CN107392954A - 一种基于序列图像的粗大误差点剔除方法 - Google Patents
一种基于序列图像的粗大误差点剔除方法 Download PDFInfo
- Publication number
- CN107392954A CN107392954A CN201710535121.XA CN201710535121A CN107392954A CN 107392954 A CN107392954 A CN 107392954A CN 201710535121 A CN201710535121 A CN 201710535121A CN 107392954 A CN107392954 A CN 107392954A
- Authority
- CN
- China
- Prior art keywords
- point
- msub
- mrow
- cloud
- msubsup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000008030 elimination Effects 0.000 title claims abstract description 8
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 8
- 230000005484 gravity Effects 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 210000000720 eyelash Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optics & Photonics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明一种基于序列图像的粗大误差点剔除方法属于逆向工程领域,涉及一种基于序列图像的粗大误差点剔除方法。该方法首先通过激光结合双目视觉的方式,利用左、右摄像机拍摄激光发射器在被测物上形成的辅助激光条纹,获取代表被测物表面信息的点云数据。根据最小二乘法将选取的点拟合成一条曲线,将相邻两条曲线作为点云区域边界,完成点云区域的划分;再分别求出每块点云区域中的点到两条边界曲线的最短距离,根据比值大小判断粗大误差点。该方法操作简单,不需要先建立拓扑结构,计算点云的密度等信息来删除多余的点云,提高了点云粗大误差点去除的效率,克服了单幅激光光条图像点云处理的局限性,保证了点云数据的局部信息的准确性。
Description
技术领域
本发明属于逆向工程领域,涉及一种基于序列图像的粗大误差点剔除方法。
背景技术
随着航空制造业数字技术的不断发展,行业竞争将越来越激烈,对飞机产品质量的要求也越来越高,所以发展对飞机零件的逆向建模技术取代传统制造手法已经迫在眉睫。点云数据的处理作为逆向工程的关键步骤,其处理精度将直接决定模型的重建精度。在点云数据处理过程中,点云的粗大误差点剔除是点云处理的第一步。针对点云处理过程中点云的粗大误差点剔除的方法,国内外诸多学者开展了相应研究,如.kd-tree法、空间单元格法、八叉树法等,但目前这些方法中,kd-tree法的缺点是,需要极长的时间来构建kd-tree,从而使得对每个点求邻域也要花费大量时间;空间单元格法对栅格的选取要求比较高,操作复杂;八叉树是线性结构,需要大量的内存储存指针。在激光测量***数据采集过程中,由于被测物本身和测量环境等原因造成的误差会产生脉冲噪声点,即所谓粗大误差,它的分布无规律性且偏离真实数据较大,但数量较少,影响重建精度。为避免上述问题,就有必要对数据点云进行粗大误差点剔除处理。
针对点云数据的粗大误差点剔除处理,西安交通大学的高建民等人,在《现代控制工程》第7期,《基于逆向工程的点云数据预处理技术研究》一文中提出一种利用孤立点统计排异法剔除粗大误差的方法。该方法通过计算单条点云扫描线上的得到均值μ和方差σ2后,建立相邻点距离的正态分布N(μ,σ2)。然后,在扫描线上将相邻两点的直线距离作为统计对象,利用相邻点距离的正态分布N(μ,σ2)的3σ法则判断点的去留,可以较好地剔除单条扫描线上脉冲噪声数据。但该方法只能够针对单幅激光光条图像获得点云数据进行处理,无法对多条点云线组成的点云面进行粗大误差点剔除,具有很大的局限性。
北京矿冶研究总院的刘冠洲等人,在专利号:201210496277.9,专利《一种三维激光点云数据的去噪与精简方法及***》中提出了一种点云数据的处理方法及***,该方法主要计算拓扑构造后的点云中当前点与其邻域各点的距离及距离的均值和用于表示数据离散程度的标准差,对当前点进行删除判断。通过采用该点云处理方法,提高了噪声点过滤的准确率及点云数据的精确度,并有效地降低了点云数据的冗余度。但该方法需要先建立拓扑结构,并通过计算点云的曲率、密度等信息来删除多余的点云,具有计算量大,效率低,无法保证原始扫描数据局部信息等问题。
发明内容
