基于深度图像与分水岭的平面点云分割方法

根据目前点云数据分割的研究现状以及分水岭算法在图像处理中的应用,提出一种基于深度图像和分水岭算法的建筑物平面点云分割方法.该方法首先将平面点云数据生成深度图像并给像素赋予灰度值,再使用双边滤波算法进行滤波去噪,然后使用分水岭算法进行图像分割,得到分割结果后索引回原始点云数据,得到点云分割结果.为验证方法的可靠性与准确性,利用区域增长法、RANSAC算法以及欧式聚类法进行对比实验.通过对实验结果的对比分析,能有效地将不同点云面片分割出来,并且具有良好的准确度和完整度,分割结果质量较高,为点云的分割提供了新的思路与方法.     

基于改进随机抽样一致的点云分割算法

随着三维点云数据模型在三维建模、测绘、智能城市以及机器视觉等领域的应用,点云数据处理也成为一个研究热点。点云分割就是将三维空间中点云通过一系列算法,将散乱的点云数据划分成更为连贯的子集的过程,可以为后续的数据分析提供数据基础。针对随机抽样一致算法(random sample consensus, RANSAC)对杂乱、无规则点云数据分割效果不佳的问题,提出一种改进的RANSAC点云分割算法。该算法通过构建Kd(K-dimensional)树,利用半径空间密度重新定义初始点的选取方式,进行多次迭代来剔除无特征点,在实现点云分割的同时可以有效去除噪声点;此外,该算法重新设定判断准则,优化面片合并,可以实现点云的精确分割。实验通过对散乱点云数据进行分割,结果表明该改进RANSAC算法的点云特征提取数据量较大,面片分割的准确性较高,是一种有效的点云分割算法。     

采用局部凸性和八叉树的点云分割算法

针对粗糙点云分割效果差的问题,提出了一种采用八叉树和局部凸性的点云分割算法.该算法首先通过仪器扫描得到仅包含坐标信息的点云数据,然后对点云进行法向量估算,并根据点云的法向量信息进行八叉树初始分割得到面片,最后根据面片之间的局部凸性特征进行融合,得到最终的分割结果.与其他同类算法相比,采用八叉树和局部凸性的点云分割算法不仅能有效地减少曲面数量,而且在曲面质量上也优于同类算法.采用塔身震落石块的点云数据进行的实验表明,该算法在处理分布较均匀的闭合点云数据时,能够有效减少最终的曲面个数,且面片的质量与手工分割拟合度达到90 ％以上.     

散乱点云数据的曲率精简算法

针对海量散乱点云数据精简问题,提出了以平均曲率为判据的精简算法.采用八叉树结构对点云数据进行空间分割,由分割结果建立k邻域.在散乱数据点参数化的基础上,对k邻域内的散乱点进行二次曲面拟合,求出拟合曲面的平均曲率,进而得出邻域内所有数据点的平均曲率均值,以此为判据进行数据精简.构造曲率差函数,识别出边界数据点,对其进行数据保护.结果表明,该算法对具有曲率多样化特点的点云数据精简具有一定的理论意义和应用价值.通过实验验证了该算法的可靠性和准确性.     

结合位置关系卷积与深度残差网络的三维点云识别与分割

针对现有点云识别与分割算法因忽视点的位置特征和局部几何特征关系而导致难以捕获具有鉴别力的局部几何信息的问题,提出基于位置关系深度残差神经网络的三维点云识别与分割算法。将原始点云嵌入到高维空间并获取其高维特征;将点云的高维特征输入位置关系卷积实现局部邻域内当前点特征与位置几何特征的信息交流,并通过深度残差模块强化提取到的深层语义特征,分层重复以上步骤可逐步得到点云的高级上下文语义特征;通过全连接层与解码器,得到点云的识别与分割结果。实验结果表明,所提算法在ModelNet40点云分类数据集的识别精度达到了93.9%,在ShapeNet Part点云部件语义分割数据集的平均交并比达到了86.0%。所提算法能够提取三维点云的关键特征信息,具有较好的三维点云识别与分割能力。     

