一個點包含有位置資料(三維座標或幾何位置)、色彩資料、強度（Intensity）資料，其中強度資料是指光學掃描單元104接受到的回波強度，因此該強度資料對應至掃描資料中所包含之受掃描目標的表面材質、粗糙度、入射角方向，以及光學掃描單元104的光發射能量，出光波長。
於步驟S20中，如第2C圖所示，透過處理單元102分析點資料在原始體素空間V之分布情況，進而將原始點雲資料PC1進行分割，因而取得複數個子點雲集合B1-Bn，該些個子點雲集合B1-Bn，同時取得對應之複數個分布特徵資料F1-Fn，步驟S20進一步如第3A圖所示，其步驟包含:
步驟S210：運算單元依據原始體素空間之體素網格而對應分割原始點雲資料為子點雲集合；
步驟S220：運算單元針對子點雲集合進行最近鄰索引運算、主成分分析運算以及去約束轉換運算，以取得分布特徵資料；
步驟S230：運算單元將子點雲集合依據分布特徵資料進行分類，以取得類別標籤；以及
步驟S240：運算單元依據類別標籤而標籤子點雲集合。
於步驟S210中，如第3B圖所示，運算單元102所讀取到的原始體素空間V具有複數個體素網格VG，且該些個體素網格VG可具有不同尺度，但是基於點雲平均分布的情況下，更可為相同尺度，本實施例為相同尺度，亦即體素網格VG同一尺度大小。於步驟S220中，運算單元102執行該最近鄰索引運算為執行一K最近鄰(KNN，K-NearestNeighbor)搜尋運算法運算該原始點雲資料PC1，取得該些個正常點資料與該異常點資料之最近鄰點資料，例如:假設一點雲之位置資料為p，其所在之一位置資料集合為P，位置資料p在位置資料集合P中的k最近鄰搜尋運算方式，是透過排序位置資料集合P中其他各位置資料到位置資料p的距離||p-P||，找出位置資料集合P中有k筆資料的子集合S，且子集合S以及位置資料集合P中扣除子集合S的差集P\S滿足max(||p-S||) ≤ min(||p-P\S||)，而取得最近鄰點資料。
接續上述，運算單元102執行該主成分分析運算為依據三主軸之變異數該該原始點雲資料PC1進行變換運算，運算單元102執行該去約束轉換運算為依據三主軸之變異數進行對數運算，以去除該些個變異數對應之邊界；其中，本實施例之主成分分析運算為取三主軸之3個變異數由大至小命名為λ 1、λ 2、λ 3，λ 1≥ λ 2≥ λ 3≥ 0，而本實施例之去約束轉換運算為從λ 1、λ 2、λ 3到f 1、f 2、f 3的轉換，方程式如下：
Figure 02_image001
……式(一)
於步驟S230中，運算單元102於取得子點雲集合B1-Bn之與分布特徵資料F1-Fn後，如第3C圖所示，對子點雲集合B1-Bn進行分類，因而進行將類別標籤寫入於對應之分布特徵資料中，例如: 子點雲集合B1、B2、B4-Bn分類在第一類點雲C1，子點雲集合B3在第二類點雲C2，接續於步驟S240，對對子點雲集合B1-Bn依據分類進行標號。
於步驟S30中，如第2D圖所示，運算單元102針對分割後的子點雲集合B1-Bn進行辨識，以取得其中至少一異常點資料ERR，本實施例係以單一異常點資料ERR作為舉例說明，但本發明不限於此，而是依據子點雲集合B1-Bn的異常點資料ERR的實際分布情況，進而辨識出對應之異常點資料ERR。其中，步驟S30如第4A圖所示，其步驟進一步包含:
步驟S310：運算單元依據子點雲集合之分類與對應之點雲標號，辨識正常點資料與異常點資料。
於步驟S310中，如第5B圖所示，由於子點雲集合B1-Bn之分類並未進一步釐清是否有異常點雲的情況下，運算單元102依據第一類點雲C1、第二類點雲C2與對應之點雲標號(例如 B1-Bn)，因而進一步，由運算單元102一一對子點雲集合B1-Bn中辨識出正常點資料NOR與異常點資料ERR。倘若，子點雲集合B1-Bn之分類為針對第一類點雲C1、第二類點雲C2之第二類點雲C2即為包含異常點資料ERR之點雲分類，因此，步驟S30除了如第4A圖所示進一步包含上述步驟S310-330的辨識方式，步驟S30更可如第5A圖所示，更可包含以下步驟:
