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。     

二维Otsu拟合线阈值图像分割方法

针对已有二维Otsu线阈值法分割方法存在的因误分类而导致的分割质量下降、抗噪性能不足的问题.结合二维Ot-su折线阈值算法和曲线拟合方法,提出了二维Otsu拟合线阈值图像分割方法.本文方法是在二维Otsu折线阈值法基础上进行改进.先对二维直方图中边界信息或噪声所属区域的像素点迭代分割,并设定迭代停止条件,以获得多个阈值点,然后引入曲线拟合的方法,将多个阈值点拟合成线阈值,最后以此线阈值作为分割标准实现分割.实验结果表明:利用本文方法对边缘丰富的图像分割具有较好的分割效果,抗噪能力和自适应能力更强,普适性更高.     

基于自适应多尺度的血液细胞图像阈值分割方法研究

提出一个基于自适应多尺度滤波的阈值分割方法,对血液细胞图像进行了自动分割。首先,对图像原始直方图进行多尺度滤波,根据它的尺度空间图特性,确定合适的滤波尺度,然后完成对谷点由“粗”到“精”的定位,并作为阈值对原始图像进行分割;其次,利用松驰方法对分割图像作后处理;最后,将该方法与其他阈值分割方法做了分割性能的比较,证明了算法的有效性。     

一种基于自适应阈值的图像分割算法

为提高目标检测概率，针对复杂的地面目标红外亚图像，提出了一种以最大类间方差法为基础的自适应阈值图像分割方法。用分割出的目标和背景区域的灰度统计量，设计了一个判断是否得到正确分割的准则．理论分析和实验结果表明，对于复杂背景下低对比度、低信噪比的地面目标，不论目标在图像中所占面积大小，利用该方法均可得到正确的分割结果．通过设置阈值运算的灰度取值范围，可大大减少计算量，节省处理时间．     

基于自组织特征映射网络SOM的图像分割方法

阈值法是图像分割中常用的有效分割技术之一,但是阈值的选取对分割结果影响很大,特别是对于生物医学图像,分割结果往往不能满足要求.本文将SOM神经网络应用到图像分割中,利用其自组织学习的能力自动获取阈值,其结果不仅优于传统阈值法,而且也优于竞争型神经网络.     

基于TV-norm的阈值迭代分割算法

提出了一种基于TV-norm的阈值迭代分割算法.该算法首先用局部阈值迭代法确定各个子图像的阈值,得到一个待处理的矩阵;然后利用TV-norm对阈值矩阵进行插值处理,使之成为与原图像像素数目相同的新矩阵,得到光滑的阈值曲面,进而实现对图像的分割;最后通过仿真试验说明该算法的可行性和有效性.     

基于直方图修正的小波自适应阈值大米垩白分割

在大米垩白分割过程中,由于噪声等影响,图像原始直方图呈明显的锯齿状变化.在阅值选择定位过程中,会产生大量虚假阈值点,影响阈值点的自适应准确选取.通过直方图修正,实现直方图的平滑处理,消除大量虚假阈值点,保证意义阈值点的位置与值不变,达到阈值选取过程中抗噪声的目的.并利用小波变换实现阈值点的自适应多分辨率定位.实验表明通过直方图修正和小波自适应定位多阈值可实现大米垩白区域的有效分割.     

简单的图像分割多阈值法

图像分割是对图像进行视觉分析和模式识别的基本前提。大津法是公认的具有良好性能的阈值分割法。然而,利用大津法计算多个阈值时,消耗大量的计算时间,因此降低了实用性。本文介绍了重复利用大津二分法的简单多阈值方法,实验效果良好。     

图像测量中条带图像的分割

在图像测量中，需对复杂光场下获取的图像进行分割，用常用的阈值分割方法对其进行分割时，不 能很好地克服光照明暗不同对图像产生的影响。提出了一种基于零交叉检测器的动态阈值选取方法，经过 在实际项目中运用，证明其效果良好，能有效克服非均匀光场对图像分割结果所带来的影响。     

