长沙网站制作公司推荐,做cpa怎么建立自己网站,餐厅网站模板,网页制作基础教程实验报告点云分割 图自#xff1a;https://openaccess.thecvf.com/content_cvpr_2017/papers/Qi_PointNet_Deep_Learning_CVPR_2017_paper.pdf《PointNet:用于3D分类和分割的点集深度学习》
点云分割(Point Cloud Segmentation)是计算机视觉和3D图像处理中的一个重要步骤#xff0c;…点云分割 图自https://openaccess.thecvf.com/content_cvpr_2017/papers/Qi_PointNet_Deep_Learning_CVPR_2017_paper.pdf《PointNet:用于3D分类和分割的点集深度学习》
点云分割(Point Cloud Segmentation)是计算机视觉和3D图像处理中的一个重要步骤通过将点云数据划分成有意义的子集以便于进一步分析和处理。点云分割可以帮助识别和提取场景中的特定对象或区域例如建筑物、道路、车辆等。这对于各种应用场景如自动驾驶、3D建模、机器人导航等都至关重要。 图自https://openaccess.thecvf.com/content_cvpr_2017/papers/Qi_PointNet_Deep_Learning_CVPR_2017_paper.pdf《PointNet:用于3D分类和分割的点集深度学习》
点云平面分割是从激光扫描仪获取的无序点云自动重建室内和城市环境的基本任务。作为最常见的平面分割方法之一随机采样一致性 (RANSAC) 通常用于连续检测一个又一个的平面。
为什么要进行点云分割
进行点云分割的主要原因有以下几点 简化数据处理分割后的点云数据更易于处理和分析减少了计算复杂度。 提高识别精度通过分割将不同对象从点云中分离出来有助于提高对象识别和分类的准确性。 增强应用效果在实际应用中分割后的点云可以更好地用于3D建模、环境感知、物体检测等任务提高应用效果和实用性。
RANSAC算法发展历史
RANSACRandom Sample Consensus随机抽样一致性算法由Fischler和Bolles于1981年提出是一种通过随机抽样找到数据中的模型参数的算法。RANSAC在处理含有大量噪声和离群点的数据时表现尤为出色。该算法的核心思想是反复从数据集中随机抽取样本估计模型参数并通过评估一致性来选择最优模型。尽管RANSAC已经有40多年的历史但其简单有效的特性使其在点云分割、图像匹配、平面拟合等领域依然广泛应用。
算法概述
Fischler 和 Bolles 提出的 RANdom SAmple Consensus (RANSAC) 算法 [1] 是一种通用的参数估计方法旨在应对输入数据中大量离群值。与许多从统计学文献中被计算机视觉社区采用的常见鲁棒估计技术如 M-估计和最小中值平方不同RANSAC 是由计算机视觉社区内部开发的。
RANSAC 是一种重采样技术通过使用估计基础模型参数所需的最小观察数数据点来生成候选解决方案。正如 Fischler 和 Bolles [1] 指出与使用尽可能多的数据来获得初步解决方案然后剔除离群值的传统采样技术不同RANSAC 使用最小的可能集合然后使用一致的数据点扩展这个集合 [1]。
基本算法RANSAC概述如下 随机选择确定模型参数所需的最小点数。 求解模型参数。 确定所有点集中有多少点符合预定的容差 。 如果集合中内点的数量与总点数的比例超过预定阈值 则使用所有识别的内点重新估计模型参数并终止。 否则重复步骤 1 到 4最多 次。
迭代次数 的选择足够高以确保至少有一个随机样本集不包含离群值的概率 通常设为 0.99。设 表示任何选定数据点为内点的概率 表示观察到离群值的概率。需要进行 次最小点数 的迭代其中
因此通过一些操作得到
有关基本 RANSAC 公式的更多详细信息请参见 [1, 2]。RANSAC 的扩展包括使用最大似然框架 [4] 和重要性采样 [3]。
原文参见https://www.cse.yorku.ca/~kosta/CompVis_Notes/ransac.pdf
RANSAC算法的数学原理可以概括如下 随机抽样从点云数据中随机选择若干点作为样本。 模型拟合使用选定的样本点拟合模型。 一致性检验计算拟合模型的所有点的误差确定与模型一致的点内点。 模型优化重复上述步骤多次选择内点最多的模型作为最终模型。
假设我们要拟合一个平面模型平面方程为
RANSAC的具体步骤如下 从点云数据中随机选择三个点设为, 和。 计算平面模型参数 , , 和 计算所有点到该平面的距离根据距离判断是否为内点。 重复上述步骤选择内点最多的平面模型作为最终结果。 应用领域和场景
RANSAC算法在各种应用领域中得到了广泛应用主要包括 https://isprs-annals.copernicus.org/articles/IV-2/1/2018/isprs-annals-IV-2-1-2018.pdf《H-RANSAC: A HYBRID POINT CLOUD SEGMENTATION COMBINING 2D AND 3D DATA》 3D建模用于从点云数据中提取建筑物、道路等结构