步驟S312：運算單元依據第二分類點雲與對應之標號，辨識並取得異常點資料。
於步驟S312中，即如第5B圖所示，由於分類的步驟，已將包含正常點資料之子點雲集合與包含異常點資料之子點雲集合進行分類，所以運算單元102即針對第二分類點雲C2進行辨識即可，而不需再辨識其他分類，同時，本實施例之運算單元102即僅針對異常點資料ERR取出，正常點資料NOR則不異動。
於步驟S40中，如第2E圖所示，運算單元102依據先前步驟中所得之分布特徵資料進行異常點資料ERR之校正，本實施例係以子點雲集合B3包含異常點資料ERR，因此運算單元102自對應之分布特徵資料F3讀取對應最近鄰點資料的色彩資料，以校正異常點資料ERR為正常點資料NOR。步驟S40如第6A圖所示，其步驟進一步包含:
步驟S410：運算單元依據異常點資料與其相鄰點資料之色彩資料進行回歸運算，以取得異常點資料對應之第一顏色校正資料；
步驟S420：運算單元依據第一顏色校正資料與該相鄰點資料之色彩資料進行回歸運算，以取得異常點資料對應之第二顏色校正資料；以及
步驟S430：運算單元依據子點雲集合所對應之加權平均結合第一顏色校正資料以及第二顏色校正資料，以取得標準顏色校正資料並校正異常點資料。
於步驟S410中，如第6B圖所示，運算單元102針對已辨識之異常點資料ERR及相對應之相鄰點資料NEIB之色彩資料(相當於第2B圖所示之屬性資料DD1、DD2、DD3中的色彩資料)進行回歸運算，因而產生異常點資料ERR對應之一第一顏色校正資料COR1，接續於步驟S420中，如第6C圖所示，將第一顏色校正資料COR1與相鄰點資料NEIB之色彩資料進行第二次回歸運算，因而獲得異常點資料ERR對應一第二顏色校正資料COR2，接續於步驟S430中，如第6D圖所示，運算單元120依據步驟S410與步驟S420二步驟中所得之第一顏色校正資料COR1與第二顏色校正資料COR2以及異常點資料ERR所在之子點雲集合(本實施例係以子點雲集合B3作為舉例)所對應之加權平均權重VEG進行回歸運算，以求得標準顏色校正資料SCR並對異常點資料ERR進行校正，進而獲得對應之正常點資料NOR，藉此校正異常點雲資料。
接續上述，本發明之校正方式除了回歸運算近鄰色彩之餘，步驟S40除了進一步包含如第6圖所示之步驟S410-430的校正點雲方式之外，步驟S40更可如第7A圖所示，包含如下步驟所示:
步驟S412：運算單元依據異常點資料對應之位置資料進行回歸運算，以取得位置回歸資料；
步驟S422：運算單元依據異常點資料對應之影像擷取資料讀取影像色彩資料並進行回歸運算，以取得色彩回歸資料；以及
步驟S432：運算單元依據子點雲集合所對應之加權平均法結合位置回歸資料以及色彩回歸資料，以建立顏色回歸單元而校正異常點資料。
於步驟S412中，如第7B圖所示，運算單元102為依據異常點資料ERR所在之子點雲集合B3所有位置資料進行回歸運算，以獲得對應之位置回歸資料，此舉在於重新獲得較精確之位置回歸資料P，接續於步驟S422中，如第7C圖所示，運算單元102針對異常點資料ERR讀取對應之影像擷取資料CAP，運算單元102從影像擷取資料CAP中讀取出對應之色彩資料CR進行回歸運算，以取得對應之色彩回歸資料C，其中影像擷取資料CAP即為空拍影像、數位影像等由影像擷取單元直接擷取之數位影像資料，例如:數位相機影像、空拍機影像、衛星影像；接續於步驟S432中，運算單元102依據步驟S412與步驟S422中所產生的位置回歸資料P與色彩回歸資料C以及異常點資料ERR對應之子點雲集合B3的加權平均權重VEG進行回歸運算，因而建立相對應之顏色回歸單元CRR，以對異常點資料ERR進行校正，進而獲得相對應之正常點資料NOR。
