根据2D图像mask分割点云块

最新推荐文章于 2022-11-11 12:11:16 发布
最新推荐文章于 2022-11-11 12:11:16 发布
阅读量1.5k 收藏 2
点赞数 2
分类专栏： PCL
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/huanghundechenxi/article/details/104144562
版权

前段时间做项目，其中一个步骤是根据深度学习识别出来的mask分割mask对应的点云块，然后计算点云块的位置和姿态，以供机器人抓取

这里点云和mask都是mat格式，根据2D图像的mask分割点云块的关键函数式opencv中的copyTo函数，然后把分割后的mat格式的图像转换成pcl，转换方法参考https://mp.csdn.net/postedit/104144040

 

MrLi1
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
专栏目录
【论文阅读】【3D场景点云分割】Mask3D: Mask Transformer for 3D Semantic Instance Segmentation
Grey_OnO的博客
09-02 519
第一种真正基于 Transformer 的三维点云实例语义分割方法
PCL点云自定义裁剪的两种思路
二赛君
11-03 2196
将待分割的点云投影到视角法向量的平面上，将ROI多边形区域对应的三维坐标点也投影到法向量的平面上。问题转换为在二维平面内，落在多边形区域内的点保留，之外的点删除；首先这里的裁剪不是分割，点云分割是利用聚类、区域增长等进行自动话的分割。用多个平面进行点云分割；二维平面的ROI多边形，每条边都可以对应三维空间中的一个平面，利用多个平面来裁剪点云；最后求点云的交集，即使ROI区域的点云；点云库PCL学习：三维空间实现平面裁剪（PlaneClipper3D的使用）_Mr.Qin_的博客-CSDN博客。
PCL实现对点云指定区域的分割
qq_43627520
03-16 4706
PCL实现对点云指定区域的分割 通常我们从激光雷达或者深度相机中拿到的数据中包含有大量的背景区域，而我们想要的数据有时候时候可能只是其中的一小部分。对于目标区域的提取通常采用算法的形式，但是在点云数据中算法的开发难度可想而知。 条条大路通罗马，我们可以退而求其次，采用手动的方式提取我们想要的数据和区域。 然后再对提取的数据进行微调，这个微调总比我们去开发一个算法简单吧，具体怎么调就看各自的需求吧，但缺陷就是工作量大，如果说数据量少（几十个点云文件），那这还好说，但是数据量大的话（成百上千），那还是乖乖的去开
点云分割方法综述
cocapop的博客
11-11 3102
以上将分割方法分为五类。但是，一般来说，有两种基本方法。-第一种方法是用纯数学模型和几何推理技术，如：区域增长或模型拟合，将线性和非线性模型拟合到点云数据。这种方法允许快速运行时间能实现良好的结果。这种方法的局限性在于在拟合物体时难以选择模型的大小，对噪声敏感并且在复杂场景中不能很好地工作。-第二种方法是用特征描述子的方法。从点云数据中提取3D特征，并使用机器学习技术来学习不同类别的对象类型，然后使用结果模型对所获取的数据进行分类。在复杂场景中，机器学习技术将优于纯粹基于几何推理的技术。
【点云处理之论文狂读前沿版7】—— Masked Autoencoders for Point Cloud Self-supervised Learning
yuanmiyu6522的博客
05-22 2104
Masked Autoencoders for Point Cloud Self-supervised Learning摘要1.引言 摘要 灵感： NLP和CV中的Masked Autoencoder应用很成功 问题： 点云中存在局部信息缺失和密度不均匀的现象 方法： 使用Masked Autoencoder进行点云自监督学习 细节： ①将输入的点云划分成不规则的点云块，以较高的比率 mask 这些块 ②使用基于autoencoder的标准transformer从这些未被mask的块中学习高维特征，从而重
点云分割和点云分类（点云语义分割）
热门推荐
DayDayUp
09-05 5万+
概念 点云分割（point cloud segmentation） 根据空间、几何和纹理等特征点进行划分，同一划分内的点云拥有相似的特征。 点云分割的目的是分块，从而便于单独处理。 点云分类（point cloud classification) 为每个点分配一个语义标记。点云的分类是将点云分类到不同的点云集。同一个点云集具有相似或相同的属性，例如地面、树木、人等。也叫做点云语义分割。 特征提取 单个点或一组点可以根据低级属性检测某种类型的点。 “低级属性”是指没有语义（例如，位置，高.
【3D点云】分割算法总结（一）
qq_45752541的博客
09-19 1万+
总结近3年来主要的点云分类、检测与分割算法，介绍原理与代码。
从2D图像如何生成3D模型（点云）深度学习的方法
weixin_39326879的博客
04-24 2万+
