CN108765434B - 基于增材再制造点云模型的轮廓提取方法 - Google Patents
基于增材再制造点云模型的轮廓提取方法 Download PDFInfo
- Publication number
- CN108765434B CN108765434B CN201810034819.8A CN201810034819A CN108765434B CN 108765434 B CN108765434 B CN 108765434B CN 201810034819 A CN201810034819 A CN 201810034819A CN 108765434 B CN108765434 B CN 108765434B
- Authority
- CN
- China
- Prior art keywords
- contour
- point
- points
- data
- point cloud
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种基于增材再制造点云模型的轮廓提取方法,包括以下步骤:对点云模型的截面数据进行处理,得到轮廓特征点;对所述轮廓特征点增补数据点,得到增补后的轮廓数据;对所述轮廓数据进行排序处理,得到有序轮廓线;对所述有序轮廓线进行光顺处理,得到完整的层面轮廓。本发明实施例能够精确、高效实现轮廓提取,为后续再制造路径的规划以及再制造加工程序的生成奠定基础,解决了现有的增材再制造过程中数字模型分层算法得到的点云模型存在截面数据量大、杂乱无序和点位偏移等问题。
Description
技术领域
本发明涉及增材再制造技术领域,尤其涉及一种基于增材再制造点云模型的轮廓提取方法。
背景技术
增材再制造技术是一系列用于恢复损伤零(构)件的缺损尺寸和服役性能的先进技术的统称,增材再制造过程是数字模型驱动下的“离散―堆积”过程。“离散”的过程以零件缺损部分的点云模型为对象进行切片分层,所得到的截面数据存在数据冗余、杂乱无序和点位偏移等缺陷。为了后续生成再制造加工程序,必须对截面数据处理,提取精准的再制造轮廓。对点云分层模型的轮廓提取是增材再制造过程中的一个关键环节。同时,轮廓提取不仅影响增材再制造的精度,对其效率也有重要的影响。
因此,现有的针对增材再制造过程中数字模型分层算法得到的点云分层模型存在截面数据量大、杂乱无序和点位偏移等问题。
发明内容
本发明实施例提供了一种基于增材再制造点云模型的轮廓提取方法,能够通过对点云模型的截面数据进行精简、增补、排序和光顺处理,精准、高效的提取轮廓数据,为后续再制造路径的规划以及再制造加工程序的生成奠定基础。
本发明实施例提供了一种基于增材再制造点云模型的轮廓提取方法,包括以下步骤:
对点云模型的截面数据进行处理,得到轮廓特征点;
对所述轮廓特征点增补数据点,得到增补后的轮廓数据;
对所述轮廓数据进行排序处理,得到有序轮廓线;
对所述有序轮廓线进行光顺处理,得到完整的层面轮廓。
其中,所述对点云模型的截面数据进行处理,删除多余网格点,得到轮廓特征点的步骤包括:
采用二值图像公式,将所述截面数据映射为二值图像;
从上到下、从左到右搜索所述二值图像中网格值为1的网格点,并删除所述二值图像中值为1的网格点,得到轮廓特征点;
其中二值图像公式为:
其中,若S为28种值(224,56,14,131,193,112,28,7,97,67,206,88,52,22,13,133,227,248,62,143,195,240,60,135,225,120,30,15)中的任一种,则该网格点即可被删除。
其中,所述对所述轮廓特征点增补数据点,得到增补后的轮廓数据的步骤包括:
在所述轮廓特征点中选定与非特征点Pd距离最近的轮廓特征点Pi;
计算所述非特征点Pd与线段Pi-1Pi间的欧式距离为L1;计算所述非特征点Pd与线段PiPi+1间的欧式距离为L2;
若判断L1和L2中的较大者大于δ,则认定所述非特征点Pd为特征点,并将所述非特征点Pd增补为轮廓特征点,从而得到增补后的轮廓数据;
其中,假设给定的误差范围是±δ,Pd为非特征点,Pi是轮廓特征点中与Pd距离最近的特征点,Pi-1和Pi+l是Pi前后两个特征点,Pd与与线段Pi-1Pi间的欧式距离为L1,Pd与PiPi+1间的欧式距离为L2。
