CN117408913B - 待测物体点云去噪方法、***及装置 - Google Patents
待测物体点云去噪方法、***及装置 Download PDFInfo
- Publication number
- CN117408913B CN117408913B CN202311684329.XA CN202311684329A CN117408913B CN 117408913 B CN117408913 B CN 117408913B CN 202311684329 A CN202311684329 A CN 202311684329A CN 117408913 B CN117408913 B CN 117408913B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- regional
- blocks
- denoising
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013507 mapping Methods 0.000 claims abstract description 47
- 238000001914 filtration Methods 0.000 claims abstract description 31
- 230000012010 growth Effects 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004141 dimensional analysis Methods 0.000 description 8
- 241000196324 Embryophyta Species 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035040 seed growth Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种待测物体点云去噪方法、***及装置，方法包括：通过三维全貌重建得到原始待测物体点云，经预处理后得到初始待测物体点云；根据初始待测物体点云位置信息进行区域生长分析，基于颜色分布特征采用聚类算法进行聚类，得到待测物体区域点云及待测物体聚类点云，并计算聚类点云块密度分布；将区域点云块与聚类点云块进行映射，若区域点云块中点数量小于预设第一阈值且所对应聚类点云块密度小于预设第二阈值，从初始待测物体点云中滤除区域点云块，最后进行去噪，得到去噪待测物体点云。本方法结合待测物体颜色分布特征，能够适用于待测物体点云的快速去噪，对后续待测物体三维表型分析具有重要作用。
Description
技术领域
本发明涉及三维解析技术领域，尤其涉及一种待测物体点云去噪方法、***及装置。
背景技术
目前三维应用主要集中在三维建模，在农业应用中，由于应用场景复杂多变，植物颜色、平滑性等特征较为复杂，导致建模成本较高，建模数据噪声多、孔洞多，进而导致点云解析困难且精度低。三维解析任务多用于视觉SLAM应用领域，采用多传感器进行三维重建与障碍物检测，目前关于三维解析应用以玉米作物居多。在农业应用中，当前技术通过手动去除点云噪声，对农作物进行曲面重建与骨架提取，进一步计算农作物面积、夹角等参数；或通过对农作物进行破坏性分解，手动对茎、叶进行分割，进一步分析作物表型信息；或基于农作物基本特征，利用骨架提取技术对农作物株型进行分析，得到茎叶表型参数。
发明内容
本发明针对现有技术中的缺点，提供了一种待测物体点云去噪方法、***及装置。
为了解决上述技术问题，本发明通过下述技术方案得以解决：
一种待测物体点云去噪方法，包括以下步骤：
基于待测物体全视角图像信息进行三维重建得到原始点云，对原始点云进行预处理得到初始点云；
基于初始点云的位置信息进行区域生长分析，得到区域点云，基于初始点云的颜色信息进行聚类，得到聚类点云；
根据聚类点云中聚类点云块密度进行排序，结合区域点云中区域点云块信息，将区域点云块与聚类点云块进行映射，得到点云块映射关系；
通过所述点云块映射关系，统计聚类点云块密度及区域点云块点数量，将符合条件的区域点云块滤除，对滤除后区域点云进行滤波，得到去噪点云。
作为一种可实施方式，所述基于待测物体全视角图像信息进行三维重建得到原始点云，对原始点云进行预处理得到初始点云，包括以下步骤：
采集得到待测物体全视角图像信息，根据多视图三维建模算法，重建得到包含颜色信息、位置信息的原始点云；