本发明为了解决现有大视场下,大型航空平板类零件点云数据处理过程中的局限性,发明了一种基于序列图像的粗大误差点剔除方法。其目的是针对点云数据的粗大误差点剔除去除过程中需要先建立拓扑结构,并通过计算点云的曲率、密度等信息来删除多余的点云,计算量大,效率低,无法保证原始扫描数据局部信息,无法对多条点云线组成的点云面进行处理等问题,通过对获取的点云数据按照扫描线的方向进行搜索,拟合点云数据,划分点云区域,通过判断点到两条边界曲线的最短距离之比,实现点云数据的快速、高精度的粗大误差点去除。克服了现有点云处理过程中需要建立拓扑结构,无法保证原始扫描数据局部信息,无法对多条点云线组成的点云面进行处理等问题,具有广泛的应用前景。
本发明采用的技术方案是一种基于序列图像的粗大误差点剔除方法,其特征是,该方法首先通过激光结合双目视觉的方式,利用左、右摄像机a、b拍摄激光发射器c在被测物e上形成的辅助激光条纹f,获取代表被测物e表面信息的点云数据;其次将每条点云线两端对应的边界点连接,获得直线g,将两个边界点之间在直线g附近的点,每隔n个点取一个点之后,根据最小二乘法将选取的待拟合点J拟合成一条曲线,将相邻两条曲线作为点云区域边界,完成点云区域的划分;最后分别求出每块点云区域中的点到两条边界曲线的最短距离h1、h2,之后,根据h1与h2的比值大小判断粗大误差点;方法的具体步骤如下:
第一步,获取点云数据
安装测量设备,打开辅助激光发射器c并照射被测物e,在开始采集之后,打开转台d带动激光发射器c转动,使激光扫描被测物e。然后,整体平移左右摄像机a、b的位置,进行多次拍摄,保证被测物e形面信息的完整性。通过信息采集***采集到辅助激光光条f图像之后,需要对激光光条f的中心线进行提取,本发明是利用光条图像中心灰度重心提取的方法,公式(1)为:
其中:,(ui,vi)为第i行光条灰度重心坐标,Iij为第i行第j列灰度值;。通过此方法获取辅助激光光条f的特征点二维信息,再结合标定结果以及重建公式,得到边界点和光条中心点在世界坐标系下的三维坐标值,重建公式如下:
其中,假设xi'=(Xi',Yi'),Xi',Yi'分别为左摄像机a采集的图像边界点或光条中心点xi'在像面坐标系下的横、纵坐标;xi′′=(Xi′′,Yi′′),Xi′′,Yi′′分别为右摄像机b采集的图像光斑中心点xi‘'在像面坐标系下的横、纵坐标;f1、f2分别为左、右摄像机a、b标定得到的焦距;是右摄像机b相对于左摄像机a的旋转矩阵,[tx ty tz]是右摄像机b相对于左摄像机a的平移矩阵,由标定实验得到;则(xi,yi,zi)为重建出来的对应点的三维坐标,由此获取整个被测物e表面的三维点云数据。
第二步,点云区域的划分
针对获得的点云,将每条点云线的首尾两个点进行编号,即对点云图像的边界点编号1,…,2n,将每条点云线两端对应的边界点连接,获得直线g,将两个边界点之间在直线g附近的点,每隔n个点取一个点之后,利用公式(3)(4),根据最小二乘法将选取的待拟合点J拟合成一条曲线;
yi=a0+a1xi+...+akxi k (3)
将相邻两条曲线作为单块点云区域左、右边界l1、l2,完成点云区域的划分;
第三步,粗大误差点的去除
点云区域划分之后,依次对点云区域内的点进行搜索,分别求出每块点云区域中的点到两条边界曲线的最短距离h1、h2,之后,根据h1与h2的比值ρ大小判断粗大误差点I;
其中,h1为点到左边界的最短距离,h2为点到右边界的最短距离;当点云区域内的点靠近左边界l1时,ρ趋于0,当点云区域内的点靠近右边界l2时,ρ趋于∞,因此,设置阈值α1、α2,当α1≤ρ≤α2时,判断此点为粗大误差点I,将此点剔除;当ρ≤α1或ρ≥α2时,判断此点为正常点,将此点保留;这样就完成了数据点云的粗大误差点I剔除。
本发明的效果和益处是采用激光结合双目视觉的方式获得扫描式点云数据,对获取的点云数据按照扫描线的方向进行搜索,拟合点云数据,划分点云区域,通过判断点到两条边界曲线的最短距离之比,实现点云数据的快速、高精度的粗大误差点去除。克服了现有点云处理过程中需要建立拓扑结构,无法保证原始扫描数据局部信息;克服了单幅激光光条图像点云处理的局限性,无法对多条点云线组成的点云面进行处理等问题。提高了点云粗大误差点去除的效率,并保证了点云数据的局部信息的准确性,具有广泛的应用前景。
附图说明
图1是点云数据的获取示意图,其中,a-左摄像机,b-右摄像机,c-激光发射器,d-转台,e-被测物,f-激光光条。
图2是点云区域划分示意,其中,1,3,…,2n-1-上边界点编号,2,4,…,2n-下边界点编号,g-两端对应的边界点连线,I-粗大误差点,J-选取的待拟合点,l1-单块点云区域左边界,l2-单块点云区域右边界,h1-点到左边界的最短距离,h2-点到右边界的最短距离;
图3是粗大误差点去除流程图
具体实施方式
以下结合技术方法和附图详细叙述本发明的具体实施方式。
方法首先通过激光结合双目视觉的方式,利用左、右摄像机a、b拍摄激光发射器c在被测物e上形成的辅助激光条纹f,获取代表被测物e表面信息的点云数据;其次将每条点云线两端对应的边界点连接,获得直线g,将两个边界点之间在直线g附近的点,每隔n个点取一个点;之后根据最小二乘法将选取的待拟合点J拟合成一条曲线,将相邻两条曲线作为点云区域边界,完成点云区域的划分;最后分别求出每块点云区域中的点到两条边界曲线的最短距离h1、h2,之后,根据h1与h2的比值大小判断粗大误差点;方法的具体步骤如下:
第一步,获取点云数据