其中,所述对所述轮廓数据进行排序处理,得到有序轮廓线的步骤如下:
1)基于8邻域顺时针边缘跟踪算法,获得一个边界上的跟踪起始点S0(i,j)作为当前点,其中,获得的方法为:从左到右、从上到下搜索l像素,统计该像素的4邻域中0像素的个数n1和8领域中1像素的个数n2,如果n1≥1且n2≥1,则该像素即为所求的跟踪起始点S0,否则,继续搜索起始点;
2)确定第二个边界点S1的跟踪方向,在S0的4邻域中沿着x6→x4→x2→x0的方向搜索0像素的位置ds,从ds出发,在S0的8领域中逆时针方向进行探测,搜索到的第一个1像素即为S1;
3)将当前点移到S1,并且从S0出发,在S1的8邻域内逆时针方向探测,搜索到的第一个1像素即为第三个边界点S2,以此类推,直到搜索到的边界点为跟踪起始点S0,表明一个边界跟踪完毕,得到有序轮廓线;
4)判断是否存在未处理的像素,如果有,循环执行1)、2)、3);否则,跟踪完毕。
其中,所述对所述有序轮廓线进行光顺处理,得到完整的层面轮廓的步骤如下:
1)假设待构建的三次B样条曲线为:
其中,dj(j=0,1,…,n)为控制点,Nj,k(u)称为k次(k=3)规范B样条基函数,节点矢量u是非递减的参数的序列,存在关系U:u0≤u1≤…≤un+k+1;
2)简化计算过程,将B样条曲线的节点矢量u按照准均匀分布,即:
3)该曲线与型值点之间的误差值应满足最小,误差用如下方程表示:
下面对控制点dj以及型值点pi所对应的节点参数ti进行求解,使目标函数E达到最小;
4)节点参数ti采用累积弦长法构造,设ΔPi=Pi+1-Pi为向前的差分矢量,则:
然后,再对ti进行规范化处理后,可作为优化的初始值:
5)将dj作为设计变量,对目标函数E求偏导,得:
将其展开,得:
通过上式,可以利用迭代的方法求解得到目标函数的最小值及其对应的最优点dj;
6)为了提高逼近的精度,通过调整节点参数ti来减少每一步迭代的误差,对ti进行单变量优化:
利用优化方法中的惩罚函数法求解出使目标函数值最小的最优点列ti,将对ti的优化加入到每一步迭代求解的过程中,可大大提高整体逼近的精度。
本发明实施例的有益效果是:
本发明实施例,通过对点云模型的截面数据进行处理,得到轮廓特征点;对所述轮廓特征点增补数据点,得到增补后的轮廓数据;对所述轮廓数据进行排序处理,得到有序轮廓线;对所述有序轮廓线进行光顺处理,得到完整的层面轮廓,为后续再制造路径的规划以及再制造加工程序的生成奠定基础,解决了现有的增材再制造过程中数字模型分层算法得到的点云模型存在截面数据量大、杂乱无序和点位偏移等问题。
附图说明
图1是本发明的基于增材再制造点云模型的轮廓提取方法的流程示意图;
图2是网格的八邻域分布图。
图3是特征点的增加原理图。
图4是初始数据。
图5是二值映射图像。
图6是骨骼化处理图像。
图7是精简结果。
图8是初始数据。
图9是二值映射图像。
图10是采用边缘跟踪算法得到的轮廓序列。
图11是原始轮廓数据。
图12是B样条曲线及控制点。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,是本发明的基于增材再制造点云模型的轮廓提取方法的流程示意图。本发明能够通过对点云模型的截面数据进行精简、增补、排序和光顺处理,精准、高效的提取轮廓数据,为后续再制造路径的规划以及再制造加工程序的生成奠定基础。如图1所示,该基于增材再制造点云模型的轮廓提取方法包括如下步骤:
步骤101,对点云模型的截面数据进行处理,得到轮廓特征点;
其中,所述对点云模型的截面数据进行处理,删除多余网格点,得到轮廓特征点的步骤包括:
采用二值图像公式,将所述截面数据映射为二值图像;
从上到下、从左到右搜索所述二值图像中网格值为1的网格点,并删除所述二值图像中值为1的网格点,计算该网格的8邻域(见图2所示)位图S,得到轮廓特征点;
其中二值图像公式为:
其中,若S为28种值(224,56,14,131,193,112,28,7,97,67,206,88,52,22,13,133,227,248,62,143,195,240,60,135,225,120,30,15)中的任一种,则该网格点即可被删除。
步骤102,对所述轮廓特征点增补数据点,得到增补后的轮廓数据;
其中,所述对所述轮廓特征点增补数据点,得到增补后的轮廓数据的步骤包括:
在所述轮廓特征点中选定与非特征点Pd距离最近的轮廓特征点Pi;
计算所述非特征点Pd与线段Pi-1Pi间的欧式距离为L1;计算所述非特征点Pd与线段PiPi+1间的欧式距离为L2;
若判断L1和L2中的较大者大于δ,则认定所述非特征点Pd为特征点,并将所述非特征点Pd增补为轮廓特征点,从而得到增补后的轮廓数据,否则,就放弃该轮廓特征点。特征点的增加原理图见图3。
其中,假设给定的误差范围是±δ,Pd为非特征点,Pi是轮廓特征点中与Pd距离最近的特征点,Pi-1和Pi+l是Pi前后两个特征点,Pd与与线段Pi-1Pi间的欧式距离为L1,Pd与PiPi+1间的欧式距离为L2。
图4~图7是上述算法的应用实例,图4为初始截面数据,点的数目是758,网格宽度取2mm,二值图像的映射如图5所示,图6为骨骼化算法处理后的二值图像,获得的轮廓特征点为76个,然后应用增补新特征点算法,最终得到的轮廓数据点为108,如图7所示,上述方法能够有效提取截面轮廓数据,精简结果比较理想。
步骤103,对所述轮廓数据进行排序处理,得到有序轮廓线;
其中,所述对所述轮廓数据进行排序处理,得到有序轮廓线的步骤如下:
1)基于8邻域顺时针边缘跟踪算法,获得一个边界上的跟踪起始点S0(i,j)作为当前点,其中,获得的方法为:从左到右、从上到下搜索l像素,统计该像素的4邻域中0像素的个数n1和8领域中1像素的个数n2,如果n1≥1且n2≥1,则该像素即为所求的跟踪起始点S0,否则,继续搜索起始点;
2)确定第二个边界点S1的跟踪方向,在S0的4邻域中沿着x6→x4→x2→x0的方向搜索0像素的位置ds,从ds出发,在S0的8领域中逆时针方向进行探测,搜索到的第一个1像素即为S1;
3)将当前点移到S1,并且从S0出发,在S1的8邻域内逆时针方向探测,搜索到的第一个1像素即为第三个边界点S2,以此类推,直到搜索到的边界点为跟踪起始点S0,表明一个边界跟踪完毕,得到有序轮廓线;
4)判断是否存在未处理的像素,如果有,循环执行1)、2)、3);否则,跟踪完毕。
如图8所示为初始截面数据,取网格宽度0.5mm,映射得到的二值图像如图9,利用边缘跟踪算法处理后,得到的轮廓序列如图10所示。从图中可以看出,该方法对大面积点云的处理效果是比较理想,并且实施简单,实现了对截面数据的精简。
步骤104,对所述有序轮廓线进行光顺处理,得到完整的层面轮廓。
其中,采用三次B样条曲线逼近法对所述有序轮廓线进行光顺处理,得到完整的层面轮廓的步骤如下:
1)假设待构建的三次B样条曲线为:
其中,dj(j=0,1,…,n)为控制点,Nj,k(u)称为k次(k=3)规范B样条基函数,节点矢量u是非递减的参数的序列,存在关系U:u0≤u1≤…≤un+k+1;
2)简化计算过程,将B样条曲线的节点矢量u按照准均匀分布,即:
3)该曲线与型值点之间的误差值应满足最小,误差用如下方程表示:
下面对控制点dj以及型值点pi所对应的节点参数ti进行求解,使目标函数E达到最小;
4)节点参数ti采用累积弦长法构造,设ΔPi=Pi+1-Pi为向前的差分矢量,则:
然后,再对ti进行规范化处理后,可作为优化的初始值:
5)将dj作为设计变量,对目标函数E求偏导,得:
将其展开,得:
通过上式,可以利用迭代的方法求解得到目标函数的最小值及其对应的最优点dj;
6)为了提高逼近的精度,通过调整节点参数ti来减少每一步迭代的误差,对ti进行单变量优化:
利用优化方法中的惩罚函数法求解出使目标函数值最小的最优点列ti,将对ti的优化加入到每一步迭代求解的过程中,可大大提高整体逼近的精度。
通过B样条曲线逼近的方法对图11中的轮廓点进行轮廓曲线拟合,原始数据点数为128个,设定逼近精度为0.1mm以及控制点数为20个,经过迭代处理反算出的三次B样条曲线的控制点,如图12所示。
本发明实施例的有益效果是:
本发明实施例,通过对点云模型的截面数据进行处理,得到轮廓特征点;对所述轮廓特征点增补数据点,得到增补后的轮廓数据;对所述轮廓数据进行排序处理,得到有序轮廓线;对所述有序轮廓线进行光顺处理,得到完整的层面轮廓,为后续再制造路径的规划以及再制造加工程序的生成奠定基础,解决了现有的增材再制造过程中数字模型分层算法得到的点云模型存在截面数据量大、杂乱无序和点位偏移等问题。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.基于增材再制造点云模型的轮廓提取方法,其特征在于,包括以下步骤:
对点云模型的截面数据进行处理,得到轮廓特征点;
对所述轮廓特征点增补数据点,得到增补后的轮廓数据;
对所述轮廓数据进行排序处理,得到有序轮廓线;
对所述有序轮廓线进行光顺处理,得到完整的层面轮廓;
所述对所述轮廓特征点增补数据点,得到增补后的轮廓数据的步骤包括:
在所述轮廓特征点中选定与非特征点Pd距离最近的轮廓特征点Pi;计算所述非特征点Pd与线段Pi-1Pi间的欧式距离为L1;计算所述非特征点Pd与线段PiPi+1间的欧式距离为L2;
若判断L1和L2中的较大者大于δ,则认定所述非特征点Pd为特征点,并将所述非特征点Pd增补为轮廓特征点,从而得到增补后的轮廓数据;
其中,假设给定的误差范围是±δ,Pd为非特征点,Pi是轮廓特征点中与Pd距离最近的特征点,Pi-1和Pi+1是Pi前后两个特征点,Pd与与线段Pi-1Pi间的欧式距离为L1,Pd与PiPi+1间的欧式距离为L2。
2.如权利要求1所述的方法,其特征在于,所述对所述有序轮廓线进行光顺处理,得到完整的层面轮廓的步骤如下:
1)假设待构建的三次B样条曲线为:
其中,dj(j=0,1,…,n)为控制点,Nj,k(u)称为k次规范B样条基函数,节点矢量u是非递减的参数的序列,存在关系U:u0≤u1≤…≤Un+k+1,其中k=3;
2)简化计算过程,将B样条曲线的节点矢量u按照准均匀分布,即:
3)该曲线与型值点之间的误差值应满足最小,误差用如下方程表示:
下面对控制点dj以及型值点pi所对应的节点参数ti进行求解,使目标函数E达到最小;
4)节点参数ti采用累积弦长法构造,设ΔPi=Pi+1-Pi为向前的差分矢量,则:
然后,再对ti进行规范化处理后,可作为优化的初始值:
5)将dj作为设计变量,对目标函数E求偏导,得:
将其展开,得:
通过上式,可以利用迭代的方法求解得到目标函数的最小值及其对应的最优点dj;
6)为了提高逼近的精度,通过调整节点参数ti来减少每一步迭代的误差,对ti进行单变量优化:
利用优化方法中的惩罚函数法求解出使目标函数值最小的最优点列ti,将对ti的优化加入到每一步迭代求解的过程中,可大大提高整体逼近的精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810034819.8A CN108765434B (zh) | 2018-01-15 | 2018-01-15 | 基于增材再制造点云模型的轮廓提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810034819.8A CN108765434B (zh) | 2018-01-15 | 2018-01-15 | 基于增材再制造点云模型的轮廓提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765434A CN108765434A (zh) | 2018-11-06 |
CN108765434B true CN108765434B (zh) | 2022-05-24 |
Family
ID=63980051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810034819.8A Active CN108765434B (zh) | 2018-01-15 | 2018-01-15 | 基于增材再制造点云模型的轮廓提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765434B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111349B (zh) * | 2019-04-22 | 2020-12-08 | 西安交通大学 | 一种基于点云的非刚体复杂构件高精度边缘提取方法 |
CN110097588B (zh) * | 2019-04-22 | 2021-01-15 | 西安交通大学 | 一种航发叶片陶瓷型芯点云模型的修型边缘提取方法 |