基于原始点云的位置信息，删除其中不符合待测物体生长特征的点云，得到初始点云。
作为一种可实施方式，所述基于初始点云的位置信息进行区域生长分析，得到区域点云，基于初始点云的颜色信息进行聚类，得到聚类点云，包括以下步骤：
基于待测物体点云位置信息，结合点云离散程度、点云均匀性特征，将不同分布的点云进行划分，得到区域点云；
将待测物体颜色分布特性作为先验信息，设定颜色聚类数量，基于颜色信息对初始点云进行聚类，得到聚类点云。
作为一种可实施方式，所述基于初始点云的位置信息进行区域生长分析，得到区域点云，包括以下步骤：
计算初始点云中每个点的法线及曲率，得到法线集及曲率集，将曲率集排序后选择曲率最低对应点作为种子点；
设置法线夹角阈值，搜索种子点的邻域点，计算邻域点的法线与种子点的法线之间的夹角，小于法线夹角阈值的邻域点归属于当前区域；
设置曲率阈值，分析邻域点的曲率，建立种子点序列，将小于法线夹角阈值且小于曲率阈值的邻域点添加至种子点序列中，并删除当前种子点，计算新的种子点继续生长；
重复以上过程，直到种子点序列为空，则完成当前区域生长；
对剩余初始点云重复以上步骤，直至遍历所有点，即完成初始点云区域生长分析，得到区域点云。
作为一种可实施方式，所述根据聚类点云中聚类点云块密度进行排序，结合区域点云中区域点云块信息，将区域点云块与聚类点云块进行映射，得到点云块映射关系，包括以下步骤：
计算所述聚类点云中各个聚类点云块的密度，按照密度大小对聚类点云块进行排序；
将区域点云中各个区域点云块与排序后的聚类点云块进行映射，确定区域点云块与聚类点云块之间的映射关系。
作为一种可实施方式，所述通过所述点云块映射关系，统计聚类点云块密度及区域点云块点数量，将符合条件的区域点云块滤除，对滤除后区域点云进行滤波，得到去噪点云，包括以下步骤：
基于所述区域点云块与聚类点云块之间的映射关系，对区域点云块及聚类点云块进行对应标记；
分析区域点云块点数量及对应标记聚类点云块密度，将符合噪声分布特征的区域点云块进行滤除；
对滤除后区域点云进行滤波，去除离散分布点云，得到去噪点云。
作为一种可实施方式，所述将符合条件的区域点云块滤除，包括以下步骤：
设置第一阈值，对区域点云块中所包含点数量进行统计分析，若点数量小于第一阈值，进而获得对应聚类点云块密度；
设置第二阈值，若对应聚类点云块密度小于第二阈值，则当前区域点云块不符合待测物体生长特征，为噪声点云，将当前区域点云块滤除。
一种待测物体点云去噪***，包括点云获取模块、点云处理模块、点云映射模块及点云去噪模块。
所述点云获取模块，基于待测物体全视角图像信息进行三维重建得到原始点云，对原始点云进行预处理得到初始点云；
所述点云处理模块，基于初始点云的位置信息进行区域生长分析，得到区域点云，基于初始点云的颜色信息进行聚类，得到聚类点云；
所述点云映射模块，根据聚类点云中聚类点云块密度进行排序，结合区域点云中区域点云块信息，将区域点云块与聚类点云块进行映射，得到点云块映射关系；
所述点云去噪模块，通过所述点云块映射关系，统计聚类点云块密度及区域点云块点数量，将符合条件的区域点云块滤除，对滤除后区域点云进行滤波，得到去噪点云。
作为一种可实施方式，所述点云处理模块，被设置为：
计算初始点云中每个点的法线及曲率，得到法线集及曲率集，将曲率集排序后选择曲率最低对应点作为种子点；
设置法线夹角阈值，搜索种子点的邻域点，计算邻域点的法线与种子点的法线之间的夹角，小于法线夹角阈值的邻域点归属于当前区域；
设置曲率阈值，分析邻域点的曲率，建立种子点序列，将小于法线夹角阈值且小于曲率阈值的邻域点添加至种子点序列中，并删除当前种子点，计算新的种子点继续生长；
重复以上过程，直到种子点序列为空，则完成当前区域生长；
对剩余初始点云重复以上步骤，直至遍历所有点，即完成初始点云区域生长分析，得到区域点云。
作为一种可实施方式，所述点云去噪模块，被设置为：
设置第一阈值，对区域点云块中所包含点数量进行统计分析，若点数量小于第一阈值，进而获得对应聚类点云块密度；
设置第二阈值，若对应聚类点云块密度小于第二阈值，则当前区域点云块不符合待测物体生长特征，为噪声点云，将当前区域点云块滤除。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下所述的方法：
基于待测物体全视角图像信息进行三维重建得到原始点云，对原始点云进行预处理得到初始点云；
