3D点云处理：3D边缘提取(源码) Detecting Holes in Point Set Surfaces

已于 2024-02-01 21:18:07 修改
阅读量1.9k 收藏 7
点赞数 2
分类专栏： 3D视觉 文章标签： 3d 算法
于 2022-11-19 21:40:15 首次发布
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/lddx_123456/article/details/127942376
版权
3D视觉 专栏收录该内容
57 篇文章 90 订阅 ¥399.90 ¥499.90
订阅专栏

文章目录

订阅说明：如果要订阅，先看链接内容 看链接内容 看链接内容：订阅先看此内容

文章目录：3D视觉个人入门学习路线

  • 额外学习内容：局部坐标系建立

0. 测试效果

对pcl中的源码进行优化，对比结果如下：
在这里插入图片描述

1. 基本原理

      PCL中点云边缘提取的方法来源 Detecting Holes in Point Set Surfaces论文，名为Angle Criterion，简称AC。
      其原理可简单理解为：待测点 p i

了解本专栏 订阅专栏 解锁全文
让让布吉
关注
  • 2
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
PCL点云边界提取——源码解析
Z's Palace
05-24 309
在PCL中集成了一个非常经典的点云边缘检测算法，这个算法也在PCL点云边界提取这篇博客中讲解了。该文章只介绍了AC算法的原理及接口调用。那么它的内部具体是如何实现的呢？如果知道了它的具体实现，那么在某些情况下，就可以直接在它的源码基础上做一些小的改动，就能够更好地适应不同的需求了。这里只对AC边缘检测算法做个源码解析及修改后调用的过程记录，若以后需要解析其他PCL功能，也可以借鉴一下。
【图像处理】从点云数据中提取边界（识别和追踪）（Matlab代码实现）
weixin_46039719的博客
03-01 4193
现有的解决方案在以下一种或多种情况下存在缺陷:沿凹形状识别细节，单独识别形状内的“洞”，适当的边界跟踪，以及沿正则化建筑轮廓保存详细信息。通过使用输入数据中的最大点对点距离，识别步骤的解决方案正确地检测任何类型形状的边界边缘，并单独识别形状内部的孔(如果有的话)。所提出的跟踪算法将边界边划分为段，准确获取每个段的点序列，并在必要时将它们合并，以生成每个形状的单一边界。实验结果表明，即使在低密度输入数据中，所提出的解决方案也能保持建筑边界的细节，并提供较高的基于像素的完整性和几何精度。行百里者，半于九十。
[转]点云边缘检测-逆时针排序-毛点去除
byliut的博客
11-17 234
原文：https://blog.csdn.net/weixin_45231460/article/details/128890783。时提取出的点云有很多毛刺点，而且，输出的点云也不是按照顺时针或者逆时针排序。传入待处理的点云，一个vector存放处理后的点的xy坐标。版权声明：本文为作者原创文章，转载请附上博文链接！进行逆时针排序，然后去除掉毛刺点。自己写了一个函数，在xy平面，对。
平面点云的有序边缘点提取
02-08 1610
提取有序边缘点
matlab对于点云栅格化，并且提取路面（粗糙版）
kai_Kai_01的博客
04-19 1600
clc ; clear ; %读取点云，将点云数据读取到lidardata矩阵（n*4的矩阵），但实际中只用到了前三列n*3 lidardata=load('ac.txt'); % 显示原始点云 x2=lidardata(:,1); y2=lidardata(:,2); z2=lidardata(:,3); figure(1); plot3(x2,y2,z2,'.'); xlabel('X'); ylabel('Y'); zlabel('Z'); %计算x/y/z差值，以方便确定空间...
Python点云处理（二十）点云轮廓边界提取——基于邻域三角形距离算法
weixin_43894929的博客
12-09 3359
由于扫描对象形状复杂多样、点云数据具有分布不规则和密度不均等特性，以及传感器扫描模式不同和场景中其他地物遮挡等多种因素的影响，自动、准确地提取轮廓仍然具有较大的挑战。通过提取物体的内部轮廓线和外部轮廓线，可以得到物体的边缘轮廓和空间结构等信息。在机器人视觉中，点云轮廓提取可以用于识别和跟踪机器人周围的物体。通过提取物体的轮廓线，可以得到物体的形状、尺寸、位置和方向等信息，从而帮助机器人进行目标定位和操作。点云轮廓提取通过分析点云中每个点的邻域关系，提取点云表面的轮廓线。
Point2Sequence：Point2Sequence：使用基于注意力的序列到序列网络学习3D点云的形状表示
01-28
Point2Sequence：使用基于注意力的序列到序列网络学习3D点云的形状表示 由，，， 。 引文 如果您发现我们的工作对您的研究有用，请考虑引用： @inproceedings{liu2019point2sequence, title={Point2Sequence: ...
3D GAN for Detecting Temporal Irregularities in Videos
09-07
在本文中，我们探讨了一种使用3D卷积生成对抗网络（3D-GANs）检测视频时间不规则性的新方法。时间不规则性是指视频中的异常片段，这对于视频分析应用，如视频异常检测和视频摘要，至关重要。针对时间不规则性的检测...
