LCCP方法
LCCP是Locally Convex Connected Patches的缩写,翻译成中文叫做“局部凸连接打包一波带走”。算法大致可以分成两个部分:1.基于超体聚类的过分割。2.在超体聚类的基础上再聚类。超体聚类作为一种过分割方法,在理想情况下是不会引入错误信息的,也就是说适合在此基础上再进行处理。LCCP方法并不依赖于点云颜色,所以只使用空间信息和法线信息,Wc=0,Ws=1,Wn=4。
方法原理
点云完成超体聚类之后,对于过分割的点云需要计算不同的块之间凹凸关系。凹凸关系通过CC(Extented Convexity Criterion)和SC(Sanity Criterion)判据来进行判断。其中CC利用相邻两片中心连线相邻与法向量的夹角来判断两片是凹是凸。显示,如果途中a1>a1则为凹,反之为凸。
考虑到测量噪声等因素,需要在实际使用过程中引入门限值(a1需要比a2大出一定量)来滤除较小的凹凸误判。此外,为去除一些小噪声引起的误判,还需要引入“第三方验证”,如果某块和相邻两块都相交,则其凹凸关系必相同。CC判据最终如CCe:
如果相邻两面中,有一面是单独的,CC判据是无法将其分开的。举个简单的例子,两本厚度不同的书并排放置,视觉算法应该
LCCP方法和CPC方法
最新推荐文章于 2023-11-12 22:38:48 发布
本文介绍了两种点云分割方法——LCCP(局部凸连接打包)和CPC(受约束的平面切割)。LCCP方法基于超体聚类和凹凸关系判断,适用于空间信息和法线信息处理;CPC方法则侧重于对象分割,通过半全局分割和修正策略实现有意义的块划分。这两种方法在3D图像处理和机器人视觉中有广泛应用。
摘要由CSDN通过智能技术生成