一种倒数加权的窗口自适应邻域图像滤波算法

对于叠加了白噪声的图像,提出一种倒数加权的窗口自适应邻域图像滤波算法.算法首先利用自适应邻域统计的概念在以每个滤波点为中心的滤波窗口内,为其建立参与滤波的自适应邻域像素集合,随后对纳入自适应邻域的像素进行倒数加权作为滤波结果.仿真和对比实验的结果显示,提出的算法在性能上超过了传统的中值滤波和窗口自适应邻域滤波算法.它能在有效抑制加性白噪声的同时,完好地保持图像的边界和细节信息,并且滤波后的图像获得了良好的视觉效果.     

一种邻域自适应的双阈值点云特征提取方法

点云数据的特征提取是点云数据处理环节中的一项重要内容,对几何分析、数据分割、点云配准、模型重建等研究起关键作用。研究了基于法向量和曲率的点云特征提取技术,阐明了特征提取过程中邻域选取与单一参数计算存在的问题,提出了邻域自适应的双阈值点云特征提取方法。通过实验对比了该算法与基于曲率的特征提取算法的提取效果,验证了本算法的稳定性、准确性。该算法对于几何特征复杂的点云具有较好的提取效果,对提高点云特征点提取的精度及效率具有重要的意义。     

点云模型自适应增加采样点算法

提出一种新的点集模型自适应增加啊采样算法.算法利用最小二乘法求出点云模型上每个点的局部光滑曲面片,并由所求得的曲面多项式计算点集曲面上每个点的曲率.通过对每个点及其邻点进行Voronoi剖分,求取每个点所控制的有效采样区域,然后根据曲率在有效区域内建立采样栅格,求取有效区域内的栅格点在曲面上的投影点即为新增采样点.该方法得到的增加采样模型可以较好地保持原点云模型曲面的几何性质,同时还可以通过选择不同的栅格得到适用于不同处理要求的点云模型.     

改进PMVS三维重建点云滤波算法

针对在小范围场景进行单目视觉三维重建过程中,稠密点云模型存在大量离群点的现象,提出一种改进的点云滤波算法.将多视图稠密重建(Patch-based Multi-View Stereo,PMVS)算法与统计分析法相融合,对利用PMVS算法得到的稠密点云进行统计分析,设定标准距离并求解点云中每一个点到其所有邻近点的平均距离...     

基于邻域重心约束的点云模型光顺算法

从统计的角度分析点云模型的光顺除噪，并提出了一个针对随机噪声的邻域重心约束光顺算法．此方法通过极小化邻域重心约束的局部邻域目标函数达到局部光顺的目的，不需要进行表面重构并保证选代过程中点云模型主体形状不变，有效地克服了拉普拉斯算子所造成的过度收缩与聚集现象．实验表明此方法不仅计算稳定、速度快，而且简便易用．     

特征保留的点云数据自适应精简算法

提出一种特征保留的点云数据自适应精简算法。该算法首先构造散乱点云数据的局部拓扑信息,通过一种改进的二次栅格法快速建立K邻域,由此估算点的邻域弯曲度,再进行分类。算法在保留特征点后对其余点应用自适应精简距离进行阈值精简,故算法不仅可以完整保存实物模型整体轮廓,而且能够最大限度地保证模型区域特征。数值实验结果表明,该算法能够得到不错的精简效果,且具有较小的计算时间复杂度。     

图像插值的自适应邻域滤波方法

图像待插像素用其邻域内连续方向上像素的Tyler展开可以得到较好的近似,但是沿着灰度连续和不连续方向(跨越图像边缘方向)的Tyler展开近似的线性平均会增加图像边缘宽度,引起图像边缘的视觉模糊以及产生锯齿边缘。为此,通过一个与灰度距离相关的权函数,自适应选择待插像素邻域内的Tyler展开,提出一个邻域滤波图像插值方法。与待插像素位于图像边缘同侧的像素权函数的值较大,像素的Tyler展开被选择为待插像素的近似;反之则权函数的值较小,像素的Tyler展开不用作待插像素的Tyler展开。实验结果表明,该方法避免了跨越图像边缘的Tyler展开的线性平均,可减小插值图像边缘的宽度,增加边缘斜坡坡度,从而获得清晰的插值图像边缘。     