基于初始点云的位置信息进行区域生长分析，得到区域点云，基于初始点云的颜色信息进行聚类，得到聚类点云；
根据聚类点云中聚类点云块密度进行排序，结合区域点云中区域点云块信息，将区域点云块与聚类点云块进行映射，得到点云块映射关系；
通过所述点云块映射关系，统计聚类点云块密度及区域点云块点数量，将符合条件的区域点云块滤除，对滤除后区域点云进行滤波，得到去噪点云。
一种待测物体点云去噪装置，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下所述的方法：
基于待测物体全视角图像信息进行三维重建得到原始点云，对原始点云进行预处理得到初始点云；
所述点云处理模块，基于初始点云的位置信息进行区域生长分析，得到区域点云，基于初始点云的颜色信息进行聚类，得到聚类点云；
所述点云映射模块，根据聚类点云中聚类点云块密度进行排序，结合区域点云中区域点云块信息，将区域点云块与聚类点云块进行映射，得到点云块映射关系；
所述点云去噪模块，通过所述点云块映射关系，统计聚类点云块密度及区域点云块点数量，将符合条件的区域点云块滤除，对滤除后区域点云进行滤波，得到去噪点云。
本发明由于采用了以上技术方案，具有显著的技术效果：
通过本发明的方法解决了三维解析任务中的噪声问题，适用于各待测物体点云噪声的自动化去除，效率高，对后续的待测物体表型参数解析具有重要意义。
实现场景下待测物体点云噪声的快速、准确、高效的滤除，满足研究人员对待测物体三维解析的需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明方法的流程示意图；
图2是本发明***的整体示意图；
图3是本发明三维表型***架构示意图；
图4是初始点云示意图；
图5是去噪点云示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1：
一种待测物体点云去噪方法，如图1所示，包括以下步骤：
S100：基于待测物体全视角图像信息进行三维重建得到原始点云，对原始点云进行预处理得到初始点云，如图4所示；
S200：基于初始点云的位置信息进行区域生长分析，得到区域点云，基于初始点云的颜色信息进行聚类，得到聚类点云；
S300：根据聚类点云中聚类点云块密度进行排序，结合区域点云中区域点云块信息，将区域点云块与聚类点云块进行映射，得到点云块映射关系；
S400：通过所述点云块映射关系，统计聚类点云块密度及区域点云块点数量，将符合条件的区域点云块滤除，对滤除后区域点云进行滤波，得到去噪点云，如图5所示。
通过本发明的方法解决了三维解析任务中的噪声问题，实现场景下待测物体点云噪声的快速、准确、高效的滤除，满足研究人员对待测物体三维解析的需求，对后续的表型参数解析具有重要意义。
在步骤S100中，基于待测物体全视角图像信息进行三维重建得到原始点云，对原始点云进行预处理得到初始点云，包括以下步骤：
S110：三维重建***如图3所示，其中，301为含标定物的待测物体，本实施例中待测物体为水稻盆栽，标定物如303所示，302为转台，用于带动物体360°匀速旋转，304为单目RGB相机用于图像采集，305为服务器用于生成水稻点云；当然，在其他实施例中，其他物体也可以，比如小麦等其他农作物，或者静物或者其他物体；
S120：通过302转台带动301含标定物的水稻盆栽，相机固定，采集得到待测物体全视角图像；
S130：对采集所得到的全视角图像进行三维重建与三维解析，得到原始点云；
S140：对原始点云进行无穷远处点滤除得到初始点云，如图4所示，具体表达式为：
其中，为/>中任一点，/>为该点横坐标，/>为该点纵坐标，/>为该点竖坐标，/>、/>、/>为该点在RGB图像空间的各个通道分离值。
在步骤S200中，基于初始点云的位置信息进行区域生长分析，得到区域点云，基于初始点云的颜色信息进行聚类，得到聚类点云，包括以下步骤：
S210：基于初始点云，根据位置分布进行区域生长，得到区域点云，区域点云块集合/>，包括以下步骤：
Step1：根据计算各个点对应法线/>，计算各个点对应曲率；
Step2：定义种子点云临近点云查找规则，在本方法中采用k近邻搜索方法，其中k值设置为k=30；
Step3：设置法线夹角阈值和曲率阈值/>，在本方法中设置为/>、，作为种子生长停止判别依据；
Step4：将曲率按照升序排序，选择曲率最低点作为种子点，将邻域点与种子点进行比较；
Step5：根据法线夹角阈值，搜索当前种子点的邻域点，计算邻域点的法线与当前种子点的法线之间的夹角，小于阈值的邻域点加入到当前区域；