本次测量选取韩国Vieworks公司生产的VC-12MC-M/C 65型号工业相机,此相机为逐行扫描式面扫描工业相机,本文选用的是激光发射器为Coherent公司生产的LasirisPowerLine激光发射器,被测物e为航空平板类零件。安装实验设备后,打开激光发射器c并照射被测物e,在开始采集之后,打开转台d带动激光发射器c转动,使激光扫描被测物e。然后,变换左右摄像机a、b的位置,进行多次拍摄,保证被测物e形面信息的完整性。通过信息采集***采集到辅助激光光条f图像之后,利用公式(1)对激光光条f的中心线进行提取,获取激光光条f的特征点二维信息,再结合标定结果重建公式(2),可以将左右相机a、b拍摄的光条信息进行匹配,由此将二维信息还原成为三维点信息。之后根据标定结果,最终获取整个被测物e表面的三维点云数据。
第二步,点云区域的划分
针对获得的点云,将每条点云线的首尾两个点进行编号,即对点云图像的边界点编号1,…,2n,将每条点云线两端对应的边界点连接,获得直线g,将两个边界点之间在直线g附近的点,每隔5个点取一个点之后,利用公式(3)、(4)根据最小二乘法将选取的待拟合点J拟合成一条曲线;将相邻两条曲线作为单块点云区域左、右边界l1、l2,完成点云区域的划分。
第三步,粗大误差点的去除
点云区域划分之后,依次对点云区域内的点进行搜索,分别求出每块点云区域中的点到两条边界曲线的最短距离h1、h2,之后,根据h1与h2的比值大小判断粗大误差点。根据公式(5)当点云区域内的点靠近左边界时,ρ趋于0,当点云区域内的点靠近右边界时,ρ趋于∞,因此,设置阈值α1=0.1、α2=10,当0.1≤ρ≤10时,判断此点为粗大误差点I,将此点剔除;当ρ≤0.1或ρ≥10时,判断此点为正常点,将此点保留,这样就完成了数据点云的粗大误差点I的剔除。
本发明在最小二乘法的基础上,应用激光结合双目视觉的测量方法,改进了现有逆向重建过程中点云数据粗大误差点去除方法的局限性,实现了粗大误差点快速、高精度的去除。
Claims (1)
1.一种基于序列图像的粗大误差点剔除方法,其特征是,该方法首先通过激光结合双目视觉的方式,利用左、右摄像机(a、b)拍摄激光发射器(c)在被测物(e)上形成的辅助激光条纹(f),获取代表被测物(e)表面信息的点云数据;其次将每条点云线两端对应的边界点连接,获得直线g,将两个边界点之间在直线g附近的点,每隔n个点取一个点;再根据最小二乘法将选取的待拟合点J拟合成一条曲线,将相邻两条曲线作为点云区域边界,完成点云区域的划分;最后分别求出每块点云区域中的点到两条边界曲线的最短距离h1、h2,之后,根据h1与h2的比值大小判断粗大误差点;方法的具体步骤如下:
第一步,获取点云数据
安装测量设备,打开辅助激光发射器(c)并照射被测物(e),在开始采集之后,打开转台(d)带动激光发射器(c)转动,使激光扫描被测物(e);然后,整体平移左、右摄像机(a、b)的位置,进行多次拍摄,保证被测物(e)形面信息的完整性;通过信息采集***采集到辅助激光光条(f)图像之后,需要对激光光条(f)的中心线进行提取,利用光条图像中心灰度重心提取的方法,公式(1)为:
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>p</mi>
</mrow>
<mi>q</mi>
</munderover>
<mi>j</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>p</mi>
</mrow>
<mi>q</mi>
</munderover>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中:,(ui,vi)为第i行光条灰度重心坐标,Iij为第i行第j列灰度值;;通过此方法可以获取辅助激光光条(f)的特征点二维信息,再结合标定结果以及重建公式,得到边界点和光条中心点在世界坐标系下的三维坐标值,重建公式(2)如下:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>zX</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
</mrow>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>zY</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
</mrow>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<msub>
<mi>t</mi>
<mi>y</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>Y</mi>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<mo>&prime;</mo>
</msubsup>
<msub>
<mi>t</mi>
<mi>z</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>Y</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mn>7</mn>
</msub>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>+</mo>
<msub>
<mi>r</mi>