例如:上述位置回歸資料P為利用K最近鄰演算法運算出異常點資料ERR在點雲資料PC中的最近鄰，也就是在正常點資料NOR之集合中取得位置回歸資料對應之最近鄰S，因而藉此回歸運算最近鄰S的所有點的顏色資料平均值，因而獲得色彩回歸資料C對應之校正結果，以校正異常點資料ERR為正常點資料NOR。
因此，本發明利用分割原始點雲資料PC1所得之子點雲集合B1-Bn進行分類與標號，以讓運算單元102在處理子點雲集合B1-Bn的處理效能會較佳於直接處理原始點雲資料PC1，且藉由上述各種分割的運算方式，以及辨識方式，甚至是校正方式，進一步降低運算單元102之運算負載，因而提升點雲資料處理對於異常點資料校正之運算效率。
故本發明實為一具有新穎性、進步性及可供產業上利用者，應符合我國專利法專利申請要件無疑，爰依法提出發明專利申請，祈  鈞局早日賜准專利，至感為禱。
惟以上所述者，僅為本發明之較佳實施例而已，並非用來限定本發明實施之範圍，舉凡依本發明申請專利範圍所述之形狀、構造、特徵及精神所為之均等變化與修飾，均應包括於本發明之申請專利範圍內。
10:校正系統 102:處理單元 104:光學掃描單元 B1-Bn:子點雲集合 C:色彩回歸資料 C1:第一分類點雲 C2:第二分類點雲 CAP:影像擷取資料 COR1:第一顏色校正資料 COR2:第二顏色校正資料 SCR:標準顏色校正資料 CRR:顏色回歸單元 D1:第一點資料 D2:第二點資料 D3:第三點資料 DB:儲存單元 DD1:第一屬性資料 DD2:第二屬性資料 DD3:第三屬性資料 ERR:異常點資料 F1-Fn:分布特徵資料 NEIB:相鄰點資料 NOR:正常點資料 P:位置回歸資料 PC1:原始點雲資料 PC:點雲資料 V:原始體素空間 VG:體素網格 VEG:加權平均權重 S05-S40:步驟 S210-S240:步驟 S310-S330:步驟 S312-S332:步驟 S410-S430:步驟 S412-S432:步驟
第1圖：其為本發明之一實施例之流程圖；以及 第2A圖：其為本發明之一實施例之輸入點雲資料之示意圖； 第2B圖：其為本發明之一實施例之點雲資料格式之示意圖； 第2C圖：其為本發明之一實施例之分割點雲資料之示意圖； 第2D圖：其為本發明之一實施例之辨識異常點資料之示意圖； 第2E圖：其為本發明之一實施例之校正異常點資料之示意圖； 第3A圖：其為本發明之一實施例之分割點雲資料之流程圖； 第3B圖：其為本發明之一實施例之體素空間與體素網格之示意圖； 第3C圖：其為本發明之一實施例之分類子點雲集合之示意圖； 第4A圖：其為本發明之一實施例之辨識異常點資料之流程圖； 第4B圖：其為本發明之一實施例之辨識異常點資料之示意圖； 第5A圖：其為本發明之一實施例之辨識異常點資料之另一流程圖； 第5B圖：其為本發明之一實施例之辨識異常點資料之示意圖； 第6A圖：其為本發明之一實施例之校正異常點資料之流程圖； 第6B圖：其為本發明之一實施例之產生第一顏色校正資料之示意圖； 第6C圖：其為本發明之一實施例之產生第二顏色校正資料之示意圖； 第6D圖：其為本發明之一實施例之校正異常點資料之示意圖； 第7A圖：其為本發明之一實施例之校正異常點資料之另一流程圖； 第7B圖：其為本發明之一實施例之產生位置回歸資料之示意圖； 第7C圖：其為本發明之一實施例之產生色彩回歸資料之示意圖；以及 第7D圖：其為本發明之一實施例之校正異常點資料之示意圖。
S05-S40:步驟