邻域自适应SMOTE算法研究

针对SMOTE(synthetic minority over-sampling technique)等基于近邻值的传统过采样算法在处理类不平衡数据时近邻参数不能根据少数类样本的分布及时调整的问题,提出邻域自适应SMOTE算法AdaN_SMOTE.为使合成数据保留少数类的原始分布,跟踪精度下降点确定每个少数类数据的近邻值,并根据噪声、小析取项或复杂的形状及时调整近邻值的大小;合成数据保留了少数类的原始分布,算法分类性能更佳.在KE E L数据集上进行实验对比验证,结果表明AdaN_SMOTE分类性能优于其他基于近邻值的过采样方法,且在有噪声的数据集中更有效.     

基于自适应角度的三维点云分割方法

点云分割是基于点云数据空间几何信息提取的一项重要工作,它是点云数据特征提取与分析的基础。同时,点云数据通常是离散的和非结构化的,点云数据的分割不是一项简单的数据处理任务,分割效率和分割精度决定了后续数据处理工作的结果。因此,研究点云数据分割具有重要意义。提出一种基于自适应角度的三维点云切割算法,使用PCA算法找到最佳降维投射方向,以降低原始点云数据维度,并利用投射簇的概念实现对原始目标点云的切割获取。     

基于散乱点云加权邻域采样点的简化算法

提出一种基于散乱点云的邻域采样点数目加权的聚类简化算法,此算法以曲面变化度和聚类中采样点的数目加权共同进行阈值控制,能够在简化过程中更偏向于将包含采样点数比较多且有一定曲率的聚类进行划分,得到更合理的简化效果。     

无人机摄影测量点云道路自适应提取

在无人机摄影测量中, 针对传统的地面点云提取方法对图像点云数据中的道路提取适应性较差的问题, 本文提出了一种无人机摄影测量点云道路自适应提取方法. 首先, 根据点云的空间几何特征将点云划分为3个类别; 然后, 针对非道路的点云类别采取相应的方法进行剔除; 最后, 对经过自适应提取方法得到的点云数据进行滤波平滑和基于颜色的区域生长分割处理. 实验结果表明, 该方法提取的道路点云的I类误差为4.97%, II类误差为1.14%. 该方法能够有效地提取目标道路路面, 提高了无人机摄影测量工程应用中点云数据处理的效率.     

RFNet: 用于三维点云分类的卷积神经网络

由于点云的非结构性和无序性, 目前已有的点云分类网络在精度上仍然需要进一步提高. 通过考虑局部结构的构建、全局特征聚合和损失函数改进三个方面, 构造一个有效的点云分类网络. 首先, 针对点云的非结构性, 通过学习中心点特征与近邻点特征之间的关系, 为不规则的近邻点分配不同的权重, 以此构建局部结构; 然后, 使用注意力思想, 提出加权平均池化(Weighted average pooling, WAP), 通过自注意力方式, 学习每个高维特征的注意力分数, 在应对点云无序性的同时, 可以有效地聚合冗余的高维特征; 最后, 利用交叉熵损失与中心损失之间的互补关系, 提出联合损失函数(Joint loss function, JL), 在增大类间距离的同时, 减小类内距离, 进一步提高了网络的分类能力. 在合成数据集ModelNet40、ShapeNetCore和真实世界数据集ScanObjectNN上进行实验, 与目前性能最好的多个网络相比较, 验证了该整体网络结构的优越性.     

General Adaptive Neighborhood Choquet Image Filtering

A novel framework entitled General Adaptive Neighborhood Image Processing (GANIP) has been recently introduced in order to propose an original image representation and mathematical structure for adaptive image processing and analysis. The central idea is based on the key notion of adaptivity which is simultaneously associated with the analyzing scales, the spatial structures and the intensity values of the image to be addressed. In this paper, the GANIP framework is briefly exposed and particularly studied in the context of Choquet filtering (using fuzzy measures), which generalizes a large class of image filters. The resulting spatially-adaptive operators are studied with respect to the general GANIP framework and illustrated in both the biomedical and materials application areas. In addition, the proposed GAN-based filters are practically applied and compared to several other denoising methods through experiments on image restoration, showing a high performance of the GAN-based Choquet filters.