Step6：根据曲率阈值，检查每一个邻域点的曲率，小于/>的邻域点加入到种子点序列中，并删除当前种子点，以新的种子点继续生长；
Step7：将同时满足Step5和Step6的点作为种子点；
Step8：重复以上过程，直到种子点序列被清空，则一个区域生长完成，对剩余点重复以上步骤，直至遍历所有点。
具体步骤为：
输入：
初始点云、法线集合{N}、曲率集合{C}、k近邻搜索规则/>、法线阈值/>、曲率阈值/>；
初始化：区域列表R置为空、可用点云列表A，其中；
算法流程：
While A非空 do
令
令
从A中取曲率最小的点
更新
更新
将从A中剔除
for i=0 to size
搜索的k近邻/>
for j=0 to size
取当中一点/>
if&&/>则
将从A中剔除
if则
endif
endif
end for
end for
将当前区域添加到全局列表块中:
end while
输出R
S220：根据待测物体颜色分布特征，将聚类数设置为clusters=5，基于包含颜色信息进行Kmeans聚类得到聚类点云/>，具体步骤如下：
Step1：输入初始点云，聚类数clusters；
Step2：随机选择clusters个中心点；
Step3：根据点云颜色把每个数据点分配到离它最近的中心点；
Step4：重新计算每类中的点到该类中心点距离的平均值
Step5：分配每个数据到它最近的中心点；
Step6：重复步骤4和5，直到所有的观测值不再被分配或是达到最大的迭代次数（最大迭代次数设置为120次）；
Step7：输出K，其中，/>。
在步骤S300中，根据聚类点云中聚类点云块密度进行排序，结合区域点云中区域点云块信息，将区域点云块与聚类点云块进行映射，得到点云块映射关系，包括以下步骤：
根据S200中得到的聚类点云，计算聚类点云块密度并进行排序，包括以下步骤：
输入聚类点云{K}，邻域搜索半径r，初始密度列表；
for index=0 tosize{K}
从K中取第index个点集k
初始化pointSum=0,distanceSum=0
for i=0 to size k
for j=0 to size
pointSum++
distanceSum+=distance()
其中，为k半径r内点集，根据/>对K进行降序排序后，得到排序后密度/>及聚类点云块集合/>；
基于区域点云块集合与聚类点云块集合/>进行映射，当/>映射至/>中密度小于第二阈值/>且/>所包含点数量小于第一阈值/>时，将/>从初始点云中滤除，得到滤除后点云/>，具体步骤为：
输入区域块点云集合、聚类点云块集合/>，点云块内点数量阈值num=1000；
for i=0 to size{R}
从{R}中取点云块
初始化空列表{r}={0}，列表大小为n
for j=0 to size
从中取一点/>
for k to size
if
break
end if
end for
end for
if
if size>1000
end if
end if
end for
输出:
经上述去噪过程后，点云存在较为离散的点，通过统计滤波对/>去除孤立点，得到结果点云/>，结果点云即为去噪点云，如图5所示。
实施例2：
一种待测物体点云去噪***，如图2所示，包括点云获取模块100、点云处理模块200、点云映射模块300及点云去噪模块400；
所述点云获取模块100，基于待测物体全视角图像信息进行三维重建得到原始点云，对原始点云进行预处理得到初始点云；
所述点云处理模块200，基于初始点云的位置信息进行区域生长分析，得到区域点云，基于初始点云的颜色信息进行聚类，得到聚类点云；
所述点云映射模块300，根据聚类点云中聚类点云块密度进行排序，结合区域点云中区域点云块信息，将区域点云块与聚类点云块进行映射，得到点云块映射关系；
所述点云去噪模块400，通过所述点云块映射关系，统计聚类点云块密度及区域点云块点数量，将符合条件的区域点云块滤除，对滤除后区域点云进行滤波，得到去噪点云。
在不脱离本发明的精神和范围的情况下做出的各种变化和变型,所有等同的技术方案也属于本发明的范畴。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同、相似的部分互相参见即可。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是：
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (8)
