三维点云学习（4）4-Hough Transform

最新推荐文章于 2024-01-07 00:30:00 发布
最新推荐文章于 2024-01-07 00:30:00 发布
阅读量1k 收藏 1
点赞数
分类专栏： 点云处理 深蓝点云处理课程笔记 文章标签： python
原文链接：https://blog.csdn.net/weixin_41281151/article/details/107534353
版权
本文深入探讨了霍夫变换的核心思想，包括如何将原始空间中的点映射到参数空间中的线，以及如何处理噪声。霍夫变换通过投票机制减少噪声干扰，即使模型不完整也能重建。此外，它适用于各种模型，但运算复杂度较高，通常用于二维或三维处理。
摘要由CSDN通过智能技术生成

三维点云学习（4）4-Hough Transform

霍夫变换的理论通俗理解

Hough Tansform 霍夫变换

核心思想：
a.原始空间中得点-》参数空间中的线
b.原始空间得线-》原始空间的点
a.
在这里插入图片描述
b.常用求模型的例子
在这里插入图片描述

Hough Tansform vote

在这里插入图片描述

Hough Tansform -Effect of Noise

在这里插入图片描述

Hough Tansform 另一种表示模型

在这里插入图片描述
三个参数情况
在这里插入图片描述
在这里插入图片描述

Hough Tansform 优劣

优点：
1.能减少噪声的干扰（投票机制）
2.即使点的模型不完整，也可以通过vote复现整个模型
3.投票方法对任何模型都能处理
缺点：
运算复杂，霍夫变换一般只用在二维或三维处理上
在这里插入图片描述

