合并分割块的点云语义分割方法

随着激光雷达等三维点云获取工具的快速发展,点云的语义信息在计算机视觉、智能驾驶、遥感测绘、智慧城市等领域更具重要意义。针对基于分割块特征匹配的点云语义分割方法无法处理过分割和欠分割点云块、行道树和杆状物的语义分割精度低等问题,提出了一种基于分割块合并策略的行道树和杆状物点云语义分割方法,该方法可对聚类分割后感兴趣的分割块进行合并,通过计算其多维几何特征实现对合并后的物体分类,并使用插值优化算法对分割结果进行优化,最终实现城市道路环境下行道树和杆状物的语义分割。实验结果表明,所提方法可将城市道路环境下的行道树、杆状物等点云数据的召回率和语义分割精度平均提升至89.9%以上。基于分割块合并的语义分割方法,可以很好地解决城市道路下行道树和杆状物语义分割精度低等问题,该方法对于三维场景感知等问题的研究具有重要意义。     

基于CAFF-PointNet的机载LiDAR点云语义分割

针对机载LiDAR点云中几何结构复杂和不同地物尺度变化大导致小目标点云分类准确率低的问题,本文提出了一种基于通道注意力机制进行多尺度特征融合的卷积神经网络.首先,通过球形邻域计算点云的平面度、线性度、法向量以及本征熵等浅层几何特征,并将其与网络提取的深层次语义特征进行融合,增强模型对点云几何结构的感知能力;其次,设计基于通道注意力机制的多尺度特征融合模块,学习特征融合的权重系数,使网络可以自适应调整不同尺度目标的感受野大小,实现对不同尺度信息的筛选,进而提高小尺度目标的分类精度.实验结果表明,与其他模型相比,本文模型在ISPRS机载LiDAR点云上的平均F1分数为72.2％,且对电力线和汽车类别均取得了最高的分类精度,F1分数分别为64.3％和79.9％.     

基于深度图的道路场景三维点云分割优化方法

点云分割在计算机视觉、智能驾驶、遥感测绘、智慧城市等领域具有重要意义。为提高对激光雷达采集点云分割的准确率,提出了一种基于深度图的道路场景三维点云分割优化方法。将点云数据转化为深度图,建立三维点云与深度图之间的投影关系,利用相邻激光雷达扫描线的角度阈值进行地物分割,再对分割后的地上物体进行分割,去除噪声点。通过使用KNN(K-Nearest Neighbor)插值优化算法对分割结果进一步优化,较好地克服了过分割问题,提高了点云分割的准确率。实验结果表明,该方法的运行时间达到86 ms,相较传统深度图的自适应DBSCAN(Density-Based Spatial Clustering of Applications with Noise)方法准确率提升了5%,达到90.5%。     

基于改进欧式聚类的三维激光雷达点云目标分割方法

随着科学技术的发展,智能驾驶系统逐渐成为许多学者研究的目标.在这一研究领域中,激光雷达技术已经得到了广泛的应用,其中目标分割在智能车辆对周围环境的识别过程中起着重要作用.由于在对点云进行聚类分割时对相邻目标容易出现欠分割问题,针对这一问题本文提出了一种基于欧式聚类算法的改进方法.首先对点云数据进行预处理,包括下采样和地...     

基于深度学习的点云分割研究进展分析

深度传感器及激光扫描技术的快速发展使人们可以轻易地采集到大量的点云数据。点云数据可以提供丰富的场景及对象信息,现已成为自动驾驶、虚拟现实、机器人导航等应用的首选研究对象。作为点云处理的有效手段,点云分割技术受到了各界的广泛关注。尤其是在深度学习的推动下,点云分割的精度和鲁棒性有了很大的提升。该文首先介绍了点云分割存在的问题与挑战,接着从间接、直接处理点云的角度对点云分割近年来的工作进行了对比分析,其中,间接的方法有基于多视图、基于体素的方法两类,对于直接的方法,该文将其归纳为5类,分别为基于点处理、基于优化卷积神经网络、基于图卷积、基于时序和基于无监督学习的方法。然后介绍了每个类别中具有代表性的方法的基本思想,并阐述了每个方法的优缺点。此外,该文还介绍了点云分割的常用数据集以及评价指标。最后对点云分类、分割技术的未来进行了展望。     

基于特征域的目标分割算法

文中以可见光舰船目标的检测方法为研究对象，为解决黑白极性，海浪干扰等问题提出了基于特征域的目标分割方法。该方法是将目标难以正确分割的灰度图进行特征转换，生成使目标突出的特征图，然后在特征图上进行目标分割并给出利用基于特征域的目标分割方法的试验结果，说明此方法的优越性。     

机载LiDAR点云分块插值滤波

现有机载激光雷达（LiDAR）点云滤波算法在简单地形下取得了较好的滤波效果,但普遍对陡坡地形适应性较差。为提高在不同地形下的滤波性能,提出了基于分块的多尺度表面插值滤波算法。该算法首先通过改进的区域增长分块算法将原始点云分为点云块集和散点集,然后通过构建的多尺度表面插值算法同时对点云块和散点进行分类。利用国际摄影测量与遥感学会(ISPRS)提供的基准数据验证表明,该方法在15个样本中有11个样本滤波效果优于现有滤波方法,对各类地形均有较强适应性,且该方法平均总误差最小。对三种不同地形特征的高密度数据滤波实验,也验证了该方法的良好性能。     