<mn>8</mn>
</msub>
<msubsup>
<mi>Y</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>+</mo>
<msub>
<mi>r</mi>
<mn>9</mn>
</msub>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mn>4</mn>
</msub>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>+</mo>
<msub>
<mi>r</mi>
<mn>5</mn>
</msub>
<msubsup>
<mi>Y</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>+</mo>
<msub>
<mi>r</mi>
<mn>6</mn>
</msub>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,假设xi'=(Xi',Yi'),Xi',Yi'分别为左摄像机(a)采集的图像边界点或光条中心点xi′在像面坐标系下的横、纵坐标;xi′=(Xi′,Yi′),Xi′,Yi′分别为右摄像机(b)采集的图像光斑中心点xi‘′在像面坐标系下的横、纵坐标;f1、f2分别为左、右摄像机(a、b)标定得到的焦距;是右摄像机(b)相对于左摄像机(a)的旋转矩阵,[tx ty tz]是右摄像机(b)相对于左摄像机(a)的平移矩阵,由标定实验得到;则(xi,yi,zi)为重建出来的对应点的三维坐标,由此获取整个被测物(e)表面的三维点云数据;
第二步,点云区域的划分
针对获得的点云,将每条点云线的首尾两个点进行编号,即对点云图像的边界点编号1,…,2n,将每条点云线两端对应的边界点连接,获得直线g,将两个边界点之间在直线g附近的点,每隔n个点取一个点之后,利用公式(3)、(4),根据最小二乘法将选取的待拟合点J拟合成一条曲线;
yi=a0+a1xi+…+akxi k (3)
将相邻两条曲线作为单块点云区域左、右边界l1、l2,完成点云区域的划分;
第三步,粗大误差点的去除
点云区域划分之后,依次对点云区域内的点进行搜索,分别求出每块点云区域中的点到两条边界曲线的最短距离h1、h2,之后,根据h1与h2的比值ρ大小判断粗大误差点I;
<mrow>
<mi>&rho;</mi>
<mo>=</mo>
<mfrac>
<msub>
<mi>h</mi>
<mn>1</mn>
</msub>
<msub>
<mi>h</mi>
<mn>2</mn>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,h1为点到左边界的最短距离,h2为点到右边界的最短距离;当点云区域内的点靠近左边界l1时,ρ趋于0,当点云区域内的点靠近右边界l2时,ρ趋于∞,因此,设置阈值α1、α2,当α1≤ρ≤α2时,判断此点为粗大误差点I,将此点剔除;当ρ≤α1或ρ≥α2时,判断此点为正常点,保留此点;这样就完成了数据点云的粗大误差点I的剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710535121.XA CN107392954B (zh) | 2017-07-04 | 2017-07-04 | 一种基于序列图像的粗大误差点剔除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710535121.XA CN107392954B (zh) | 2017-07-04 | 2017-07-04 | 一种基于序列图像的粗大误差点剔除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107392954A true CN107392954A (zh) | 2017-11-24 |
CN107392954B CN107392954B (zh) | 2019-11-19 |
Family
ID=60334231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710535121.XA Expired - Fee Related CN107392954B (zh) | 2017-07-04 | 2017-07-04 | 一种基于序列图像的粗大误差点剔除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392954B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229342A (zh) * | 2017-12-18 | 2018-06-29 | 西南技术物理研究所 | 一种海面舰船目标自动检测方法 |
CN108445505A (zh) * | 2018-03-29 | 2018-08-24 | 南京航空航天大学 | 线环境下基于激光雷达的特征显著性检测方法 |
CN109272524A (zh) * | 2018-08-27 | 2019-01-25 | 大连理工大学 | 一种基于阈值分割的小尺度点云噪声去噪方法 |