航空图像的分割与定位算法研究

通过航空图片的图像分割和特征提取，对几种分割算法进行了比较。通过比较发现，当图像的目标与背景的灰度值相差比较大时，用多阈值的灰度分割方法来获取目标I而当图像的目标与背景的灰度值相差不大时，使用模糊差影滤波算法可获得理想的分割结果。同时，对采用多阈值分割方法后的图像进行目标定位。结果表明，对于复杂航空图像，该算法分割效果好，噪声小，定位算法简单，定位准确，有较好的应用前景。     

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。     

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。     

基于目标检测的激光雷达道路边缘检测算法

道路边缘检测是自动驾驶车辆环境感知的重要组成部分,有效地从点云数据中提取道路边缘信息,有利于进行目标检测以及可行驶区域检测。针对点云道路边缘检测问题,提出了一种考虑车辆等道路参与者对道路边缘检测带来干扰的解决方案。首先,采用地面点云分割算法,将原始点云分割成地面点云和非地面点云;其次,根据车辆等道路参与者的固有特性,采用点云聚类算法对点云进行聚类,并将符合车辆等道路参与者特性的非地面点云进行滤除;再次,根据道路边缘点云在二维平面内,能够有效地遮挡激光发射中心点与非道路边缘点之间的连线,从而提取道路边缘点云;最后,采用随机抽样一致性(random sample consensus, RANSAC)算法对道路边缘点云进行多项式拟合,并使用扩展卡尔曼滤波器对道路边缘进行跟踪。实验结果表明,所提点云道路边缘检测算法能够消除车辆等道路参与则对点云道路边缘检测的影响,且算法满足实车实时性和鲁棒性要求。     

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。     

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.     

融合视觉模型和最大熵的阈值分割算法

针对传统二维最大熵阈值分割算法关于二维直方图的区域划分中存在的缺点(即图像的部分目标点和背景点错误划分为边缘点或噪声点,而把部分边缘点和噪声点划分为目标点和背景点)以及搜索最佳阈值向量的时间复杂度较高的缺点,提出了采用视觉模型构造二维直方图,并提出了一种二维直方图的新的区域划分方法,同时还提出了基于视觉模型的二维最大熵阈值分割算法,提出的阈值分割算法降低了计算复杂度的同时还具有很好的分割性能。根据一些图像分割的定量评价标准,做了一系列实验,与几种典型的二维阈值分割算法相比,提出算法的分割效果更好。     

Segments-based progressive TIN densification filter for DTM generation from airborne LIDAR data

Airborne light detection and ranging (LIDAR) has revolutionized conventional methods for digital terrain models (DTMs) acquisition.Ground filtering for airborne LIDAR is one of the core steps taken to obtain a high quality DTM.This paper presents a segments-based progressive TIN (triangulated irregular network) densification (SPTD) filter that can automatically separate ground points from non-ground points.The SPTD method is composed of two key steps:point cloud segmentation and clustering by iterative judgement.The clustering method uses the dual distance to obtain a set of seed points as a coarse spatial clustering process.Then the rest of the valid point clouds are classified iteratively.Finally,the datasets provided by ISPRS are utilized to test the filtering performance.In comparison with the commercial software TerraSolid,the experimental results show that the SPTD method in this paper can avoid single threshold restrictions.The expected accuracy of ground point determination is capable of producing reliable DTMs in the discontinuous areas.     

基于局部感知的点云语义分割方法

点云语义分割技术是点云数据处理、三维场景理解与分析的有效手段之一。针对点云场景中局部形态各异,导致网络模型识别特征困难的问题,提出了邻域分布关系学习和混合尺度融合的方法,来增强局部感知能力。在卷积算子思想的基础上,根据邻域内所有点在三个坐标轴方向上的联合分布,学习其在高维特征层面的关系,从而捕获局部的整体相关性。此外,将包含小范围底层特征和大范围深层特征的邻域进行整体融合,有效保留不同层级的特征,并能够辅助网络修正相似或错误特征。在场景分割数据集S3DIS、ScanNet上进行实验验证,结果表明该方法在总体精度和类均精度的评价指标上均有提升,证明了其有效性。