<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[weixin_43896283的博客]]></title><description><![CDATA[数字图像处理、深度学习]]></description><link>https://blog.csdn.net/weixin_43896283</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; weixin_43896283]]></copyright><item><title><![CDATA[【PCL】实现CloudCompare的连通域点云聚类功能]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/147570109</link><guid>https://blog.csdn.net/weixin_43896283/article/details/147570109</guid><author>weixin_43896283</author><pubDate>Sun, 27 Apr 2025 23:12:25 +0800</pubDate><description><![CDATA[连通域点云聚类：:通过构建八叉树索引与连通域标记策略实现高效空间聚类。
优点：高效空间索引与并行搜索。连通域标记的鲁棒性。内存优化与扩展性。]]></description><category></category></item><item><title><![CDATA[PCL 点云多边形面积计算]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/144993552</link><guid>https://blog.csdn.net/weixin_43896283/article/details/144993552</guid><author>weixin_43896283</author><pubDate>Tue, 07 Jan 2025 21:10:44 +0800</pubDate><description><![CDATA[【代码】PCL 点云多边形面积计算。]]></description><category></category></item><item><title><![CDATA[PCL 点云曲率计算【代码实现+源码实现共两种方法】]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/144953092</link><guid>https://blog.csdn.net/weixin_43896283/article/details/144953092</guid><author>weixin_43896283</author><pubDate>Mon, 06 Jan 2025 01:18:52 +0800</pubDate><description><![CDATA[利用点云相邻点的法向量来估计每个点云的主曲率、高斯曲率、平均曲率。]]></description><category></category></item><item><title><![CDATA[PCL 点云读取颜色信息（保存为pcl::PointXYZRGB格式）]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/144066312</link><guid>https://blog.csdn.net/weixin_43896283/article/details/144066312</guid><author>weixin_43896283</author><pubDate>Tue, 26 Nov 2024 19:58:29 +0800</pubDate><description><![CDATA[教程解决如下两个问题：1.从Las文件读取数据。解决BUG（当读取的RGB颜色数值超过了255时，保存成pcl::PointXYZRGB格式会失败，此时并不会报错，但后续的点云数据将丢失颜色信息）。]]></description><category></category></item><item><title><![CDATA[PCL 点云DEM网格图]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/143495498</link><guid>https://blog.csdn.net/weixin_43896283/article/details/143495498</guid><author>weixin_43896283</author><pubDate>Mon, 04 Nov 2024 22:25:42 +0800</pubDate><description><![CDATA[点云DEM网格图:在原始点云中提取地面点云，并生成地面高程图。（特殊说明：DEM只表示地面的高程）。]]></description><category></category></item><item><title><![CDATA[PCL 点云高度归一化]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/143494670</link><guid>https://blog.csdn.net/weixin_43896283/article/details/143494670</guid><author>weixin_43896283</author><pubDate>Mon, 04 Nov 2024 22:06:25 +0800</pubDate><description><![CDATA[点云高度归一化:为了消除地形起伏对点云数据高程值的影响，特别是在地物间存在显著高程差异的情况下，必须对点云数据进行归一化处理。这一步骤对于许多算法至关重要，因为它能够显著提升后续点云处理或分割任务的准确性。]]></description><category></category></item><item><title><![CDATA[PCL 点云均匀下采样 [附代码实现+示例]]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/142834017</link><guid>https://blog.csdn.net/weixin_43896283/article/details/142834017</guid><author>weixin_43896283</author><pubDate>Thu, 10 Oct 2024 22:59:31 +0800</pubDate><description><![CDATA[点云均匀采样:即从点云中按照一定的间隔等距地选择一部分点作为输出的采样点云。
使用：函数的输入参数包括一个输入点云对象和一个采样点的距离间隔（采样密度）。函数会遍历整个输入点云，在每个采样间隔内选择一个点作为输出点云的采样点。函数的输出是一个新的点云对象，其中包含了按照采样间隔从输入点云中选择出来的采样点。
优点：使用均匀采样可以降低点云数据量，减少计算复杂度，并且保留了点云的整体结构特征。]]></description><category></category></item><item><title><![CDATA[PCL 点云提取地面点、非地面点]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/142306253</link><guid>https://blog.csdn.net/weixin_43896283/article/details/142306253</guid><author>weixin_43896283</author><pubDate>Tue, 17 Sep 2024 16:43:02 +0800</pubDate><description><![CDATA[PCL 点云提取地面点、非地面点]]></description><category></category></item><item><title><![CDATA[PCL 点云生成DSM图 (高程模型图)]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/142303144</link><guid>https://blog.csdn.net/weixin_43896283/article/details/142303144</guid><author>weixin_43896283</author><pubDate>Mon, 16 Sep 2024 15:38:56 +0800</pubDate><description><![CDATA[PCL 点云生成DSM图]]></description><category></category></item><item><title><![CDATA[c++ 点云生成二维俯视图]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/142188097</link><guid>https://blog.csdn.net/weixin_43896283/article/details/142188097</guid><author>weixin_43896283</author><pubDate>Thu, 12 Sep 2024 23:25:07 +0800</pubDate><description><![CDATA[c++ 点云生成二维俯视图]]></description><category></category></item><item><title><![CDATA[Python 多目标跟踪-匈牙利算法]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/141828305</link><guid>https://blog.csdn.net/weixin_43896283/article/details/141828305</guid><author>weixin_43896283</author><pubDate>Mon, 02 Sep 2024 20:23:21 +0800</pubDate><description><![CDATA[匈牙利算法:是一种数据关联(Data Association)算法，其实从本质上讲，跟踪算法要解决的就是数据关联问题。