Claims (11)

  1. 一種校正異常點雲資料之方法，其步驟包含： 使用一運算單元讀取一原始點雲資料，該原始點雲資料包含複數個正常點資料、至少一異常點資料與一原始體素空間； 該運算單元依據該原始體素空間分割該原始點雲資料，以取得複數個子點雲集合與對應之複數個分布特徵資料，該些個子點雲集合具有該些個正常點資料與該異常點資料； 該運算單元依據該些個分布特徵資料辨識該些個子點雲集合，以取得該異常點資料；以及 該運算單元依據該異常點資料對應之其中一該分布特徵資料進行回歸運算，以校正該異常點資料為一正常點資料。
  2. 如請求項1所述之校正異常點雲資料之方法，其中該些個正常點資料與該異常點資料分別包含一座標資料、一色彩資料與一強度資料，該座標資料對應於該原始體素空間。
  3. 如請求項2所述之校正異常點雲資料之方法，其中該些個分布特徵資料包含該些個正常點資料與該異常點資料對應之複數個位置特徵值、複數個色彩特徵值與複數個強度特徵值。
  4. 如請求項1所述之校正異常點雲資料之方法，其中於使用一運算單元接收一原始點雲資料之步驟前，更包含: 使用一光學掃描單元逐點成像，以產生該點雲資料。
  5. 如請求項4所述之校正異常點雲資料之方法，其中該光學掃描單元為一光達(Lidar)、一三維雷射掃描儀或一光束掃描儀。
  6. 如請求項1所述之校正異常點雲資料之方法，其中於該運算單元依據該原始體素空間分割該原始點雲資料，以取得複數個子點雲集合與對應之複數個分布特徵資料之步驟中，其步驟包含: 該運算單元依據該原始體素空間之複數個體素網格而對應分割該原始點雲資料為該些個子點雲集合； 該運算單元針對該些個子點雲集合進行一最近鄰索引運算、一主成分分析運算以及一去約束轉換運算，以取得該些個分布特徵資料，該些個分布特徵資料分別對應於該些個子點雲集合之每一影像點的所有鄰近點； 該運算單元將該些子點雲集合依據該些個分布特徵資料進行分類，以取得複數個類別標籤；以及 該運算單元依據該些類別標籤而標籤該些子點雲集合。
  7. 如請求項6所述之校正異常點雲資料之方法，其中該運算單元執行該最近鄰索引運算為執行一K最近鄰(KNN，K-NearestNeighbor) 搜尋運算法運算該些個原始點雲資料，該運算單元執行該主成分分析運算為依據三主軸之變異數該些個原始點雲資料進行變換運算，該運算單元執行該去約束轉換運算為依據三主軸之變異數進行對數運算，以去除該些個變異數對應之邊界。
  8. 如請求項1所述之校正異常點雲資料之方法，其中於該運算單元依據該些個分布特徵資料辨識該些個子點雲集合之步驟中，該運算單元依據該些個子點雲集合之分類與對應之複數個標號，辨識該些個正常點資料與該異常點資料。
  9. 如請求項1所述之校正異常點雲資料之方法，其中於該運算單元依據該些個分布特徵資料辨識該些個子點雲集合之步驟中，該運算單元依據該些個子點雲集合之至少一第二分類點雲與對應之其中至少一標號，辨識並取得該異常點資料。
  10. 如請求項1所述之校正異常點雲資料之方法，其中於該運算單元依據對應之該分布特徵資料校正該異常點資料之步驟中，其步驟包含: 該運算單元依據該異常點資料與其至少一相鄰點資料之色彩資料並進行回歸運算，以取得該異常點資料對應之一第一顏色校正資料； 該運算單元依據該第一顏色校正資料與該異常點資料之該相鄰點資料之色彩資料進行回歸運算，以取得該異常點資料對應之一第二顏色校正資料；以及 該運算單元依據該些個子點雲集合所對應之一加權平均法結合該第一顏色校正資料以及該第二顏色校正資料，以取得一標準顏色校正資料並校正該異常點資料。
  11. 如請求項1所述之校正異常點雲資料之方法，其中於該運算單元依據對應之該分布特徵資料校正該異常點資料之步驟中，其步驟包含: 該運算單元依據該異常點資料對應之一位置資料進行回歸運算，以取得一位置回歸資料； 該運算單元依據該異常點資料對應之一影像擷取資料讀取一影像色彩資料並進行回歸運算，以取得一色彩回歸資料；以及 該運算單元依據該些個子點雲集合所對應之一加權平均法結合該位置回歸資料以及該色彩回歸資料，以建立一顏色回歸單元而校正該異常點資料。
TW109142202A 2020-12-01 2020-12-01 校正異常點雲資料之方法 TWI802827B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW109142202A TWI802827B (zh) 2020-12-01 2020-12-01 校正異常點雲資料之方法
US17/354,188 US11875477B2 (en) 2020-12-01 2021-06-22 Method for correcting abnormal point cloud

