共查询到10条相似文献,搜索用时 62 毫秒
1.
2.
针对多波束点云数据去噪难以保留精细特征,无法精确“锁定”河床形态问题,本文提出了一种面向自然资源确权水流三维登记探索的多波束点云去噪算法。以KD树搜索为基础,引入统计滤波理论进行多尺度噪声分类,并剔除大尺度噪声;针对小尺度噪声,在信息熵理论基础上,以主成分分析算法为基础,以信息熵最小原则确定最优邻域,并据此构建曲率信息熵对双边滤波因子进行优化改进,以实现水下地形点云去噪与精细特征保留的目的。试验结果表明,本文算法具有可行性,能够有效保证水下地形的精细特征,并能够应用于自然资源水流三维登记。 相似文献
3.
《武汉大学学报(信息科学版)》2020,(2)
针对点云精简算法在处理点云数据时特征保留不完整和对小曲率点云精简造成数据空洞的问题,提出了一种融合k-means聚类和Hausdorff距离的点云精简算法。该算法在八叉树算法的基础上构建点云数据的拓扑关系,首先计算所有点云数据点的主曲率,然后计算点云数据点主曲率的Hausdorff距离,根据精简目标要求设定Hausdorff距离阈值,实现点云特征提取,最后对非特征区域进行k-means聚类提取特征点,并将两次提取的特征点融合得到精简结果。实验结果表明,该算法能较完整地保留模型的特征信息,并能避免形成空洞现象。 相似文献
4.
针对传统主成分分析点云法向量估算存在精度不高、人工干预等问题,提出了一种改进的主成分分析法向量估算方法,并根据点邻域法向量标准差实现了离散点云特征提取,最后对关键参数K取值进行讨论.通过引入高斯核函数为邻域点集权值计算公式,削弱了距离较远点对采样点法向量精度影响;以信息熵最小化为约束条件自适应选择最佳邻域尺度R,较好的顾及了局部点云空间特征的差异性.实验结果表明:该方法能很好的实现点云特征提取,改进后的点云法向量估算顾及点云邻域复杂程度,具有普适性强、自动化程度高的特点,建议关键参数K取值范围12~20.研究对点云配准、数据精简及模型重构等点云预处理研究具有理论参考价值. 相似文献
5.
针对点云分类中提取单个点自身特征所需的邻域尺寸选择,以及低层次特征设计烦琐且表达地物属性能力较弱等问题,本文提出了一种自适应选择单点最优邻域尺寸及学习泛化能力更强的深层次特征的三维点云分类方法。首先基于自适应最优邻域尺寸选择获得每个点的最优局部邻域信息,继而基于局部邻域信息提取点云低层次特征;然后设计一种以待分类点低层次特征为输入的卷积神经网络模型,学习能反映目标地物内在属性的深层次特征并实现分类;最后采用拓普康公司三维点云数据集进行试验,该数据集通过一个配备TOPCON GLS-2200三维激光扫描仪的移动平台获得。试验结果表明,本文方法分类的总体精度达90.48%,优于文中其他点云分类方法。 相似文献
6.
7.
多视点散乱点云配准及压缩改进算法研究 总被引:1,自引:0,他引:1
针对多视点散乱点云数据,提出基于控制网的球靶标特征配准办法,并对配准后的原始数据进行基于特征保留的优化压缩,最后得到完整简洁的点云模型。利用扫描仪、全站仪获取球靶标同名点坐标,并计算出每站6个转换参数,将所有数据转换到所需的控制网坐标系下;压缩算法利用点云分块技术提高散乱点邻域的搜索效率,并计算点法矢、曲率,根据精简准则保留特征点,最后以八叉树理论为基础,细化网格直至最小网格达到要求,保留最小网格中具有代表性的一个点,删除其他点,完成数据精简。试验结果表明,配准方法中控制网的采用能够实现坐标系的转换,球靶标的运用能明显提高配准模型的精度和效率,压缩算法实现了点云数据的特征保留。 相似文献
8.
9.
10.
PointNet和PointNet++方法以最大池化为聚合函数使得深度神经网络可直接分类无序点云,得到了较高的分类精度,但对点云空间相关性局部特征提取能力不足,制约了点云语义分割精度的提升。针对该问题,设计了一种面向点云语义分割的多特征融合PointNet++网络,在PointNet++网络中加入一个特征编码器,并以最小信息熵法计算的最优邻域来计算人工特征作为特征编码器的输入。在ISPRS提供的Vaihingen区域三维点云分类标准数据集上进行语义分割实验对比,结果表明多特征融合PointNet++网络语义分割精度比PointNet和PointNet++分别提高了4.3%和3.2%。 相似文献