点云处理

最新推荐文章于 2024-10-11 23:12:36 发布

zhulf0804

最新推荐文章于 2024-10-11 23:12:36 发布

阅读量2.3k

点赞数 1

分类专栏：点云

本文链接：https://blog.csdn.net/zhulf0804/article/details/108475924

版权

点云专栏收录该内容

24 篇文章 48 订阅

订阅专栏

点云滤波

sor(statistical outlier removal): 对每个点的邻域进行一个统计分析，并修剪掉那些不符合一定标准的点。
- 对每个点计算它的k(超参数)临近点的平均距离。
- 假设得到的结果是一个高斯分布，其形状由均值和方差决定。
- 平均距离在标准范围之外，即超出平均距离的d(超参数)个标准差，则该点被标记为离群点。
直通滤波(pass through): 不在范围内的点过滤掉
ror(radius outlier removal)
- 每个点的半径范围r(超参数)内低于d(超参数)个点的被称为异常点

点云下采样

体素化网络(voxel grid)实现下采样

对输入的点云数据创建一个三维体素网格，在每个体素内，用体素中所有点的重心来近似体素中的其它点；该体素内的所有点就用一个重心点表示。

KdTree

KdTree(k-dimensional tree)是每个节点都为k维点的二叉树。所有非叶子节点可以视作用一个超平面把空间分割成两个空间。节点左边的子树代表在超平面左边的点，节点右边的子树代表在超平面右边的点。KdTree是一种分割k维数据空间的数据结构，可用于范围搜索和最近邻搜索。

建立KdTree
这里介绍一种最典型的方法。
- 随着树的深度轮流选择轴当作分割面。(例如，在三维空间中根节点是 x 轴垂直分割面，其子节点皆为 y 轴垂直分割面，其孙节点皆为 z 轴垂直分割面，其曾孙节点则皆为 x 轴垂直分割面，依次类推)
- 点由垂直分割面之轴坐标的中位数区分并放入子树
最近邻搜索(Nearest neighbor search)
最近邻搜索用来找出在树中与输入点最接近的点。

KdTree最近邻搜索的过程如下:
- 从根节点开始，递归的往下移。如果输入点在分区面的左边则进入左节点，在右边则进入右子节点。
- 一旦移到叶节点，将该节点当做"当前最佳节点"。
- 解开递归(应该是回溯)，并对每个经过的节点运行下列步骤:
  - 如果目前所在点比目前最佳点更靠近输入点，则将其变为"当前最佳节点"；
  - 检查在分割平面的另一侧是否有任何点比"当前最佳节点"更靠近搜索点[这是通过判断以搜索点位圆心，当前最近距离为半径的超球(hypersphere)与分割超平面是否相交来实现的].如果超球与分割超平面不相交，则算法继续沿树回溯，并消除该节点另一侧的整个分支。
    如果超球与该分割超平面相交，则该平面的另一侧可能会有更近的点, 回溯进行相同的操作。
- 当根节点搜索完毕后完成最近邻搜索
如果维持k个最佳距离，则变成k近邻算法。
详细过程参看如下动图(如无法打开，请查看这里https://en.wikipedia.org/wiki/File:Kdtreeogg.ogv)
范围搜索(Range Search)
从数据集中找出所有与查询点距离在一定区间内的数据。
复杂度
- 空间复杂度: 平均O(n), 最坏O(n)
- 搜索时间复杂度: 平均O(nlogn), 最坏O(n)
维数灾难
维数灾难让大部分的搜索算法在高维情况下都显得花哨且不实用。同样的，在高维空间中，KdTree也不能做很高效的最近邻搜索。一般的准则是: 在k维情况下，数据点数目N当远大于时，KdTree的最近邻搜索才能很好的发挥其作用。

OcTree

八叉树是一种树型数据结构，其中每个内部节点整好有八个子节点。八叉树常用于将三维空间递归地分为8个1/8。
具体应用和更多细节部分还不了解，欢迎补充!

聚类算法

下图是scikit-learn.org提供的关于聚类算法的一个汇总, 可以通过https://scikit-learn.org/stable/auto_examples/cluster/plot_cluster_comparison.html中的程序进行复现
在这里插入图片描述

下面对K-Means, MeanShift和DBSCAN进行简单介绍。

K-Means
K-Means把n个点划分到k个聚类中, k是输入参数。具体算法思想需要进一步了解。
MeanShift
Mean Shift算法在1975年被提出, 后来又Yizong Cheng对其进行扩充，主要提出了两点改进: 定义了核函数，增加了权重系数。它不需要事先设定类别个数。这个博客https://www.biaodianfu.com/mean-shift.html介绍的不错。

Mean Shift算法是如何确定聚类中心数量的 ? 具体的算法细节还需要进一步了解。
DBSCAN
DBSCAN(Density-based spatial clustering of applications with noise)，是在1996提出的聚类分析算法。维基百科我觉的介绍的不错，感兴趣的可以查看这个链接: https://zh.wikipedia.org/zh-cn/DBSCAN。