Fast Object Detection in 3D Point Clouds Using Convolutional Neural Networks
04-08
Abstract— This paper proposes a computationally efficient approach to detecting objects natively in 3D point clouds using convolutional neural networks (CNNs). In particular, this is achieved by ...
Two Birds with One Stone: A Coupled Poisson Deconvolution for Detecting and Describing Topics from Multimodal Web Data
02-12
Two Birds with One Stone: A Coupled Poisson Deconvolution for Detecting and Describing Topics from Multimodal Web Data
三维点云边界提取.rar
10-15
三维点云边界提取原理介绍相关参考文献及python代码实现。需要用到pclpy库，配库链接为：https://blog.csdn.net/qq_36686437/article/details/120517528
点云边界提取
08-15
可以对txt格式的点云进行边界提取，包括内边界
MOTIONDETECT+COLOR+1.5+8.ZIP_Color1.5_In Motion_face detecting_m
09-24
标题"MOTIONDETECT+COLOR+1.5+8.ZIP_Color1.5_In Motion_face detecting_m"揭示了一个软件或程序，它主要用于在网络摄像头（webcam）中检测运动中的物体，特别是人脸。这个版本被称为"Color1.5"，暗示着它在检测运动...
点云内边界提取
m0_48919875的博客
08-22 644
点云求边界
PCL点云学习六（边缘提取）
weixin_37781153的博客
04-22 7253
论文：Point Feature Extraction on 3D Range Scans Taking into Account Object Boundaries 论文阅读 摘简介 使用点云生成的距离图像 提取了前景到背景的边界 使用NARF特征，提出了3维数据的特征点和描述符提取方法 <1>:特征点需要所在平面稳定（具有稳定的法线） <2>:利用局部视图中的物体边界（因为物体边界是特殊的，边界的特征点和描述符会使整个过程更加具有鲁棒性），提出了一种边界提取方法 bor
3d点云检测学习笔记
m0_54218171的博客
03-18 190
新人小白的个人笔记，持续完善中
F-Cooper: 基于 3D 点云特征的自动驾驶车辆边缘计算系统的协作感知
weixin_43635795的博客
09-27 912
提出了一种基于点云特征的协同感知框架（F-Cooper）：1）利用特征级融合实现端到端的 3D 目标检测，特征级数据传输不会有网络拥塞的风险，可实现实时边缘计算和低通信延迟；2）除了能够提高检测精度外，特征融合所需的数据量仅为原始数据量的百分之一，在数据量和传输时间上都很好地处于 On-Edge 计算和通信的可接受范围内；3）两种融合方案：体素特征融合和空间特征融合。
【笔记：3D航路规划算法】一、随机搜索锚点（python实现，讲解思路）
最新发布
懒惰是科技进步的原始动力
07-19 1131
3D路径规划是在三维空间中寻找从起点到终点的最短或最优路径的一种技术。它广泛应用于无人机导航、机器人运动规划、虚拟现实等领域。
detecting change-point, trend, and seasonality in satellite time series data
09-11
在卫星时间序列数据中检测变点、趋势和季节性是一项重要的任务。卫星时间序列数据是通过卫星观测到的地球表面上的连续观测数据。这些数据可以用于监测和分析地球表面的变化，如气象、土地利用和植被覆盖等。 首先，检测变点是指在时间序列中找到突变或结构转变的点。变点可能代表了不同的影响因素引起的突变，例如自然事件、人为活动或仪器故障等。通过分析时间序列数据的变化趋势，可以使用一些统计方法来检测这些变点。 其次，趋势是指时间序列数据中长期的变化方式。有时，卫星时间序列数据中的变化可能会逐渐增长或减少，这可以被称为趋势。通过对时间序列数据进行回归分析或移动平均处理，我们可以检测和评估这种趋势。 季节性是指在一年内周期性的重复出现的模式。例如，地表温度通常会因季节变化而发生变化，夏季温度高，冬季温度低。对于卫星时间序列数据，我们可以通过分析数据的周期性变化来检测季节性。一种常用的方法是使用季节分解技术，如STL分解，将时间序列分解成长期趋势、季节变化和随机噪声部分。 通过检测卫星时间序列数据中的变点、趋势和季节性，我们可以更好地理解地球表面的变化，并为环境监测和资源管理提供更准确的信息。这些分析结果可以用于研究气候变化、土地利用变化、植被变化等，以及评估其对环境和人类社会的影响。
评论
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

打赏作者

让让布吉

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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