CN109741386A (zh) * | 2018-12-26 | 2019-05-10 | 豪威科技(武汉)有限公司 | 立体视觉***的增强方法及立体视觉*** |
CN112991202A (zh) * | 2021-03-01 | 2021-06-18 | 歌尔科技有限公司 | 光心位置的校准方法、终端设备及计算机可读存储介质 |
CN114184166A (zh) * | 2021-11-30 | 2022-03-15 | 中冶京诚工程技术有限公司 | 高速线材p/f线c型钩倾斜检测方法及其装置 |
CN114459383A (zh) * | 2022-02-28 | 2022-05-10 | 嘉兴市像景智能装备有限公司 | 一种基于正弦条纹相移轮廓术的标定方法及实施装置 |
CN114609591A (zh) * | 2022-03-18 | 2022-06-10 | 湖南星晟智控科技有限公司 | 一种基于激光点云数据的数据处理方法 |
WO2023040392A1 (en) * | 2021-09-17 | 2023-03-23 | Beijing Xiaomi Mobile Software Co., Ltd. | Method and apparatus of encoding/decoding point cloud geometry data sensed by at least one sensor |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030113020A1 (en) * | 2001-12-19 | 2003-06-19 | General Electric Company | Method for the extraction of image features caused by structure light using template information |
US20030112449A1 (en) * | 2001-12-19 | 2003-06-19 | General Electric Company | Method for the extraction of image features caused by structure light using image reconstruction |
CN101718528A (zh) * | 2009-12-10 | 2010-06-02 | 北京科技大学 | 基于数字图像的快速求解圆参数方法 |
CN102486371A (zh) * | 2010-12-03 | 2012-06-06 | 沈阳黎明航空发动机(集团)有限责任公司 | 一种无基准轮廓度零件的测量与计算方法 |
CN103940369A (zh) * | 2014-04-09 | 2014-07-23 | 大连理工大学 | 多激光协同扫描形貌快速视觉测量方法 |
CN105716539A (zh) * | 2016-01-26 | 2016-06-29 | 大连理工大学 | 一种快速高精度的三维形面测量方法 |
-
2017
- 2017-07-04 CN CN201710535121.XA patent/CN107392954B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030113020A1 (en) * | 2001-12-19 | 2003-06-19 | General Electric Company | Method for the extraction of image features caused by structure light using template information |
US20030112449A1 (en) * | 2001-12-19 | 2003-06-19 | General Electric Company | Method for the extraction of image features caused by structure light using image reconstruction |
CN101718528A (zh) * | 2009-12-10 | 2010-06-02 | 北京科技大学 | 基于数字图像的快速求解圆参数方法 |
CN102486371A (zh) * | 2010-12-03 | 2012-06-06 | 沈阳黎明航空发动机(集团)有限责任公司 | 一种无基准轮廓度零件的测量与计算方法 |
CN103940369A (zh) * | 2014-04-09 | 2014-07-23 | 大连理工大学 | 多激光协同扫描形貌快速视觉测量方法 |
CN105716539A (zh) * | 2016-01-26 | 2016-06-29 | 大连理工大学 | 一种快速高精度的三维形面测量方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229342A (zh) * | 2017-12-18 | 2018-06-29 | 西南技术物理研究所 | 一种海面舰船目标自动检测方法 |
CN108229342B (zh) * | 2017-12-18 | 2021-10-26 | 西南技术物理研究所 | 一种海面舰船目标自动检测方法 |