原文地址：https://chenhsuanlin.bitbucket.io/3D-point-cloud-generation/paper.pdf 摘要： 对于3D物体的重建，信息主要丰富在表面。本文的目的在于以密集点云的形式表示3D模型， 这边文章讲的就是用2D图像如何生成3D模型。2D图像也是从3D的世界投影来的，从3D到2D必然是缺少了很多信息的，所以单一视角的2D图像是不可能恢复出3D模...
点云拟合平面-最小二乘法
11-18 3510
参考：https://blog.csdn.net/qq_45427038/article/details/100139330 import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D import math # 从txt文档读取点 def readTxt(textfile): with open(textfile, 'r') as f: x2, y2, z
阿里云云计算2023最新视频 ：课时8：介绍阿里云块存储产品.mp4
07-29
阿里云云计算2023最新视频 ： 课时1：阿里云整体架构.mp4 课时2：阿里云平台优势.mp4 课时3：云服务器ECS的概念.mp4 课时4：ECS实例.mp4 课时5：ECS的优势.mp4 课时6：ECS的使用.mp4 课时7：ECS的计费和使用限制.mp4 课时8：介绍阿里云块存储产品.mp4 课时9：阿里云块存储产品的使用.mp4 课时10：VPC的概念.mp4 课时11：VPC的组件.mp4 课时12：VPC的规划和使用.mp4 课时13：VPC的管理.mp4 课时14：SLB的介绍.mp4 课时15：SLB中的概念.mp4 课时16：SLB的配置.mp4 课时17：AS的概念.mp4 课时18：AS的配置.mp4 课时19：对象存储的概念.mp4 课时20：对象存储的应用.mp4 课时21：对象存储的计费和限制.mp4 课时22：云数据库RDS的概念.mp4 课时23：云数据库RDS的使用.mp4 课时24：数据管理DMS和数据传输DTS.mp4 课时25：CDN的概念.mp4 课时26：CDN的使用.mp4 课时27：CDN的计费和使用限制.mp4 课时28：阿里云安全体
Unet_LaneMarking_Segmentation
04-12
从LiDAR强度图像中基于Unet的车道标记提取 该存储库包含用于从LiDAR点云得出的强度图像中提取车道标记的代码。 有关这项工作的更全面描述，请参见相应的的链接。 正在逐步使用代码的过程。 目录 项目动机 该项目的目标是训练一个U-net模型，以从LiDAR点云生成的LiDAR强度图像中检测车道标记。 档案说明 EB文件夹由长度为12.8 m，宽度为12-16 m（取决于高宽度）的LiDAR点云块组成。 EB_intensity图像包含2个子文件夹： images ：生成与点云块相对应的所有强度图像 data_for_3D ：此文件夹包含具有地理配准参数的文件，这些文件用于将U-net预测车道标记图像转换回3D点云 以下python文件已更新并可以使用： 改进的_intensity_generate.py：为EB文件夹中的点云块生成的强度图像和地理配准参数分别进入图像和data_
综合多种算法的点云精简优化策略与实验研究
02-22
针对野外扫描原始点云中存在各种形态噪声点和大量冗余数据,提出一种基于方法库、布料模拟滤波和曲率分级等综合算法运用的点云精简优化策略。首先利用统计滤波去除远距离稀疏的噪声点,然后利用直通滤波分割出含有近距离大密度噪声点的点云块,利用布料模拟滤波算法去除这类噪声点,再利用半径滤波去除目标点云周围近距离的噪声点,最后基于曲率分级压缩方法实现对点云冗余数据的去除,并与两种传统的压缩方法进行实验对比分析。实验结果表明,所提的精简优化策略能有效去除点云中的噪声点,在保留点云大部分特征点的同时,能最大化减少点云数据的冗余量,提高了点云模型重建的数据质量。
create-cloud-block：创建古腾堡云块的样板生成器
02-05
创建云块 用于构建云块的样板生成器。 该生成器受和启发。 但是，它仅用作样板，而不是零配置工具箱。 总览 $ npm init cloud-block my-block $ cd my-block 发展历程 现在可以开始编辑块了。 要使用 （Gutenberg编辑器的简约版本）测试块，请运行： $ npm start 部署方式 准备就绪后，您可以按照部署步骤进行操作。 $ npm run build $ npm publish
云快充V1.5协议 中文版
最新发布
02-22
云快充V1.5协议 中文版
3D-BoNet：比3D点云实例分割算法快10倍！代码已开源
我爱计算机视觉
12-22 1078
点击我爱计算机视觉标星，更快获取CVML新技术本文转载自新智元（AI_era）新智元报道来源：投稿编辑：元子【新智元导读】本文提出了一种基于边界框回归的高效点云实例分割算法，通过...
Open3D(C++)点云处理算法汇总(C++长期更新版)
点云侠的博客
07-31 1万+
C++版本Open3D进行点云处理的一些算法使用案例
PCL点云条件滤波
黄昏的晨曦
11-10 3211
条件滤波器通过设定滤波条件进行滤波，有点分段函数的味道，当点云在一定范围则留下，不在则舍弃。 #include <iostream> #include <pcl/point_types.h> #include <pcl/filters/radius_outlier_removal.h> #include <pcl/filters/conditiona...