CN111310106B (zh) * | 2020-01-19 | 2024-02-06 | 浙江工业大学 | 一种基于逐步逼近原始轮廓的切割轮廓拟合优化方法 |
CN113042858B (zh) * | 2021-04-02 | 2022-02-22 | 华东理工大学 | 一种自适应调参的电弧增材制造方法及*** |
CN114101861A (zh) * | 2021-11-02 | 2022-03-01 | 北京航星机器制造有限公司 | 一种局部路径点可编辑的电弧增材制造离线编程方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279980A (zh) * | 2013-05-08 | 2013-09-04 | 西安理工大学 | 基于点云数据的树叶建模方法 |
CN103310481A (zh) * | 2013-05-20 | 2013-09-18 | 东南大学 | 一种基于模糊熵迭代的点云精简方法 |
CN103942837A (zh) * | 2014-05-05 | 2014-07-23 | 华中科技大学无锡研究院 | 基于序列线性规划的叶片点云模型截面曲线直接构造方法 |
CN104200212A (zh) * | 2014-06-25 | 2014-12-10 | 西安煤航信息产业有限公司 | 一种基于机载LiDAR数据的建筑物外边界线提取方法 |
CN104268934A (zh) * | 2014-09-18 | 2015-01-07 | 中国科学技术大学 | 一种由点云直接重建三维曲面的方法 |
CN106373118A (zh) * | 2016-08-30 | 2017-02-01 | 华中科技大学 | 可有效保留边界和局部特征的复杂曲面零件点云精简方法 |
WO2017120897A1 (zh) * | 2016-01-15 | 2017-07-20 | 武汉武大卓越科技有限责任公司 | 基于线扫描三维点云的物体表面变形特征提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008091583A2 (en) * | 2007-01-23 | 2008-07-31 | Dtherapeutics, Llc | Image-based extraction for vascular trees |
-
2018
- 2018-01-15 CN CN201810034819.8A patent/CN108765434B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279980A (zh) * | 2013-05-08 | 2013-09-04 | 西安理工大学 | 基于点云数据的树叶建模方法 |
CN103310481A (zh) * | 2013-05-20 | 2013-09-18 | 东南大学 | 一种基于模糊熵迭代的点云精简方法 |
CN103942837A (zh) * | 2014-05-05 | 2014-07-23 | 华中科技大学无锡研究院 | 基于序列线性规划的叶片点云模型截面曲线直接构造方法 |
CN104200212A (zh) * | 2014-06-25 | 2014-12-10 | 西安煤航信息产业有限公司 | 一种基于机载LiDAR数据的建筑物外边界线提取方法 |
CN104268934A (zh) * | 2014-09-18 | 2015-01-07 | 中国科学技术大学 | 一种由点云直接重建三维曲面的方法 |
WO2017120897A1 (zh) * | 2016-01-15 | 2017-07-20 | 武汉武大卓越科技有限责任公司 | 基于线扫描三维点云的物体表面变形特征提取方法 |
CN106373118A (zh) * | 2016-08-30 | 2017-02-01 | 华中科技大学 | 可有效保留边界和局部特征的复杂曲面零件点云精简方法 |
Non-Patent Citations (5)
Title |
---|
Contour detection in unstructured 3D point clouds;Timo Hackel 等;《2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》;20161212;1-9 * |