基于语义信息补偿全局特征的物体点云分类分割

3D点云数据处理在物体分割、医学图像分割和虚拟现实等领域起到了重要作用。然而现有3D点云学习网络全局特征提取范围小,难以描述局部高级语义信息,进而导致点云特征表述不完整。针对这些问题,提出一种基于语义信息补偿全局特征的物体点云分类分割网络。首先,将输入的点云数据对齐到规范空间,进行数据的输入转换预处理。然后,利用扩张边缘卷积模块提取转换后数据的每一层特征,并叠加生成全局特征。而在局部特征提取时,利用提取到的低级语义信息来描述高级语义信息和有效几何特征,用于补偿全局特征中遗漏的点云特征。最后,融合全局特征和局部高级语义信息得到点云的整体特征。实验结果表明,文中方法在分类和分割性能上优于目前经典和新颖的算法。     

基于深度学习的图像去雾算法研究进展

图像是信息的重要承载形式。雾霾的出现降低了图像采集设备采集到的图像质量,容易出现色彩暗淡、对比度和饱和度降低、细节信息丢失等问题,直接影响了有用信息的表达和利用。目前对图像去雾的研究多采用深度学习的方法,卷积神经网络代替了人工特征提取方式,取得了优于传统算法的去雾效果,但普遍存在着对真实世界雾霾图像和清晰图像对的依赖。无监督学习的方法带来了新的解决思路。从监督学习和无监督学习的角度对有代表性的深度学习图像去雾算法进行分类,归纳了常用的数据集、评价指标,概括分析了有影响力的去雾模型的核心思想,总结了各算法的优缺点和适用场景。针对目前工作存在的不足,探索了下一步研究的方向。     

基于CT图像的肺实质分割技术研究

基于CT图像的肺实质分割不仅仅是后续图像处理最基础和最重要的技术,而且是一个典型的亟待解决的问题。基于CT图像的精确的肺实质分割是数学分析、计算机辅助分析和治疗的前提。本文明确了肺实质分割的概念及本质,以及肺实质分割在临床治疗中的重大意义。重点介绍了阈值法、区域生长法、主动轮廓模型和遗传算法,分析了它们的本质以及优缺点,并且列举大量实例说明。最后指出了基于CT图像的肺实质分割方法的发展趋势与面临的挑战。     

基于神经网络的几何模型区域分割算法

三维模型简化是近年来计算机图形学中的一个研究热点,现有的简化算法多从全局出发,对几何模型的各个部位统一进行简化,因此模型简化后大量的细节特征丢失.针对三维模型简化中保留细节特征的需要,提出了一种基于自组织特征映射神经网络的三维模型区域分割算法.首先计算三维几何模型中每一顶点的特征向量,然后利用该向量作为自组织特征映射神经网络的输入模式实现对三维模型的聚类分割,最后采取提出的相关性最大准则对过分割区域进行合并,得到最终分割结果.实验表明,该方法能有效地分割出模型的细节区域,满足三维模型简化中保留细节特征的需要.     

基于模糊和遗传算法的阈值分割方法

提出了一种阈值分割方法。本算法将模糊集理论和遗传算法有机地结合起来,它是一种有监督的分割方法,首先确定图像阈值的数目,然后将灰度图像模糊化,确定准则函数,采用遗传算法求得意了优解,最后经过后处理得到最终分割结果。实验表明该方法运算速度快,且对噪声不敏感,具有较高的鲁棒性。     

基于改进分水岭算法的红外图像分割

研究自然背景下红外图像目标分割的问题,提出了一种基于改进分水岭算法的红外图像分割方法.该方法先利用形态学开闭滤波,对红外目标图像中的噪声和微小的干扰区域进行滤除,接着根据提出的计算图像形态梯度的多尺度算法提取图像梯度,而后用改进的分水岭算法对图像进行分割.最后提出了一种新的区域融合方法.实验结果表明,该算法能较好地解决红外图像中的目标分割问题.     

基于加权总体最小二乘法的点云平面拟合

为了提高点云数据平面拟合精度,提出强度加权总体最小二乘法。该方法是在传统加权总体最小二乘法基础上,利用点云数据中各点强度信息确定其平面拟合权重,通过均质性不同的3种平面样本数据对该方法的适用性进行了研究。结果表明,与最小二乘法和总体最小二乘方法相比,该方法对于均质性较好的点云数据有效,可以得到更高精度的参量解;而对于均质性较差的点云数据,该方法效果不理想,总体最小二乘法是最有效方法。     

自适应邻域尺寸选择的点云法向量估计算法

三维空间中的法向量估计在计算机视觉和表面重建等研究领域中具有重要的意义,基于局部表面拟合的方法是基于点云数据的经典估计方法。为了增强该方法对于不同局部邻域细节尺度的适应性以得到更准确的估计结果,提出了一种基于自适应邻域尺寸选择的点云法向量估计算法。该方法通过分析三维空间点的邻域点在点的梯度上投影来估计点云中各点的邻域分布情况|最后根据不同的分布情况选择不同的邻域大小,根据该邻域范围内的点拟合出的平面求解得到各点的法向矢量。实验结果表明:该方法能够克服邻域半径选择过大或者过小的情况,有效地提高基于局部表面拟合法向矢量求解的正确性。