1.一种待测物体点云去噪方法，其特征在于，包括以下步骤：
基于待测物体全视角图像信息进行三维重建得到原始点云，对原始点云进行预处理得到初始点云；
基于初始点云的位置信息进行区域生长分析，得到区域点云，基于初始点云的颜色信息进行聚类，得到聚类点云；
根据聚类点云中聚类点云块密度进行排序，结合区域点云中区域点云块信息，将区域点云块与聚类点云块进行映射，得到点云块映射关系；
通过所述点云块映射关系，统计聚类点云块密度及区域点云块点数量，将符合条件的区域点云块滤除，对滤除后区域点云进行滤波，得到去噪点云；
其中，基于初始点云的位置信息进行区域生长分析，得到区域点云，基于初始点云的颜色信息进行聚类，得到聚类点云，包括以下步骤：
基于待测物体点云位置信息，结合点云离散程度、点云均匀性特征，将不同分布的点云进行划分，得到区域点云；
将待测物体颜色分布特性作为先验信息，设定颜色聚类数量，基于颜色信息对初始点云进行聚类，得到聚类点云；
其中，所述基于初始点云的位置信息进行区域生长分析，得到区域点云，包括以下步骤：
计算初始点云中每个点的法线及曲率，得到法线集及曲率集，将曲率集排序后选择曲率最低对应点作为种子点；
设置法线夹角阈值，搜索种子点的邻域点，计算邻域点的法线与种子点的法线之间的夹角，小于法线夹角阈值的邻域点归属于当前区域；
设置曲率阈值，分析邻域点的曲率，建立种子点序列，将小于法线夹角阈值且小于曲率阈值的邻域点添加至种子点序列中，并删除当前种子点，计算新的种子点继续生长；
重复以上过程，直到种子点序列为空，则完成当前区域生长；
对剩余初始点云重复以上步骤，直至遍历所有点，即完成初始点云区域生长分析，得到区域点云；
其中，通过所述点云块映射关系，统计聚类点云块密度及区域点云块点数量，将符合条件的区域点云块滤除，对滤除后区域点云进行滤波，得到去噪点云，包括以下步骤：
基于所述区域点云块与聚类点云块之间的映射关系，对区域点云块及聚类点云块进行对应标记；
分析区域点云块点数量及对应标记聚类点云块密度，将符合噪声分布特征的区域点云块进行滤除；
对滤除后区域点云进行滤波，去除离散分布点云，得到去噪点云。
2.根据权利要求1所述的一种待测物体点云去噪方法，其特征在于，基于待测物体全视角图像信息进行三维重建得到原始点云，对原始点云进行预处理得到初始点云，包括以下步骤：
采集得到待测物体全视角图像信息，根据多视图三维建模算法，重建得到包含颜色信息、位置信息的原始点云；
基于原始点云的位置信息，删除其中不符合待测物体生长特征的点云，得到初始点云。
3.根据权利要求1所述的一种待测物体点云去噪方法，其特征在于，根据聚类点云中聚类点云块密度进行排序，结合区域点云中区域点云块信息，将区域点云块与聚类点云块进行映射，得到点云块映射关系，包括以下步骤：
计算所述聚类点云中各个聚类点云块的密度，按照密度大小对聚类点云块进行排序；
将区域点云中各个区域点云块与排序后的聚类点云块进行映射，确定区域点云块与聚类点云块之间的映射关系。
4.根据权利要求1所述的一种待测物体点云去噪方法，其特征在于，所述将符合条件的区域点云块滤除，包括以下步骤：
设置第一阈值，对区域点云块中所包含点数量进行统计分析，若点数量小于第一阈值，进而获得对应聚类点云块密度；
设置第二阈值，若对应聚类点云块密度小于第二阈值，则当前区域点云块不符合待测物体生长特征，为噪声点云，将当前区域点云块滤除。
5.一种待测物体点云去噪***，其特征在于，包括点云获取模块、点云处理模块、点云映射模块及点云去噪模块；
所述点云获取模块，基于待测物体全视角图像信息进行三维重建得到原始点云，对原始点云进行预处理得到初始点云；
所述点云处理模块，基于初始点云的位置信息进行区域生长分析，得到区域点云，基于初始点云的颜色信息进行聚类，得到聚类点云；
所述点云映射模块，根据聚类点云中聚类点云块密度进行排序，结合区域点云中区域点云块信息，将区域点云块与聚类点云块进行映射，得到点云块映射关系；
所述点云去噪模块，通过所述点云块映射关系，统计聚类点云块密度及区域点云块点数量，将符合条件的区域点云块滤除，对滤除后区域点云进行滤波，得到去噪点云；
其中，基于初始点云的位置信息进行区域生长分析，得到区域点云，基于初始点云的颜色信息进行聚类，得到聚类点云，包括以下步骤：
基于待测物体点云位置信息，结合点云离散程度、点云均匀性特征，将不同分布的点云进行划分，得到区域点云；