基于自适应权值的点云三维物体重建算法研究

基于三维扫描点云数据的三维物体重建是计算机图形学中非常重要的课题,在计 算机动画、医学图像处理等多方面都有应用。其中基于最小二乘问题的Levenberg-Marquart 算 法和基于极大似然估计的M-Estimator 算法都是不错的方案。但是当点的数量过多过少或者点 云中有噪声时,这些方案产生的结果都会有较大的误差,影响重建的效果。为了解决这两个问 题,结合Levenberg-Marquart 算法和M-Estimator 算法,提出了一种新的算法。该算法结合 Levenberg-Marquart 算法较快的收敛性和M-Estimator 算法的抗噪性,能很好地解决点数量较多 和噪声点影响结果的问题。通过在M-Estimator 的权重函数上进行改进,提出自适应的权值函 数,用灵活变动和自适应的值代替原来的固定值,使算法在噪声等级较高时也能表现良好。最 后将算法应用在球体和圆柱上,并和最新的研究成果进行对比,数据说明算法无论是在点云数 量较多还是在噪声等级较高的情况下都明显优于其他已知算法。     

向量相似度可复原三维点云压缩算法

针对三维点云数据压缩中细节特征不易保留,模型平缓部位存在过度压缩以及压缩后的点云模型不易复原等问题,提出一种基于向量相似度的三维点云压缩算法和复原算法CVS。向量相似性度量采用提出的L3A进行度量。CVS把每个三维坐标点看作是连接其坐标和原点的三维向量,按照三维坐标点的读入顺序选取参考向量,生成覆盖整个点云区域的采样区域,进行分区压缩。在采样区域中使用最小二乘曲面拟合算法对包含其中的点云进行曲面拟合,设置曲率阈值剔除坐标点,并存储曲面方程参数用于复原。通过控制L3A向量相似度中的长度和角度的变化阈值,使得密集点云区域的压缩率高于非密集区域的压缩率,通过控制曲率阈值,使得低曲率区域的压缩率高于高曲率区域的压缩率,最大程度保留模型细节特征。CVS使用压缩阶段产生的复原信息生成点云来恢复模型的细节特征,使得模型特征更加明显。     

层次聚类法在逆向工程中的应用研究

针对层次聚类法和逆向工程的点云采样问题,在深入分析层次聚类法特 征的基础上对其进行了分类定义,包括曲面变分、BSP 构建等关键技术,构建了算法实现的 流程图。应用该算法结合Geomagic Qualify 软件对某汽轮机厂的水轮机叶片进行了采样和逆 向建模研究,证明了层次聚类法在逆向工程方面应用的可行性。     

基于局部区域动态覆盖的 3D点云分类方法

局部几何形状的描述能力, 对不规则的点云形状表示是十分重要的. 然而, 现有的网络仍然很难有效地捕捉准确的局部形状信息. 在点云中模拟深度可分离卷积计算方式, 提出一种新型的动态覆盖卷积(dynamic cover convolution, DC-Conv), 以聚合局部特征. DC-Conv的核心是空间覆盖算子(space cover operator, SCOP), 该算子通过在局部区域中构建各向异性的空间几何体覆盖局部特征空间, 以加强局部特征的紧凑性. DC-Conv通过在局部邻域中动态组合多个SCOP, 实现局部形状的捕捉. 其中, SCOP的注意力系数通过数据驱动的方式由点位置自适应地学习得到. 在3D点云形状识别基准数据集ModelNet40, ModelNet10和ScanObjectNN上的实验结果表明, 该方法能有效提高3D点云形状识别的性能和对稀疏点云的鲁棒性. 最后, 也提供了充分的消融实验验证该方法的有效性. 开源代码发布在https://github.com/changshuowang/DC-CNN.