点云从入门到精通技术详解100篇-基于超体素类型的三维点云区域生长分割

目录

前言

国内外研究现状

2 相关知识

2.1 点云的组织形式与搜索

2.1.1 K-D树

2.1.2 八叉树

2.2 点云的几何特征估计

2.2.1 点云的特征邻域

2.2.2 基于主成分分析的特征估计

2.2.3 基于特征值的几何特征

2.3 体素与体素化

2.4 超体素与超体素化

2.4.1 超体素数据

2.4.2 超体素化过分割

2.5 基于种子点选取的区域生长算法

2.6 基于视觉特性的几何约束

2.6.1 平滑性约束

2.6.2 相似性约束

2.6.3 共面性约束

---

本文篇幅较长，分为上下两篇，下篇详见基于超体素类型的三维点云区域生长分割(续)

前言

点云在数据形态上是一组离散的多维数据集，它能有效地描述三维物体的形 状、尺寸和位置。点云数据除具有三维坐标之外，根据获取原理的不同还可能包 含颜色、光照强度和时间等信息[1]。与二维图像相比，三维点云有着较强的空间 表示能力，能够更好地表示物体的空间位置以及形状等信息，因此被广泛的应用 于无人驾驶[2]、三维重建[3]、虚拟现实[4]和遥感监测[5]等领域。但是，由于点云数据 是离散分布的，并不像二维图像一样具有纹理信息和规则的拓扑排列[6]，所以对 点云数据的处理是更加复杂和更具挑战的。
点云分割是将点云数据分割成多个同质区域的过程，空间上相近的点如果符 合给定的合并准则将被分配到同一个分组中[1]。点云分割是点云数据处理过程中 的关键一步，通过对点云数据进行分割可以有效地降低数据量并且提供更多的特 征信息。因此，点云分割对后续的分类、识别、场景理解或者重建都有着重大的 影响[7]。然而由于点云数据中的点分布较为稀疏，并且还具有数据量大、分布无 序等特点[8]，使得在点云分割时面临诸多的困难，主要表现为&#x