selfDisciplineSun
关注
专栏目录
霍夫变换探测三维平面之三
dayuhaitang1的博客
05-07 793
文章目录一、简介二、实现代码三、实现效果参考文献 一、简介 基础理论：如果可以精确的求出一个点在物体空间中的位置以及法向量，那么就可以完全定义经过该点的一个平面，那么此时亦可以用其来加速霍夫变换，提高可靠性。这是由于该平面的参数可以直接映射到参数空间中的单个点，这样就可以大大减少每个点的投票次数，节省霍夫变换的计算时间以及空间。具体的操作过程如下所述： （1）首先计算出点云中每个点的法向量。 （2）将各个点的法向转换为以角度和距离参数表示的形式，以利于投票过程的执行，公式如下所示： （3） 确定
霍夫变换（Hough Transform）：霍夫变化在图像处理以及点云处理中的直线检测应用
m0_37957160的博客
05-25 5124
霍夫变换（Hough Transfrom）是图像处理中的一种特征提取技术，它通过一种投票算法检测具有特定形状的物体，该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换的结果。 最初的霍夫变换是设计用来检测直线和曲线的，起初的方法要求知道物体边界线的解析方程，但不需要有关区域位置的先验知识，这种方法的一个突出优点是分割结果的鲁棒性，即对数据的不完全或者噪声不是非常的敏感，然而要获得描述边界的解析表达常常是不可能的；后经过推广，经典霍夫变换用来检测图像中的直线，再后来霍
3D电力线点云学习笔记
m0_61414859的博客
04-21 281
L001line,npy是001数据提取后的点云集，.npy中放着点云的坐标值。# ***1. 绘制原始数据图像L001line.npy***经过霍夫变换检测到的直线加判断，使得相近的直线合并为一根。#根据点到直线的距离提取符合阈值的电力线。#将筛选后得到的电力线点保存。
3D激光点云霍夫变换拟合直线
ywfwyht的博客
08-20 1193
可以看到笛卡尔坐标系下的点A、B、M映射到参数空间中实际上是线，而笛卡尔坐标系中的直线AB、直线BM映射到参数空间中实际上是点E、F。但由于垂直于X轴的直线，其斜率k无穷大、不存在，所以会导致点M、Z在参数空间中对应的线是平行的，没有交点，即该参数空间下无法描述k不存在的直线。可以看到笛卡尔坐标系下的点A、B、M映射到极坐标系下的参数空间中实际上是线，而笛卡尔坐标系中的直线ABM映射到极坐标系下的参数空间中实际上是点F。且对于平行于X或Y轴的直线也可以很好映射到参数空间下，保证其有交点。
基于霍夫变换的点云分割方法
weixin_33755649的博客
08-09 1452
基于霍夫变换的点云平面分割方法 （1）标准霍夫变换方法   （2）概率霍夫变换   （3）渐进概率霍夫变换   （4）随机霍夫变换   （5）自适应霍夫变换   参考文献： 1. Borrmann, D., et al., The 3D Hough Transform for plane detection in point clouds：A review and a ne...
三维点云数据处理软件供技术原理说明_基于三维点云处理技术的工件识别和匹配...
weixin_31897613的博客
12-24 3277
1. 引言目前，随着自动化程度的提高，机器人导航、工业零件检测及抓取等众多领域对计算机视觉系统的要求越来越高 [1]，基于二维图像的物体识别已经无法满足日常作业的需求。而由于三维扫描技术的发展，结构光测量和激光扫描能够快速且精确地获取被测对象表面的三维坐标数据，为获取场景的点云数据提供了全新的技术手段。加之点云数据具备不受光照、阴影、纹理的影响等优势，基于三维点云数据的物体识别已成为近年来计算机视...
三维点云数据处理软件供技术原理说明_十大点云数据处理技术梳理
weixin_39666782的博客
12-24 999
研究点云数据时，感觉无从下手？看看这十大点云数据处理技术，换个思路学点云。点云 · 定义简言之，在获取物体表面每个采样点的空间坐标后，得到的是一个点的集合，称之为“点云”。包括三维坐标(XYZ)、激光反射强度(Intensity)和颜色信息(RGB)。点云·数据处理技术目前，点云处理涉及的技术主要为以下十个：点云滤波(数据预处理)点云关键点特征和特征描述点云配准点云分割与分类SLAM图优化目标识别...
点云从入门到精通技术详解100篇-基于深度学习的室内场景三维点云语义分割
最新发布
getusushu的博客
01-07 1859
生改变，所以变换前后的点集表示的物体（场景）一致，这就是点云的刚体变换不变性。组成一个包含物体结构信息的局部邻域结构，这些结构信息在点云分割中是不可或缺的。准确分割场景中包含的所有点，分割过程中不需要人为参与，实现了端到端的传输方式。邻域中学习相关特征，该卷积还可以根据不同相邻点和特征通道的空间位置和特征差异，云的深度学习方法，都是先把复杂的点云转化为规则的体素数据或投影成二维图像数据，由于保留了原始的空间几何信息，数据。在复杂的三维点云数据中提取有用信息，更好地实现智能认知（场景分割、物体识别、
点云从入门到精通技术详解100篇-基于密度聚类方法的三维点云平面分割
getusushu的博客
09-25 286
的需求，城市化速度的显著加快推动了城市的持续纵向扩展。信息，通过全方位记录现实场景中的信息，便于多角度观察，并保证信息的准确性，避。维模型重建的前提和基础是建筑物立面、屋顶平面等平面的点云分割。对于逆向工程之类的应用，准确的重建也是至关重要的。以及结合平面的特性（平面方程、法向量等），基于聚类方法可以充分发挥其独特的优。各点到模型的距离，将距离小于所设定阈值的点作为内点。将内点数量最多的模型作为提取结果，其内点即为提取模型的对应分割结果。效果依赖于所设置的阈值，选取的阈值是否合适将直接影响该算法的结果。
3D 图像的球形霍夫变换：SphericalHough 从 3D 图像中检测球形结构 - 确定对象中心和半径-matlab开发
06-01
SPHERICALHOUGH 从 3D 图像中检测球形结构。 确定对象中心和半径并输出中心和球体的图像遮罩。 这种霍夫变换基于图像的梯度场。 该代码主要基于 Tao Peng 的 Circular Hough Transform（参见下面的信息）。 用法： [center_img,sphere_img,sphcen2,sphrad]=SPHERICALHOUGH( img,radrange,grdthres,fltrLM_R,multirad,obj_cint) 例子： 运行 Example.m 以查看 SphericalHough 在大鼠肾脏 3D MRI 数据上的演示。 它演示了肾小球的检测，肾小球在 31x31x31 um^3 分辨率下大致呈球形。 预期半径介于 2 到 7 个像素之间。 示例数据来自以下文章：MRH of age-related nephropathy, Tox P
java 点云数据处理_概述 | 点云数据处理方法都有哪些？
weixin_36183642的博客
02-25 1134
点云数据处理方法概述ICP点云配准就是我们非常熟悉的点云处理算法之一。实际上点云数据在形状检测和分类、立体视觉、运动恢复结构、多视图重建中都有广泛的使用。点云的存储、压缩、渲染等问题也是研究的热点。随着点云采集设备的普及、双目立体视觉技术、VR和AR的发展，点云数据处理技术正成为最有前景的技术之一。PCL是三维点云数据处理领域必备的工具和基本技能，这篇文章也将粗略介绍。三维点云数据处理技术1. ...
霍夫变换
热门推荐
工作笔记
09-07 1万+
1
3D Hough变换点云平面检测算法
qq_43200940的博客
10-11 1104
3D Hough变换点云平面检测算法
霍夫变换探测三维平面之一
dayuhaitang1的博客
05-01 992
文章目录一、原理概述二、实现代码三、实现效果参考文献 一、原理概述 对于三维激光点云的特征识别， 对二维霍夫变换增加一个参数 φ 就可以比较容易地扩展到三维霍夫变换，公式如下所示： r=xcos(θ)sin(φ)+ysin(θ)sin(φ)+zcos(φ) 其中θ=[0,2π],φ=[−π/2,π/2]r=xcos(\theta)sin(φ )+ysin(\theta)sin(φ )+zcos(φ ) \space 其中\theta =[0,2\pi],φ =[-\pi/2,\pi/2]r=x
霍夫变换理解
weixin_34161083的博客
01-27 188
霍夫变换可以用于直线检测，圆检测等。我需要解决的问题是二维点云线特征提取，相关文献上说霍夫变换可以提取，决定深入学习一下。 先上两张图：直线的表达式采用极坐标表示ρ=xcosθ+ysinθ，关于ρ和θ的几何意义如图。证明下面的图可以说明。 因此过某一点A的极坐标方程可以表示所有过A点的直线族。 同理过某一点B的极坐标方程可以表示过有过点B的直线族。两个直线族的集合就是同时过A点和B点的直线。 ...
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
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