将待测物体颜色分布特性作为先验信息，设定颜色聚类数量，基于颜色信息对初始点云进行聚类，得到聚类点云；
所述点云处理模块，被设置为：
计算初始点云中每个点的法线及曲率，得到法线集及曲率集，将曲率集排序后选择曲率最低对应点作为种子点；
设置法线夹角阈值，搜索种子点的邻域点，计算邻域点的法线与种子点的法线之间的夹角，小于法线夹角阈值的邻域点归属于当前区域；
设置曲率阈值，分析邻域点的曲率，建立种子点序列，将小于法线夹角阈值且小于曲率阈值的邻域点添加至种子点序列中，并删除当前种子点，计算新的种子点继续生长；
重复以上过程，直到种子点序列为空，则完成当前区域生长；
对剩余初始点云重复以上步骤，直至遍历所有点，即完成初始点云区域生长分析，得到区域点云；
其中，通过所述点云块映射关系，统计聚类点云块密度及区域点云块点数量，将符合条件的区域点云块滤除，对滤除后区域点云进行滤波，得到去噪点云，包括以下步骤：
基于所述区域点云块与聚类点云块之间的映射关系，对区域点云块及聚类点云块进行对应标记；
分析区域点云块点数量及对应标记聚类点云块密度，将符合噪声分布特征的区域点云块进行滤除；
对滤除后区域点云进行滤波，去除离散分布点云，得到去噪点云。
6.根据权利要求5所述的一种待测物体点云去噪***，其特征在于，所述点云去噪模块，被设置为：
设置第一阈值，对区域点云块中所包含点数量进行统计分析，若点数量小于第一阈值，进而获得对应聚类点云块密度；
设置第二阈值，若对应聚类点云块密度小于第二阈值，则当前区域点云块不符合待测物体生长特征，为噪声点云，将当前区域点云块滤除。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任意一项所述的方法。
8.一种待测物体点云去噪装置，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311684329.XA CN117408913B (zh) | 2023-12-11 | 2023-12-11 | 待测物体点云去噪方法、***及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311684329.XA CN117408913B (zh) | 2023-12-11 | 2023-12-11 | 待测物体点云去噪方法、***及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117408913A CN117408913A (zh) | 2024-01-16 |
| CN117408913B true CN117408913B (zh) | 2024-02-23 |
Family
ID=89487365
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311684329.XA Active CN117408913B (zh) | 2023-12-11 | 2023-12-11 | 待测物体点云去噪方法、***及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117408913B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117808703B (zh) * | 2024-02-29 | 2024-05-10 | 南京航空航天大学 | 一种多尺度大型部件装配间隙点云滤波方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105354883A (zh) * | 2015-11-25 | 2016-02-24 | 武汉大学 | 基于点云的3ds Max快速精细三维建模方法及*** |
| CN111145129A (zh) * | 2020-04-03 | 2020-05-12 | 速度时空信息科技股份有限公司 | 基于超体素的点云去噪方法 |
| WO2021012254A1 (zh) * | 2019-07-25 | 2021-01-28 | 深圳市大疆创新科技有限公司 | 目标检测方法、***及可移动平台 |
| WO2021017471A1 (zh) * | 2019-07-30 | 2021-02-04 | 五邑大学 | 一种基于图像处理的点云滤波方法、装置和存储介质 |