将图像分割的 mask 转换成目标检测的 bbox
颹蕭蕭
08-03 8460
def find_bbox(mask): _, labels, stats, centroids = cv2.connectedComponentsWithStats(mask.astype(np.uint8)) stats = stats[stats[:,4].argsort()] return stats[:-1] mask = label[4] ax = plt....
点云分割（point cloud segmentation）任务笔记
goodgoodstudy___的博客
04-20 2001
point cloud segmentation
请详细介绍pointnet++中的多尺度分组MSG
09-19
### 回答1： PointNet++是一个用于点云数据处理的深度学习框架，其中的多尺度分组MSG是该框架中的一个重要组成部分。MSG是Multi-Scale Grouping的缩写，本质上是一种点云特征提取方法，它可以有效地识别点云数据中的不同尺度信息。 MSG的核心思想是将点云数据划分为不同的区域，并在每个区域内执行特征提取。具体而言，MSG将点云数据划分为一系列由点集组成的球形区域，每个球形区域可看作一个“点云块”，在这个块内对点云数据进行特征提取。 在每个球形区域内，MSG采用了一种基于距离的分组策略，来将点云块中的点分为不同的组。这种分组策略可以有效地将点云数据分为多个尺度，得到不同尺度下的特征信息。MSG的多尺度特征提取过程如下： 1. 对于每个球形区域，MSG首先会将该区域内的所有点按照与球心的距离进行排序，并将排序后的点分为若干个距离层次。 2. 接下来，MSG将每个距离层次内的点分为多个组，每个组内的点之间的距离不超过一个给定的半径。 3. 对于每个组，MSG会计算该组内点的特征向量，并将这些特征向量拼接在一起，形成该球形区域的特征表示。 4. 最后，MSG将所有球形区域的特征表示拼接在一起，得到整个点云数据的特征表示。 通过这种多尺度分组的方式，MSG可以有效地捕捉点云数据中的不同尺度信息，提取出具有丰富表达能力的特征表示，为后续的点云分类、分割等任务提供了有力的支持。 ### 回答2： PointNet中的多尺度分组（Multi-Scale Grouping，MSG）是一种用于实现点云识别和分割的算法。它通过建立点云的局部和全局特征之间的关联性，提取了丰富的多尺度特征，并将其送入深度学习网络进行处理。 MSG算法可以分为三个主要步骤：特征提取、局部和全局特征融合以及分类或分割。 在特征提取阶段，MSG首先使用一个全连接网络（Fully Connected Network，FCN）对每个点进行特征学习，得到点的局部特征。然后，将点云划分为多个区域（例如，球形区域）并提取每个区域的一组特征。这样做是为了考虑到点云数据的局部性，即邻近点之间的关系。 在局部和全局特征融合阶段，MSG将局部特征和全局特征进行融合。局部特征用于捕捉区域内的局部细节，全局特征则用于表示整个点云的整体结构。MSG使用一种称为"maxpooling"的操作来融合这些特征。具体而言，对于每个区域，MSG选择与该区域中心最近的k个区域的特征进行融合。这样做是为了保留和利用距离较近的区域之间的关联性。 最后，在分类或分割阶段，MSG将融合后的特征传入全连接网络进行处理，以输出分类或分割结果。 MSG的优点在于能够同时考虑局部和全局特征，从而更好地捕捉点云数据的各个层面的信息。此外，MSG还能够有效地处理不同数量的点、不同密度的点和旋转变换。因此，MSG在点云相关的任务中表现出很好的性能。总之，MSG是PointNet算法中重要的组成部分，能够有效地提取多尺度特征，进而实现准确的点云识别和分割。 ### 回答3： PointNet是近年来应用于点云数据处理的一种深度学习框架，它通过将点云数据映射到特征空间中进行处理。而多尺度分组MSG（Multi-Scale Grouping）是PointNet中的一种技术，用于增强PointNet对点云数据的感知能力。 多尺度分组MSG的核心思想是在PointNet的基础上引入了多尺度特征学习和建模。传统的PointNet只考虑了全局特征，没有考虑局部信息和尺度差异。而多尺度分组MSG通过对点云数据进行多尺度分组，并在不同尺度上提取特征，从而增加了对点云数据不同尺度的感知能力。 具体来说，多尺度分组MSG在处理点云数据时，首先将每个点的邻域点按照距离进行分组，形成多个不同尺度的组。对于每个组，使用PointNet模型提取局部特征。然后，通过汇聚操作或者卷积操作等手段，将不同尺度组的特征融合在一起，得到一个全局感知的特征表示。通过这种方式，多尺度分组MSG可以同时考虑点云数据的整体结构和局部信息，从而提高了对点云数据的理解和处理能力。 多尺度分组MSG在点云分类、目标检测、语义分割等应用中都取得了较好的效果。它不仅能够提高PointNet对点云数据的抽象和理解能力，还能够针对不同尺度的点云数据进行不同程度的处理，从而得到更准确的结果。通过引入多尺度分组MSG，PointNet在点云数据处理的各种任务中表现出更好的性能和鲁棒性。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值