Open3D 深度图像转点云
深度图像与点云相互转换的测试数据
数字高程模型DEM转点云测试数据
数字高程模型DEM转点云测试数据
PCL 快速计算点云法向量C++详细过程版
PCL 快速计算点云法向量C++详细过程版
基于多尺度虚拟网格与坡度阈值的机载LiDAR 点云滤波方法
【使用PCL进行的论文复现】——基于多尺度虚拟网格与坡度阈值的机载LiDAR 点云滤波方法
PCL坡度法地面滤波(C++详细过程版)
PCL坡度法地面滤波(C++详细过程版)
使用C++结合PCL详细过程实现的最远点采样
使用C++结合PCL详细过程实现的最远点采样
使用C++与PCL实现的最小二乘拟合圆柱
使用C++PCL实现的最小二乘拟合圆柱,包含代码和测试数据
使用C++与PCL实现的三点确定一个二维圆
使用C++与PCL实现的三点确定一个二维圆,包括代码和测试数据
使用PCL计算点云中每个点的坡度
使用PCL计算点云中每个点的坡度
SUSAN关键点检测测试数据
PCL实现了SUSAN关键点探测器的在RGB-D数据中的扩展,主要根据在强度与法向量的变化来提取关键点。SUSAN与Harris的不同之处在于它直接利用法线,所以速度更快。
拟合平面并旋转至XOY面测试数据
拟合平面并旋转至XOY面测试数据,拟合平面并旋转至XOY面测试数据,拟合平面并旋转至XOY面测试数据,拟合平面并旋转至XOY面测试数据。
最小二乘拟合圆柱的matlab代码实现
最小二乘拟合圆柱的matlab代码实现,实现原理见:https://blog.csdn.net/qq_36686437/article/details/132351302
data1,2配准测试数据.rar
用于点云配准的简单测试数据,data1和data2
最小二乘拟合圆柱测试数据
圆柱拟合步骤主要包括两步: 一是确定柱面模型参数初始值; 二是建立误差方程式求解参数值。本文算法结合主成分分析法与线性最小二乘法,确定圆柱轴线向量( a,b,c) 、圆柱轴线上一点( x1,y1,z1) 、圆柱底圆半径r 这七个柱面模型参数初始值,再建立改进误差方程式,求解参数。
布尔莎七参数坐标转换模型的matlab代码实现
布尔莎七参数坐标转换模型的matlab代码实现。
当观测的公共控制点大于3个时,可采用间接平差法求得空间坐标转换模型中的七个参数,即七参数转换模型。https://blog.csdn.net/qq_36686437/article/details/124509019。
树木三维点云的枝叶分割方法.rar
使用PCL对论文:黄亮,许文雅,谭帅.树木三维点云的枝叶分割方法[J].北京测绘,2022,36(01):18-22.DOI:10.19580/j.cnki.1007-3000.2022.01.004 进行的代码复现。
使用PCL实现的KMeans++点云聚类算法
k kk个初始化的质心的位置选择对最后的聚类结果和运行时间都有很大的影响,因此需要选择合适的k kk个质心。如果仅仅是完全随机的选择,有可能导致算法收敛很慢。KMeans++算法就是对KMeans随机初始化质心的方法的优化。K-Means++算法在聚类中心的初始化过程中的基本原则是使得初始的聚类中心之间的距离尽可能远。
使用C++与PCL详细过程版实现的点云转强度图像
使用C++与PCL详细过程版实现的点云转强度图像
PCL 三维点云边界提取(C++详细过程版).rar
为充分了解PCL中三维点云边界提取函数:pcl::BoundaryEstimation所实现算法的优缺点及有待改进的地方,使用C++详细过程复现。
PCL 二次曲面拟合法计算点云高斯、平均曲率与法向量(C++详细过程版)
点云二次曲面拟合法计算点云高斯、平均曲率与法向量的matlab代码实现。计算原理:[1]方程喜,隋立春,朱海雄.用于公路勘测设计的LiDAR点云抽稀算法[J].测绘通报,2017(10):58-61+88.DOI:10.13474/j.cnki.11-2246.2017.0316.
matlab 二次曲面拟合法计算点云高斯曲率、平均曲率与法向量
点云二次曲面拟合法计算点云高斯、平均曲率与法向量的matlab代码实现。计算原理:[1]方程喜,隋立春,朱海雄.用于公路勘测设计的LiDAR点云抽稀算法[J].测绘通报,2017(10):58-61+88.DOI:10.13474/j.cnki.11-2246.2017.0316.