| WO2021097618A1 (zh) * | 2019-11-18 | 2021-05-27 | 深圳市大疆创新科技有限公司 | 点云分割方法、***及计算机存储介质 |
| WO2021142996A1 (zh) * | 2020-01-13 | 2021-07-22 | 五邑大学 | 基于图像分割的点云去噪方法、***、装置和存储介质 |
| CN113192179A (zh) * | 2021-04-28 | 2021-07-30 | 沈阳工业大学 | 一种基于双目立体视觉的三维重建方法 |
| CN113902937A (zh) * | 2021-09-23 | 2022-01-07 | 中国科学院国家空间科学中心 | 针对tof点云的自适应目标检测方法及*** |
| WO2022016310A1 (zh) * | 2020-07-20 | 2022-01-27 | 深圳元戎启行科技有限公司 | 基于点云数据的三维重建方法、装置和计算机设备 |
| CN116486268A (zh) * | 2023-05-05 | 2023-07-25 | 中交信息技术国家工程实验室有限公司 | 一种激光点云地面滤波方法及装置 |
| CN116486395A (zh) * | 2022-09-21 | 2023-07-25 | 北京理工大学 | 基于高斯混合模型和深度-彩色图像的空间障碍判别方法 |
| CN116612035A (zh) * | 2023-05-30 | 2023-08-18 | 同济大学 | 一种隧道围岩三维点云数据降噪方法 |
| WO2023179405A1 (zh) * | 2022-03-21 | 2023-09-28 | 深圳市正浩创新科技股份有限公司 | 障碍物的识别方法、设备及存储介质 |
-
2023
- 2023-12-11 CN CN202311684329.XA patent/CN117408913B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105354883A (zh) * | 2015-11-25 | 2016-02-24 | 武汉大学 | 基于点云的3ds Max快速精细三维建模方法及*** |
| WO2021012254A1 (zh) * | 2019-07-25 | 2021-01-28 | 深圳市大疆创新科技有限公司 | 目标检测方法、***及可移动平台 |
| WO2021017471A1 (zh) * | 2019-07-30 | 2021-02-04 | 五邑大学 | 一种基于图像处理的点云滤波方法、装置和存储介质 |
| WO2021097618A1 (zh) * | 2019-11-18 | 2021-05-27 | 深圳市大疆创新科技有限公司 | 点云分割方法、***及计算机存储介质 |
| WO2021142996A1 (zh) * | 2020-01-13 | 2021-07-22 | 五邑大学 | 基于图像分割的点云去噪方法、***、装置和存储介质 |
| CN111145129A (zh) * | 2020-04-03 | 2020-05-12 | 速度时空信息科技股份有限公司 | 基于超体素的点云去噪方法 |
| WO2022016310A1 (zh) * | 2020-07-20 | 2022-01-27 | 深圳元戎启行科技有限公司 | 基于点云数据的三维重建方法、装置和计算机设备 |
| CN113192179A (zh) * | 2021-04-28 | 2021-07-30 | 沈阳工业大学 | 一种基于双目立体视觉的三维重建方法 |
| CN113902937A (zh) * | 2021-09-23 | 2022-01-07 | 中国科学院国家空间科学中心 | 针对tof点云的自适应目标检测方法及*** |
| WO2023179405A1 (zh) * | 2022-03-21 | 2023-09-28 | 深圳市正浩创新科技股份有限公司 | 障碍物的识别方法、设备及存储介质 |
| CN116486395A (zh) * | 2022-09-21 | 2023-07-25 | 北京理工大学 | 基于高斯混合模型和深度-彩色图像的空间障碍判别方法 |
| CN116486268A (zh) * | 2023-05-05 | 2023-07-25 | 中交信息技术国家工程实验室有限公司 | 一种激光点云地面滤波方法及装置 |