改进的布料模拟算法在多波束点云粗差剔除中的应用

针对目前多波束滤波需要人工剔除的现状,在布料模拟滤波算法（cloth simulation filtering,CSF）基础上,提出了一种基于点云分割和自适应参数调整改进的CSF算法。先对多波束点云数据进行分割,然后根据点云数据的面积和标准差调整每块CSF算法的参数,再构建布料滤波模型剔除粗差点,最终将分割后的点云拼接生成水下地形点云数据。结果表明,本文算法与CSF算法相比,克服了过度滤波现象,而且对于不同地区与人工方法粗差点剔除比分别从1.03下降到1.01和从1.46下降到1.19;与人工剔除粗差相比,避免了遗漏粗差点,人工干预很少。     

融合边缘检测的 3D 点云语义分割方法研究

针对点云分割中分割目标不明确,边缘不清晰,全局特征与边缘特征未能有效融合等问题,提出 了一种融合边缘检测的 3D 点云语义分割算法。 首先,通过 3D 点云语义分割网络对点云数据进行初步提取 区域内的全局语义特征;然后,采用引入了注意力机制的语义边缘检测网络,能够更好地对点云数据中的物 体进行特征提取增强,抑制非边缘信息的产生,得到了具有丰富的语义信息的边缘特征;最后,通过融合模块 将属于同一物体的语义特征融合起来进行分割细化处理,使得分割目标更精确;此外,使用了双重语义损失 函数,使网络产生具有更好边界的语义分割结果。 通过搭建实验平台和使用 S3DIS 标准数据集进行测试,改 进后的算法在数据集上的平均交互比为 70. 21%,在精度上较 KPConv 语义分割算法有所提高。 实验结果表 明:该算法能够有效改善物体边界分割不清晰、边缘信息模糊等问题,总体分割性能良好。     

基于MMS的公路DLG制图工厂

介绍了MMS系统在公路勘测中应用的优点,同时给出MMS数据后处理成图的难点,及其解决的方案。通过计算机集群与算法置信度叠加方式完成了点云数据的分割、分类、识别、最终成为DLG图。从而实现点云到DLG图的全自动化处理过程,为MMS在带状勘察中扫除了应用障碍。     

基于点云语义分割算法的下颌角截骨面设计

下颌角截骨手术是近年来较为热门的颅面整形手术.现阶段,下颌角截骨的术前方案设计通常由具有一定年资的医生完成,过程繁琐且耗时较长.为了提高截骨手术术前规划效率,提出一种基于点云语义分割网络的下颌角截骨面设计方法.对颅骨电子计算机断层扫描(CT)数据进行三维重建和表面点采样,将下颌骨三维模型转换为点云数据,然后通过基于Transformer的点云语义分割网络预测下颌骨点云中的截骨区域,最后根据点云分割结果计算出下颌角截骨平面.所提网络主要包括两个部分：一是基于注意力机制的本地特征提取层,用于提取细粒度局部结构信息;二是基于Transformer的非本地特征提取层,用于提取点云的全局上下文信息.在构建的下颌骨语义分割数据集上,将所提算法与其他点云语义分割算法进行比较.结果表明：所提算法能实现最佳的下颌角截骨区域预测,优于目前常见的点云语义分割算法.     

基于点密度采样的建筑物点云立面分割方法

由于地面激光扫描仪扫描时常存在死角,导致点云缺失、密度不均匀等问题,使得建筑物立面难以完整分割,为点云后续三维重建带来了很大的困难。提出了一种基于点密度的指导采样方式,并对提取的模型进行再优化的分割算法,即GSMOSAC(global sample and model optimize sampling and consensus)算法。该算法改进了最小采样集的选取方式,并对采样模型进行优化处理,以提高所提取模型的可靠性。针对三种不同类型的激光雷达点云数据的实验结果表明,该算法的分割效果比传统的RANSAC算法和多结构(Multi-GS)算法都更好。     