Open3D实现的MeanShift点云聚类
使用python版本Open3D实现的三维点云均值漂移MeanShit点云聚类,包括实现代码、测试数据和参考文献。
PCL实现的MeanShift点云聚类
均值漂移算法是一种非参数聚类技术,它不需要预先知道聚类的数量,也不限制聚类的形状。
参考文献:[1] D. Comaniciu and P. Meer. Mean shift: A robust approach toward feature space analysis. IEEE Trans. Pattern Anal. Machine Intell., 24:603–619, 2002.
一种利用地理实体目标特征的道路场景激光点云配准方法
本文以多期、多平台城市道路激光点云数据为研究对象,通过分析道路场景激光点云的特点,提出了利用道路地理实体目标特征的点云配准方法。根据道路场景激光点云的特点,选取固定地理实体作为配准基元,消除动态变化因素对配准的影响;使用特征值和形状指数构建约束条件并结合八叉树均匀划分离散分布点的优势,提取配准基元中分布均匀而又不失代表性的关键点;针对点云空洞或密度不均对4PCS算法影响较大的问题,利用关键点分布均匀的特性,提高4PCS算法对应四点基的识别度和配准成功的概率;为避免点云缺失对ICP配准精度产生影响,采用双向K近邻搜索的方式剔除错误的匹配点对。最后,完成了道路场景多期车载激光点云以及车载与固定站激光点云的配准。可视化分析和定量评价结果表明,本文方法能较好地解决实际工程应用中城市道路场景多次采集的MLS点云位置不一致以及TLS与MLS点云数据配准难度大的问题。虽然本文方法能够有效完成城市道路场景点云的配准,但是在提高TLS与MLS点云数据的配准精度上还有待进一步改进。
使用PCL实现的一种Kmeans点云聚类改进算法
使用PCL实现的一种Kmeans点云聚类改进算法,压缩包内包含代码和测试数据。代码在PCL1.11.1和PCL1.13.0上均运行无误。
使用点云计算物体长宽高的PCL代码实现
使用点云计算物体长宽高的PCL代码实现,压缩包内有实现代码详细过程和测试数据。算法原理看代码即可理解。
快速欧式聚类的PCL代码实现
快速欧式聚类的PCL代码实现,压缩包内含论文、代码和测试数据。更多详细内容见2022年最新出版的论文:[1] Cao Y , Wang Y , Xue Y , et al. FEC: Fast Euclidean Clustering for Point Cloud Segmentation[J]. arXiv e-prints, 2022.
使用点云构建不规则三角网TIN
使用点云构建不规则三角网TIN的PCL代码实现,压缩包内包含代码和测试数据。环境配置可参考:https://blog.csdn.net/qq_36686437/article/details/126807537
使用点云构建不规则三角网TIN的测试数据
使用点云构建不规则三角网TIN的测试数据,https://editor.csdn.net/md?articleId=127821108
PCL 条件平差-以水准网为例
基于PCL实现的《误差理论与测量平差基础》书中水准网条件平差。具体原理和示例可参考博客:https://blog.csdn.net/qq_36686437/article/details/127354745
pclpy区域生长分割测试数据
pclpy区域生长分割测试数据
PCL 条件欧式聚类测试点云数据
PCL 条件欧式聚类测试官网点云数据,PCL 条件欧式聚类测试点云数据免费下载。
Open3D、PCL、matlab等算法实现图像转点云的测试数据
深度图像+彩色图像生成三维点云数据的算法测试数据。可用于python open3d 、C++ open3d、PCL、matlab等代码的测试。
时间戳转换C++代码实现
时间戳转换C++代码实现,可精确至毫秒、微妙。
三维空间曲线拟合测试数据
三维空间曲线拟合测试数据三维空间曲线拟合测试数据
PCL 布尔莎七参数转换模型
基于PCL库实现的布尔莎七参数转换模型。算法原理见:https://blog.csdn.net/qq_36686437/article/details/124509019
vtk转pcd测试数据
使用PCL将vtk转pcd的测试数据
PCL 多幅点云配准测试数据
PCL 多幅点云配准测试数据,算法原理和代码详解见:https://blog.csdn.net/qq_36686437/article/details/115678996?spm=1001.2014.3001.5501
PCL 刚性目标的鲁棒姿态估计测试数据
PCL 刚性目标的鲁棒姿态估计测试数据,算法原理和代码详解见://blog.csdn.net/qq_36686437/article/details/114643581