| CN116612035A (zh) * | 2023-05-30 | 2023-08-18 | 同济大学 | 一种隧道围岩三维点云数据降噪方法 |
Non-Patent Citations (4)
| Title |
|---|
| 一种基于邻域扩展聚类的去噪算法;李幸刚;张亚萍;杨雨薇;;***仿真学报;20171108(11);全文 * |
| 一种改进的区域增长彩色3D点云分割算法;王雯;任小玲;陈逍遥;;国外电子测量技术;20181115(11);全文 * |
| 一种聚类与滤波融合的点云去噪平滑方法;牛晓静;王美丽;何东健;;计算机应用与软件;20161015(10);全文 * |
| 方向自适应的星载光子计数激光测高植被冠层高度估算;王玥;李松;田昕;张智宇;张文豪;;红外与毫米波学报;20200615(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117408913A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109146948B (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
| CN106340016B (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
| CN106529469B (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
| CN117408913B (zh) | 待测物体点云去噪方法、***及装置 | |
| CN105701478B (zh) | 杆状地物提取的方法和装置 | |
| CN111724433B (zh) | 一种基于多目视觉的作物表型参数提取方法及*** | |
| CN106600639B (zh) | 遗传算法结合自适应阈值约束的icp位姿定位技术 | |
| CN110111430B (zh) | 一种从三维点云中提取二次曲面的方法 | |
| CN113269791B (zh) | 一种基于边缘判定与区域生长的点云分割方法 | |
| CN111340723B (zh) | 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法 | |
| CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
| JP5745290B2 (ja) | 画像処理装置、細胞分類装置、インキュベータ、画像処理方法、細胞分類方法、画像処理プログラムおよび細胞分類プログラム | |
| CN115496796B (zh) | 一种通过激光点云测算树干体积的方法和*** | |
| CN112634297A (zh) | 高精地图制作方法、装置、电子设备和存储介质 | |
| CN117315049B (zh) | 三维全貌测量的比例尺标定方法、***及装置 | |
| CN116310849B (zh) | 基于三维形态特征的树木点云单体化提取方法 | |
| CN111950589B (zh) | 结合K-means聚类的点云区域生长优化分割方法 | |
| CN113177897A (zh) | 一种无序3d点云的快速无损滤波方法 | |
| CN116523898A (zh) | 一种基于三维点云的烟草表型性状提取方法 | |
| CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
| Wang et al. | DFSP: A fast and automatic distance field-based stem-leaf segmentation pipeline for point cloud of maize shoot | |
| CN117437271B (zh) | 基于人工智能的三维目标测量方法 | |
| CN111696122A (zh) | 农作物表型参数提取方法及装置 | |
| CN116523770A (zh) | 一种基于距离实现不同尺度的体素滤波的点云预处理方法 | |
| CN117315002B (zh) | 待测物体三维表型测量方法、***及装置 |
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 |