点云滤波
文章平均质量分 96
糊烟乱雨
这个作者很懒,什么都没留下…
展开
-
点云滤波(三)——EAR(边缘感知重采样)介绍
这是点云滤波系列的第三篇学习笔记,在之前我们学习了非常经典的MLS算法(点云滤波(一)——MLS(移动最小二乘)/PSS介绍),以及为解决MLS不具备保持边缘问题所提出的变体RMLS(点云滤波(二)——RMLS(鲁棒移动最小二乘)介绍)。RMLS由于没有找到相关的开源代码,并且我对方法也存在一些疑惑,害怕复现出来依托答辩,所以就没有花时间去复现。但是寻找能够保持边缘的边缘的点云平滑算法依然是我目前面对的问题,因此我会继续找一些相关的论文进行学习并形成笔记。原创 2023-11-14 15:23:46 · 388 阅读 · 0 评论 -
点云滤波(一)——MLS(移动最小二乘)/PSS介绍
笔者最近在做的一个项目是要从点云中提取特征(边缘、角点)。点云的来源是双目结构光相机,尽管工业级的双目结构光相机已经有了比较高的精度(名义z轴精度为0.5mm),但实际测量误差有时甚至能到2mm,为了能获得更鲁棒和准确的结果还需要尽可能的减小噪声,因此对点云滤波方法进行学习。采集的平面点云,CloudCompare中的最小包围盒高度达到了2mm三维重建中为了能显示更加好看的模型,通常会把点云滤波方法作为前置步骤,效果如下:左图为噪声数据+泊松重建的结果,右图为滤波之后再泊松重建的结果。原创 2023-10-12 13:44:22 · 817 阅读 · 3 评论 -
点云滤波(二)——RMLS(鲁棒移动最小二乘)介绍
在点云滤波(一)——MLS(移动最小二乘)/PSS介绍,我们讨论了MLS的基本原理,并给出了一个很直观的理解方式。虽然MLS可以显著的减少噪声,但我们也发现了其问题,即会将锐利边缘平滑掉。下图展示了我使用MLS在实际采集到数据上的处理结果,其中白色的点云是原始点云,红色的点云是经过MLS滤波之后的点云。其原因在于MLS假设整个邻域处处光滑,只拟合了一个表面来表征邻域。但对于锐利边缘,这显然不合理。所以RMLS[1]原创 2023-10-17 15:52:27 · 530 阅读 · 0 评论