适应性聚类用于点云
Zitao Lin1, Chuanli Kang1,2, Siyi Wu1
1College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541004, China.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
本研究介绍了一种适应性聚类方法,用于对大规模点云数据进行细分. 强大的方法有效地对地面物体和噪声进行细分,在实际应用中优于现有的方法.
科学领域:
- 地理空间科学是一个科学领域.
- 计算机视觉 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
背景情况:
- 点云细分对于遥感和3D建模等应用至关重要.
- 现有的方法很难有效地对大规模场景进行细分.
- 目前点云细分的局限性阻碍了实际应用.
研究的目的:
- 为大规模点云数据提出适应性聚类细分方法.
- 为了提高点云细分的效率和稳定性.
- 在复杂场景中解决当前细分技术的局限性.
主要方法:
- 采用了自适应集群方法,使用相邻点特征计算值.
- 细分结果使用集群点的标准偏差进行细化.
- 代细分是对不符合预定义条件的集群进行的.
主要成果:
- 与其他技术相比,拟议的方法显示出卓越的实用性和效率.
- 在公园场景中实现了地面物体和地面点云数据的有效细分.
- 该方法显示出强大的稳定性,受参数变化的影响较小.
结论:
- 适应集群方法为大规模点云细分提供了强大而高效的解决方案.
- 该技术成功地对各种场景元素进行细分,并区分噪声点.
- 该方法在公共数据集上得到验证,显示了广泛的适用性和良好的性能.