CN108445505A (zh) * | 2018-03-29 | 2018-08-24 | 南京航空航天大学 | 线环境下基于激光雷达的特征显著性检测方法 |
CN109272524A (zh) * | 2018-08-27 | 2019-01-25 | 大连理工大学 | 一种基于阈值分割的小尺度点云噪声去噪方法 |
CN109741386A (zh) * | 2018-12-26 | 2019-05-10 | 豪威科技(武汉)有限公司 | 立体视觉***的增强方法及立体视觉*** |
CN112991202A (zh) * | 2021-03-01 | 2021-06-18 | 歌尔科技有限公司 | 光心位置的校准方法、终端设备及计算机可读存储介质 |
WO2023040392A1 (en) * | 2021-09-17 | 2023-03-23 | Beijing Xiaomi Mobile Software Co., Ltd. | Method and apparatus of encoding/decoding point cloud geometry data sensed by at least one sensor |
CN114184166A (zh) * | 2021-11-30 | 2022-03-15 | 中冶京诚工程技术有限公司 | 高速线材p/f线c型钩倾斜检测方法及其装置 |
CN114459383A (zh) * | 2022-02-28 | 2022-05-10 | 嘉兴市像景智能装备有限公司 | 一种基于正弦条纹相移轮廓术的标定方法及实施装置 |
CN114459383B (zh) * | 2022-02-28 | 2023-12-15 | 嘉兴市像景智能装备有限公司 | 一种基于正弦条纹相移轮廓术的标定方法 |
CN114609591A (zh) * | 2022-03-18 | 2022-06-10 | 湖南星晟智控科技有限公司 | 一种基于激光点云数据的数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107392954B (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392954A (zh) | 一种基于序列图像的粗大误差点剔除方法 | |
CN111047554B (zh) | 一种基于实例分割的复合绝缘子过热缺陷检测方法 | |
CN111832655B (zh) | 一种基于特征金字塔网络的多尺度三维目标检测方法 | |
CN104657587B (zh) | 一种激光条纹的中心线提取方法 | |
CN105300316B (zh) | 基于灰度重心法的光条中心快速提取方法 | |
CN102521884B (zh) | 一种基于LiDAR数据与正射影像的3维屋顶重建方法 | |
CN109118574A (zh) | 一种基于三维特征提取的快速逆向建模方法 | |
CN109272524A (zh) | 一种基于阈值分割的小尺度点云噪声去噪方法 | |
CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
CN107301648B (zh) | 基于重叠区域边界角度的冗余点云去除方法 | |
CN105844602A (zh) | 一种基于体元的机载lidar点云三维滤波方法 | |
CN110322453A (zh) | 基于位置注意力和辅助网络的3d点云语义分割方法 | |
CN110544233B (zh) | 基于人脸识别应用的深度图像质量评价方法 | |
CN104881855B (zh) | 一种利用形态学和自由边界条件活动轮廓模型的多聚焦图像融合方法 | |
CN109580630A (zh) | 一种机械零部件缺陷的视觉检测方法 | |
CN106970375A (zh) | 一种机载激光雷达点云中自动提取建筑物信息的方法 | |
CN109816664A (zh) | 一种三维点云分割方法及装置 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN111985552B (zh) | 复杂背景下机场道面细带状结构病害检测方法 | |
CN110726998B (zh) | 一种激光雷达扫描测定矿区采煤塌陷盆地的方法 | |
CN104091327A (zh) | 铸件的枝状缩松缺陷仿真图像的生成方法及*** | |
CN114119902A (zh) | 一种基于无人机倾斜三维模型的建筑物提取方法 | |
Ma et al. | Rapid estimation of apple phenotypic parameters based on 3D reconstruction | |
CN117706577A (zh) | 基于激光雷达三维点云算法的船舶尺寸测量方法 | |
CN113256543A (zh) | 一种基于图卷积神经网络模型的点云补全方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191119 Termination date: 20210704 |