假设有两个集合S和T，集合S中有m个元素，集合T中有n个元素，匈牙利算法要做的是把S中的元素和T中的元素两两匹配（可能匹配不上）。结合跟踪的情景，匈牙利算法的任务就是把t帧的bbox与t-1帧的bbox两两匹配，这样跟踪就完成了。]]></description><category></category></item><item><title><![CDATA[Python 点云K-means聚类算法]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/141650713</link><guid>https://blog.csdn.net/weixin_43896283/article/details/141650713</guid><author>weixin_43896283</author><pubDate>Wed, 28 Aug 2024 22:10:15 +0800</pubDate><description><![CDATA[K-means聚类算法（Intrinsic Shape Signatures）:是一种无监督学习算法，主要用于数据聚类。该算法的主要目标是找到一个数据点的划分，使得每个数据点与其所在簇的质心（即该簇所有数据点的均值）之间的平方距离之和最小。]]></description><category></category></item><item><title><![CDATA[PCL 点云ISS关键点提取算法]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/141612385</link><guid>https://blog.csdn.net/weixin_43896283/article/details/141612385</guid><author>weixin_43896283</author><pubDate>Tue, 27 Aug 2024 21:14:55 +0800</pubDate><description><![CDATA[点云ISS关键点（Intrinsic Shape Signatures）:利用点云中每个点的局部邻域的协方差矩阵来分析局部几何结构。协方差矩阵的特征值可以揭示局部几何形状的显著性。通过筛选出特征值之间具有显著差异的点，ISS算法能够识别出关键点。]]></description><category></category></item><item><title><![CDATA[Python 点云ISS关键点提取算法]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/141611533</link><guid>https://blog.csdn.net/weixin_43896283/article/details/141611533</guid><author>weixin_43896283</author><pubDate>Tue, 27 Aug 2024 20:37:33 +0800</pubDate><description><![CDATA[点云ISS关键点（Intrinsic Shape Signatures）:利用点云中每个点的局部邻域的协方差矩阵来分析局部几何结构。协方差矩阵的特征值可以揭示局部几何形状的显著性。通过筛选出特征值之间具有显著差异的点，ISS算法能够识别出关键点。]]></description><category></category></item><item><title><![CDATA[PCL 基于贪心三角化的点云网格化重建]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/141575463</link><guid>https://blog.csdn.net/weixin_43896283/article/details/141575463</guid><author>weixin_43896283</author><pubDate>Mon, 26 Aug 2024 23:09:43 +0800</pubDate><description><![CDATA[贪心三角化：是一种对原始点云进行快速三角化的算法，该算法假设曲面光滑，点云密度变化均匀，不能在三角化的同时对曲面进行平滑和孔洞修复。]]></description><category></category></item><item><title><![CDATA[特斯拉智驾方案演变过程]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/140888557</link><guid>https://blog.csdn.net/weixin_43896283/article/details/140888557</guid><author>weixin_43896283</author><pubDate>Mon, 05 Aug 2024 20:25:49 +0800</pubDate><description><![CDATA[在当今科技飞速发展的时代，汽车行业正经历着一场深刻的变革，智能驾驶技术成为了人们关注的焦点。特斯拉作为智能驾驶领域的先驱者，以其卓越的技术实力和自动驾驶系统方案，在智能驾驶领域处于领先地位，其智能驾驶系统 FSD（(Full Self-Drive）自发布以来，经过了多次重要更新目前已经来到了 V11 版本，预计 2024 年会正式发布新的 V12 版本。]]></description><category></category></item><item><title><![CDATA[激光雷达分类、工作原理与发展介绍]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/140729175</link><guid>https://blog.csdn.net/weixin_43896283/article/details/140729175</guid><author>weixin_43896283</author><pubDate>Sat, 27 Jul 2024 09:54:07 +0800</pubDate><description><![CDATA[激光雷达分类、工作原理与发展介绍]]></description><category></category></item><item><title><![CDATA[Windows 点云生成二维栅格图 [附C++完整代码实现]]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/137846095</link><guid>https://blog.csdn.net/weixin_43896283/article/details/137846095</guid><author>weixin_43896283</author><pubDate>Wed, 17 Jul 2024 23:01:07 +0800</pubDate><description><![CDATA[三维点云数据转换为二维栅格图]]></description><category></category></item><item><title><![CDATA[PCL 点云多圆柱检测、多立杆检测 [附C++完整实现代码]]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/139727953</link><guid>https://blog.csdn.net/weixin_43896283/article/details/139727953</guid><author>weixin_43896283</author><pubDate>Wed, 17 Jul 2024 22:50:07 +0800</pubDate><description><![CDATA[本算法适用于：对点云中的多个圆柱体、立杆进行检测。
主要包括：1. 特征计算；2. 多圆柱、多立杆检测；3. 点云分割；4.检测结果可视化；5. 结果另存为文件。]]></description><category></category></item><item><title><![CDATA[python 方向梯度直方图(HOG)算法 【附两种实现方法并可视化】]]></title><link>https://blog.csdn.net/weixin_43896283/article/details/140393465</link><guid>https://blog.csdn.net/weixin_43896283/article/details/140393465</guid><author>weixin_43896283</author><pubDate>Sat, 13 Jul 2024 08:48:21 +0800</pubDate><description><![CDATA[方向梯度直方图（Histogram of Oriented Gradient，HOG）：是应用在计算机视觉和图像处理领域，用于目标检测的特征描述器。是用来计算局部图像梯度的方向信息的统计值。这种计算方法与边缘方向直方图EOH，尺度不变特征转换SIFT以及形状上下文方法有很多相似之处，但与他们的不同点是：HOG描述器是在一个网格密集的大小统一的单元上计算，而且为了提高性能，还采用了重叠的局部对比度归一化技术。HOG特征结合支持向量机SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。]]></description><category></category></item></channel></rss>