汽车车身曲面点云数据分割方法的研究

车身曲面是由多张曲面经过延伸、过度、裁剪拼接而成,直接对测量获得的车身密集点云数据进行曲面拟合非常困难,需要对点云数据进行区域分割.探讨了点云数据的常用分割方法,结合车身曲面特点,研究并实现了一种点云分割的算法-基于平面度的直接分割方法.该方法通过最小二乘拟合平面法矢量夹角的均方差值来搜索具有几何相似特性的连续曲面片,将不同性质的曲面片分块保存.并结合ATOS测量设备得到的车身曲面点云数据,给出不同的实例,证明了该方法的有效性.     

二维距离图分割的激光雷达点云无损压缩方法

激光雷达动态获取点云压缩是智能驾驶的关键技术之一。针对动态获取点云场景范围大,分布稀疏,本文将点云几何信息映射到二维距离图(range image),提出一种基于距离图分割的激光雷达点云无损压缩方法。由于动态获取点云的稀疏性,以及噪声和离群点等的影响,目前的距离图分割算法分割后类别过多,导致对分割区域编码时,边缘信息消耗较大的比特数。对此本文提出孤立区域精细处理的方法,有效地改善了过度分割的问题,提高了分割区域的压缩性能。为了保持残差、地面区域点云等数据原有的相关性,我们利用两种无损的数据压缩技术进行编码。实验结果表明,本文设计的基于距离图分割的激光雷达点云无损压缩方法具有较高的压缩性能。     

大型储罐的三维点云精简方法研究

针对大型储罐三维点云数据散乱、冗余点多等影响计算机显示及容积计算的问题,改进了一种储罐三维点云精简算法。该方法先利用均匀网格法,将待处理的三维点云数据分割成若干小栅格;然后根据随机抽样一致(random sample consensus, RANSAC)算法对每个栅格中的点云数据建立球模型,以保留特征点并滤除冗余数据点,达到精简点云的目的。将该方法与传统的均匀网格法和非均匀网格法进行对比,实验结果表明该方法在保证较高精简率的情况下可以更好地保留储罐点云数据特征。     

基于密度自适应深度网络的点云场景语义分割算法

由于传感器噪声干扰，点云密度不均匀，场景复杂多样以及物体之间存在遮挡现象等问题，使得三维点云场景语义分割问题的研究工作极具挑战性。针对三维点云数据采样密度不均匀以及图卷积网络深度有限的问题，提出一种密度自适应的方法。该方法通过多层感知器学习一个权重函数，利用核密度估计学习一个密度函数，对非均匀采样的点云数据进行卷积操作。同时，受深度学习在图像领域的启发，引入残差连接、空洞卷积等结构，训练更深层的点云分割网络。该算法在多个点云分割的标准数据集上取得了优秀的性能。     

基于自适应阈值的循环增长地面点云分割算法

在坡度、路面起伏不平的场景中,针对单一阈值敏感性不足,多阈值简单组合存在冗余计算,且影响分割精度和鲁棒性的问题,提出了一种基于阈值自适应选取的点云分割方法。该方法在栅格分割中引入循环增长判断,以兼顾局部特征与全局特征,设计了一种触发式双特征判断机制,并通过拟合地面波动幅度自适应确定分割的高度阈值提高算法的分割效率和分割精度。最后基于开源数据集进行了仿真测试,验证了所提算法在地面点云分割中的精确性和时效性。     

自适应法向量约束的工件分割方法

针对目前对工件点云分割中出现的过分割、欠分割等问题,提出一种结合欧式聚类和自适应法向量约束的工件分割方法.首先对采集到的点云进行体素滤波,使用随机采样一致性(random sample consensus,RNASAC)算法滤除背景并通过统计滤波器去除噪点,接着利用欧式聚类算法将目标点云划分成点云簇,最后针对点云簇中含...     