https://ieeexplore.ieee.org/document/7989159/ 自动驾驶在环境感知中RANSAC用于分割和识别道路、障碍物等。 https://openaccess.thecvf.com/content/CVPR2023W/PVUW/papers/Sakaino_PanopticRoad_Integrated_Panoptic_Road_Segmentation_Under_Adversarial_Conditions_CVPRW_2023_paper.pdf 机器人导航帮助机器人识别和避开障碍物提高导航精度。 图像处理用于图像配准、平面拟合等任务。 https://www.cs.princeton.edu/courses/archive/fall11/cos495/COS495-Lecture11-LineExtraction.pdf
基于Python的可视化算法实例
下面是一个基于Python实现RANSAC点云分割的简单示例点云数据均可在网址上获取https://towardsdatascience.com/3d-model-fitting-for-point-clouds-with-ransac-and-python-2ab87d5fd363
import random # 导入用于生成随机数的库
import numpy as np # 导入用于科学计算的库
import matplotlib.pyplot as plt # 导入用于数据可视化的库
from sklearn.neighbors import KDTree # 导入用于快速最近邻搜索的KDTree实现
from mayavi import mlab # 导入用于3D数据可视化的库# 选择数据集路径
data_file rD:\系统默认\桌面\协作文件夹\Open3d python三维点云学习资料\the_researcher_desk.xyz # 请替换为你的数据文件路径# 读取点云数据
pcd np.loadtxt(data_file, skiprows1) # 读取点云数据文件跳过第一行# 分离几何属性和辐射属性
xyz pcd[:, :3] # 提取前三列作为几何属性x, y, z坐标
rgb pcd[:, 3:6] # 提取后三列作为辐射属性颜色值# 可视化点云2D视图
plt.figure(figsize(8, 5), dpi150) # 创建一个8x5英寸150dpi的图形
plt.scatter(xyz[:, 0], xyz[:, 1], crgb/255, s0.05) # 绘制散点图颜色为rgb值点大小为0.05
plt.title(Top-View) # 设置图形标题
plt.xlabel(X-axis (m)) # 设置x轴标签
plt.ylabel(Y-axis (m)) # 设置y轴标签
plt.show() # 显示图形# 使用Mayavi进行3D可视化
mlab.points3d(xyz[:, 0], xyz[:, 1], xyz[:, 2], xyz[:, 2], modepoint, colormapviridis) # 使用Mayavi绘制3D点云颜色为高度z值
mlab.title(Point Cloud Visualization) # 设置图形标题
mlab.colorbar(titleHeight, orientationvertical) # 添加颜色条表示高度
mlab.show() # 显示图形# 设置RANSAC参数
threshold 0.05 # 设置点到平面的距离阈值
iterations 1000 # 设置RANSAC算法的迭代次数# 自动设置参数
tree KDTree(np.array(xyz), leaf_size2) # 使用KDTree进行最近邻搜索加速计算
nearest_dist, nearest_ind tree.query(xyz, k8) # 查询每个点的8个最近邻点
avg_distance np.mean(nearest_dist[:, 1:]) # 计算平均距离忽略自身距离
threshold avg_distance * 10 # 设置新的距离阈值为平均距离的10倍# RANSAC 平面检测函数
def ransac_plane(xyz, threshold0.05, iterations1000):inliers [] # 初始化内点列表n_points len(xyz) # 获取点云的点数i 0 # 初始化迭代计数器while i iterations: # 迭代进行RANSACidx_samples random.sample(range(n_points), 3) # 随机选择3个点pts xyz[idx_samples] # 获取这3个点的坐标vecA pts[1] - pts[0] # 计算向量AvecB pts[2] - pts[0] # 计算向量Bnormal np.cross(vecA, vecB) # 计算法向量a, b, c normal / np.linalg.norm(normal) # 归一化法向量d -np.sum(normal * pts[1]) # 计算平面方程的d值distance (a * xyz[:, 0] b * xyz[:, 1] c * xyz[:, 2] d) / np.sqrt(a ** 2 b ** 2 c ** 2) # 计算所有点到平面的距离idx_candidates np.where(np.abs(distance) threshold)[0] # 找到所有符合距离阈值的点内点if len(idx_candidates) len(inliers): # 如果当前内点数量大于之前的最大内点数量equation [a, b, c, d] # 更新平面方程参数inliers idx_candidates # 更新内点列表i 1 # 迭代计数器加1return equation, inliers # 返回平面方程参数和内点列表# 执行RANSAC
eq, idx_inliers ransac_plane(xyz, threshold, iterations) # 调用RANSAC平面检测函数
inliers xyz[idx_inliers] # 获取内点坐标# 获取外点
mask np.ones(len(xyz), dtypebool) # 创建一个全为True的布尔数组
mask[idx_inliers] False # 将内点位置设置为False
outliers xyz[mask] # 获取外点坐标# 可视化结果Matplotlib
ax plt.axes(projection3d) # 创建一个3D绘图对象
ax.scatter(inliers[:, 0], inliers[:, 1], inliers[:, 2], ccornflowerblue, s0.02) # 绘制内点颜色为淡蓝色
ax.scatter(outliers[:, 0], outliers[:, 1], outliers[:, 2], csalmon, s0.02) # 绘制外点颜色为鲑鱼色
plt.show() # 显示图形# 导出结果
result_folder rD:\系统默认\桌面\python三维点云学习资料\RESULTS # 设置结果保存路径
np.savetxt(result_folder inliers.xyz, inliers, fmt%1.4f, delimiter;) # 保存内点坐标
np.savetxt(result_folder outliers.xyz, outliers, fmt%1.4f, delimiter;) # 保存外点坐标
通过上述代码我们可以将点云数据中的平面部分例如桌面、地板等分割出来并以不同颜色进行可视化。这种分割方法不仅简化了后续处理步骤还能显著提高对象识别的精度和效率。
可视化 1Matplotlib 2D视图
提供点云数据的2D平面视图从而快速了解数据的分布和结构。 实现方式 使用 matplotlib.pyplot 创建一个2D散点图展示点云数据的X和Y坐标。 使用颜色 (crgb/255) 表示点的辐射属性颜色值。 设置图形的大小、分辨率和标题。
表现内容 从上方观察的点云数据平面视图Top-View。 X轴和Y轴表示点的平面位置颜色则提供了点的辐射属性信息。 该视图有助于识别数据中的密集区域、异常点和总体分布趋势。
可视化 2Mayavi 3D视图
提供点云数据的交互式3D视图使用户能够从多个角度查看数据并理解其空间结构。 实现方式 使用 mayavi.mlab 创建一个3D散点图展示点云数据的X、Y和Z坐标。 颜色渐变表示点的高度Z轴使用 colormapviridis 设定颜色映射。 添加颜色条colorbar以表示高度信息。
表现内容 点云数据的3D视图用户可以通过旋转和缩放来观察数据的三维结构。 颜色表示高度Z轴使得不同高度的点可以通过颜色轻松区分。 该视图提供了全面的空间结构理解有助于识别数据的高低变化和总体形状。
可视化 3Matplotlib 3D视图分割结果 展示通过RANSAC算法分割后的点云数据区分内点和外点。
实现方式 使用 matplotlib.pyplot 创建一个3D散点图分别展示内点和外点的X、Y和Z坐标。 内点符合平面模型的点使用淡蓝色cornflowerblue表示外点不符合平面模型的点使用鲑鱼色salmon表示。 通过不同颜色区分内点和外点。
表现内容 分割后的点云数据3D视图清晰展示了内点和外点的空间分布。 内点和外点的颜色区分使得用户能够直观地看到哪些点符合平面模型哪些点为异常点或噪声。 该视图有助于评估RANSAC算法的效果理解数据的分割情况。
该代码实现了从点云数据文件中读取数据进行预处理和可视化并通过RANSAC算法进行平面检测。具体流程包括1读取和分离点云数据的几何和辐射属性2使用Matplotlib进行2D和3D数据可视化3使用Mayavi进行3D可视化以展示点云的高度信息4使用KDTree加速最近邻搜索5基于自动计算的阈值和迭代次数运行RANSAC算法检测平面并识别内点和外点6最终可视化分割结果并保存内点和外点数据到文件中。
以上内容总结自网络如有帮助欢迎关注与转发我们下次再见
