对于求三维激光点云数据的密度，有哪些方法？

点云登山者 2017-03-07 09:15:50

比如，有关于基于MLS数据提取道路标线的论文说通过密度确定点云数据所生成的格网的大小，请问这里的密度一般是指什么密度？原句：generate a geo-referenced intensity image. The image resolution (rg) is determined by point density,

...全文

863 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

激光点云数据以其详尽、高精度的三维信息，在森林参数估算、精确重建植物形态结构三维模型方面具有特殊优势。为进一步提高三维模型精度，综合集成多种算法，在改进现有PC2Tree 软件基础上，基于点云数据进行树木三维重建。首先根据树木局部点云的主方向相似度和局部点云轴向分布密度分离枝干与树叶; 其次采取水平集和最小二乘法提取枝干部分的骨架点，通过下采样方法提取冠层部分的特征点; 最后根据骨架点和特征点拓扑结构重构树木三维模型。以樟树为例，分析枝叶分割精度，自动分割与手动分割结果相近; 以无叶的鸡蛋花树为例，分析重建模型精度，模型主枝长度相对误差范围集中在0 ～ 8. 0%，半径相对误差范围集中在0 ～ 10%; 枝条重建过程避免了噪声点的干扰，对噪声点具有一定的不敏感性; 重建三维模型与原始点云吻合度高，基本解决了冠层内部枝干遮挡严重带来的三维建模困难的问题; 依据模型提取树高、冠幅、胸径、体积等参数

点云密度对地面三维激光扫描精度影响研究，周大伟，吴侃，地面三维激光扫描技术作为一种新的测量手段，以其能快速，高效的获取海量的三维数据而得到广泛应用。在野外测量时能在最短时间里

为提高点云数据三维建模及其应用的效率,在保证几何特征不变的前提下,进行数据压缩显得必要而迫切。针对地面三维激光扫描获得的点云数据密度大、冗余信息多,现有压缩算法存在不足的问题,在分析研究现有算法的基础上,将坐标增量法中一维扫描线点云数据逐点压缩扩展到二维扫描线与扫描线间点云数据的压缩,提出了改进坐标增量的点云数据精简压缩算法。并通过实例,借助Matlab平台编程,将该算法的压缩效果与坐标增量法、随机采样法、区域重心法和曲率采样法等现有典型算法的压缩效果进行定性和定量比较发现,对于按行或按列扫描的平面或曲面点云数据,该算法所用的时间较短,速度适中,且能很好的保留特征信息,具有较好的精简压缩效果,为大数据时代下海量点云数据的存储与管理提供了一定的参考。

从地铁隧道三维点云数据中分割出物体的点云是自动化检测地铁隧道病害及重建地铁隧道三维模型的关键步骤。由于某自动化检测系统的结构特点,使用其采集的三维点云数据计算点云法线向量和曲率时准确度不高,导致一些常用的三维点云分割算法,比如一种改进的区域生长分割法不适用于该检测系统采集的点云数据。为了分割某自动化检测系统采集的三维点云数据,设计并实现了一种基于密度聚类的分割算法。这种算法避免使用不准确的法线向量和曲率,克服了某自动化检测系统的缺点,并用实际三维点云数据对比了区域生长分割法和基于密度聚类分割算法的分割结果。

针对三维激光扫描仪采集到的点云数据中离群点不易区分和去噪难度大的问题，提出了一种改进的C均值算法。通过分析三维点云数据特征，在传统C均值算法中引入模糊聚类权重因子，降低类内距离和拉大类间距离，有效增强了离群点特征以降低识别难度。进而将识别出的噪声分类别处理，利用改进的C均值算法去除大尺度噪声，构造双边滤波算法去除小尺度噪声数据。与密度聚类算法、正交整体最小二乘平面拟合和基于特征选择的双边滤波点云去噪等算法相比，去噪准确度分别提升了7.3%、6.5%和6.0%，实验结果表明该算法可以有效去除大尺度噪声并能较好地保留有效数据。

CUDA高性能计算讨论

353

社区成员

615

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章