Reconstructing B-spline Curves from Point Clouds--A Tangential Flow Approach Using Least Squares Minimization;Yang Liu 等;《International Conference on Shape Modeling and Applications 2005 (SMI" 05)》;20051231;1-9 * |
一种改进的散乱点云边界特征点提取算法;陈义仁 等;《计算机工程与应用》;20110804;第48卷(第23期);177-180,190 * |
三次B样条曲线的局部光顺;刘根洪 等;《苏州大学学报》;19960131;第12卷(第1期);6-11 * |
基于轮廓关键点的B样条曲线拟合算法;韩江 等;《应用数学和力学》;20150415;第36卷(第4期);423-431 * |
Also Published As
Publication number | Publication date |
---|---|
CN108765434A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765434B (zh) | 基于增材再制造点云模型的轮廓提取方法 | |
CN107123164B (zh) | 保持锐利特征的三维重建方法及*** | |
CN107886529B (zh) | 一种用于三维重建的点云配准方法 | |
CN114170279A (zh) | 一种基于激光扫描的点云配准方法 | |
CN109903319B (zh) | 一种基于多分辨率的快速迭代最近点配准算法 | |
CN113298833A (zh) | 目标物点云特征线面提取方法及*** | |
CN109584357B (zh) | 基于多轮廓线的三维建模方法、装置、***及存储介质 | |
CN111323037B (zh) | 一种移动机器人新型骨架提取的Voronoi路径规划算法 | |
CN109740537B (zh) | 人群视频图像中行人图像属性的精确标注方法及*** | |
CN109584282A (zh) | 一种基于sift特征与光流模型的非刚性图像配准方法 | |
CN113312778A (zh) | 一种自适应于模型几何特征的非结构网格生成方法 | |
Xu et al. | Image processing-based contour parallel tool path optimization for arbitrary pocket shape | |
TW201516969A (zh) | 視訊物件追蹤方法 | |
CN113538569A (zh) | 一种弱纹理物***姿估计方法和*** | |
CN109816781B (zh) | 一种基于图像细节和结构增强的多视图立体几何方法 | |
CN111553926B (zh) | 一种基于二维Tsallis灰度熵快速迭代的阈值分割方法 | |
CN111179327B (zh) | 一种深度图的计算方法 | |
CN117392268A (zh) | 一种基于自适应结合cpd和icp算法的激光扫描建图方法及*** | |
CN108876922B (zh) | 一种基于内二面角补角正则化的网格修补方法 | |
CN113808006B (zh) | 一种基于二维图像重建三维网格模型的方法及装置 | |
CN115797424A (zh) | 一种基于融合特征点提取的点云配准方法及*** | |
CN116310244A (zh) | 一种基于轮廓特征的陶瓷碎片三维智能拼接方法 | |
CN111583098B (zh) | 一种基于序列图像的线段聚类及拟合方法和*** | |
CN114463522A (zh) | 一种激光点云与密集匹配点云融合方法 | |
CN113901884A (zh) | 基于特征匹配的人脸姿态估计方法、***、装置及存储介质 |
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 |