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109142202A TWI802827B (zh) 2020-12-01 2020-12-01 校正異常點雲資料之方法

Publications (2)

Publication Number Publication Date
TW202223836A true TW202223836A (zh) 2022-06-16
TWI802827B TWI802827B (zh) 2023-05-21

Family

ID=81752796

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109142202A TWI802827B (zh) 2020-12-01 2020-12-01 校正異常點雲資料之方法

Country Status (2)

Country Link
US (1) US11875477B2 (zh)
TW (1) TWI802827B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117055008B (zh) * 2023-10-11 2024-01-19 武汉市品持科技有限公司 点云拖尾点的处理方法、装置、设备和可读存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107749079B (zh) * 2017-09-25 2020-03-17 北京航空航天大学 一种面向无人机扫描重建的点云质量评价和轨迹规划方法
US11042146B2 (en) * 2017-11-17 2021-06-22 Kodak Alaris Inc. Automated 360-degree dense point object inspection
US10705216B2 (en) * 2017-12-07 2020-07-07 Institute For Information Industry Three-dimensional point cloud tracking apparatus and method using recurrent neural network
US10748027B2 (en) * 2018-10-02 2020-08-18 International Business Machines Corporation Construction of an efficient representation for a three-dimensional (3D) compound object from raw video data
US10699430B2 (en) * 2018-10-09 2020-06-30 Industrial Technology Research Institute Depth estimation apparatus, autonomous vehicle using the same, and depth estimation method thereof
CN112634181A (zh) * 2019-09-24 2021-04-09 北京百度网讯科技有限公司 用于检测地面点云点的方法和装置
WO2021097126A1 (en) * 2019-11-12 2021-05-20 Geomagical Labs, Inc. Method and system for scene image modification
US11276166B2 (en) * 2019-12-30 2022-03-15 GE Precision Healthcare LLC Systems and methods for patient structure estimation during medical imaging

Also Published As

Publication number Publication date
US20220172327A1 (en) 2022-06-02
US11875477B2 (en) 2024-01-16
TWI802827B (zh) 2023-05-21

Similar Documents

Publication Publication Date Title
Maltezos et al. Building extraction from LiDAR data applying deep convolutional neural networks
JP7292979B2 (ja) 画像処理装置及び画像処理方法
CN111028327A (zh) 一种三维点云的处理方法、装置及设备
JP2014096152A (ja) ポイントクラウド内の埋め戻しポイント
US20240112398A1 (en) Plant model generation method and apparatus, computer device and storage medium
CN111209822A (zh) 一种热红外图像的人脸检测方法
JP2020042503A (ja) 三次元表象生成システム
Tabata et al. High-speed 3D sensing with three-view geometry using a segmented pattern
WO2020118896A1 (zh) 一种图像修复方法、图像修复系统及平板探测器
TW202223836A (zh) 校正異常點雲資料之方法
CN109190452A (zh) 作物行识别方法及装置
US11838643B2 (en) Information processing method and electronic apparatus
CN110007764B (zh) 一种手势骨架识别方法、装置、系统及存储介质
US11816857B2 (en) Methods and apparatus for generating point cloud histograms
KR102291162B1 (ko) 인공 지능 학습용 가상 데이터 생성 장치 및 방법
CN113627478A (zh) 一种目标检测方法、目标检测装置及机器人
CN112529917A (zh) 一种三维目标分割方法、装置、设备和存储介质
CN109448060B (zh) 一种基于蝙蝠算法的相机标定参数优化方法
CN115457202B (zh) 一种三维模型更新的方法、装置及存储介质
CN112418344A (zh) 一种训练方法、目标检测方法、介质及电子设备
CN114092780B (zh) 基于点云与图像数据融合的三维目标检测方法
US20230237735A1 (en) Method For Generating Point Cloud Data And Data Generating Apparatus
CN115906007B (zh) 智能驾驶特征参数生成方法、装置和计算机可读介质
TW202320017A (zh) 影像資料擴增裝置及方法
CN117523428B (zh) 基于飞行器平台的地面目标检测方法和装置