应用改进狼群算法优化模糊聚类实现点云数据的区域分割

针对模糊C-均值聚类算法用于点云分割时对初始值敏感且易于陷入局部最优,导致点云分割效果不理想,不稳定的问题。提出一种基于曲率约束的改进狼群算法优化模糊C-均值聚类的混合算法(IWPAFCM)。该算法首先在狼群算法中引入佳点集初始化种群分布;然后利用自适应步长简化参数设定、平衡寻优与收敛时间;进一步应用交互策略增强狼群的内部交流,提升狼群全局寻优的能力;最后对头狼加入高斯扰动机制使其具有跳出局部最优的能力,将IWPA得到的聚类中心作为模糊聚类的初始值进行迭代,由此得到准确的聚类中心。在此基础上,基于点云的法矢量和曲率对点云之间的距离进行定义并替换传统欧式距离,实现了理想的点云分割效果。以ModelNet40公开数据集中Chair和Stool点云模型和实测点云机械零件和汽车覆盖件点云模型为例对算法可行性进行验证,并与FCM、FAFCM、WPAFCM和MACWPAFCM算法进行对比。结果表明,对于四种点云模型,本文算法相比四种对比算法在以数值高为优的VPC聚类性能指标上平均提高0.4%-11.95%,在以数值低为优的适应度函数值Jm、VPE和VXB聚类指标上分别平均减少0.2%-11.97%、0.65%-7.35%、0.3%-19.47%,在两种ModelNet40点云模型上平均迭代次数减少8-21次,在两种实测点云模型上平均迭代次数减少39-57次,表明本文算法收敛速度快,迭代次数少,聚类效果佳,具有更高的聚类准确性和更好的综合性能。     

特征更新的动态图卷积表面损伤点云分割方法

针对金属部件表面损伤点云数据对分割网络局部特征分析能力要求高,局部特征分析能力较弱的传统算法对某些数据集无法达到理想的分割效果问题,选择采用相对损伤体积等特征进行损伤分类,将金属表面损伤分为6类,提出一种包含空间尺度区域信息的三维图注意力特征提取方法。将得到的空间尺度区域特征用于特征更新网络模块的设计,基于特征更新模块构建出了一种特征更新的动态图卷积网络(Feature Adaptive Shifting-Dynamic Graph Convolutional Neural Networks)用于点云语义分割。实验结果表明,该方法有助于更有效地进行点云分割,并提取点云局部特征。在金属表面损伤分割上,该方法的精度优于PointNet++、 DGCNN(Dynamic Graph Convolutional Neural Networks)等方法,提高了分割结果的精度与有效性。     

POWERLINE-ALS:一种用于输电线路场景深度学习语义分割的机载LiDAR点云数据集

为实现基于深度学习的输电线路点云精确语义分割,必须建立能够准确反映目标类别特征的点云数据集。但现有数据集无法满足输电线路场景点云语义分割的需要。因此,基于机载LiDAR获取的某地区500 kV超高压输电线路巡检点云数据构建了一套深度学习数据集——POWERLINE-ALS。该数据集包含地线、导线、杆塔、植被、建筑、低矮电力线等6个类别,输电线路长21 km。同时,利用PointNet++、PointCNN、KPConv、SPG、RandLA-Net等5种常用深度学习模型对数据集进行了训练和测试。模型实验结果表明,POWERLINE-ALS能够在目前主流的深度学习模型上应用,具有普适性,其最高测试精度和平均交并比分别达95.31%和82.25%,可以满足实际点云数据语义分割工作的精度要求。     

非结构环境下一种改进的区域生长点云分割方法

针对非结构环境下目标零件识别过程中零件相互堆叠造成分割困难的问题,提出了一种改进的区域生长点云分割算法。首先,采用直通和统计滤波器对获取的点云进行预处理,得到去除冗余数据后的点云;其次,使用八叉树建立点云之间的拓扑关系,提高后续点云分割的效率;最后,选择基于局部径向基函数的曲率计算方法,通过计算选取曲率最小点为初始种子点,并设定空间阈值范围进行区域生长。实验结果表明:该方法能有效解决非结构环境下零件堆叠导致的分割困难问题,分割准确度高且效率满足工业实时需求。