System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数据处理,尤其涉及一种点云智能染色方法和系统。
技术介绍
1、点云由大量离散的三维点组成,每个点表示物体表面上的一个采样点,如激光雷达扫描得到的点云,或者是通过结构光、立体摄影等方法获取的三维点云。每个点都包含了在三维空间中的坐标信息以及可能的额外属性,例如颜色、法向量等。通过对点云进行处理、重构和分析,可以实现三维场景建模、目标识别、物体跟踪、路径规划等应用。点云处理技术在计算机视觉、计算机图形学、机器人学等领域中有着广泛的应用。
2、现有的点云染色技术存在一些缺陷。首先,线性染色算法效果不稳定,对噪声点和不均匀分布的点集效果较差,无法考虑点的其他属性,导致染色效果缺乏细节和丰富性。其次,基于深度学习的方法成本高,需要大量的数据和计算资源进行训练,开发周期长。第三,传统的k-means算法在处理大规模点云数据时效率较低,速度慢,导致实时性差。最后,对于复杂地形或多物体场景,简单的k-means聚类可能无法获得满意的结果。
技术实现思路
1、鉴于此,本专利技术实施例提供了一种点云智能染色方法和系统,以消除或改善现有点云染色技术成本高、效果不稳定、速度慢等缺陷。
2、本专利技术的一个方面提供了一种点云智能染色方法,该方法包括以下步骤:
3、获取点云数据,对所述点云数据进行预处理,所述预处理包括对所述点云数据中所有点的附加属性值进行归一化,以使所述附加属性值成为与所有点的坐标值相同数量级的数值;所述附加属性值表示坐标值以外用于描述点的属
4、对所述点云数据中每个点设置属性序列,所述属性序列用于记载每个点的坐标值及附加属性值;
5、利用聚类算法将所述点云数据中的点按照相应的属性序列进行聚类;其中,在聚类过程中,根据所述点云数据的规模配置聚类中心的数量,通过迭代确定最终所有聚类中心,并将所述点云数据中所有点分配到最邻近聚类中心所属的集群;
6、根据聚类结果,将同一聚类中心集群中的所有点设置相同颜色。
7、在本专利技术的一些实施例中,对所述点云数据进行预处理还包括:去噪、移除无效点和/或色彩校正。
8、在本专利技术的一些实施例中,所述聚类算法包括fast k-means算法。
9、在本专利技术的一些实施例中,利用聚类算法将所述点云数据中的点按照相应的属性序列进行聚类的步骤包括:
10、随机选择设定数量的初始聚类中心;
11、在一次迭代过程中,针对所述点云数据中每个数据点,计算其与所有初始聚类中心的距离,将其分配到距离最近的聚类中心的集群;
12、对每个聚类中心的集群中所有点计算均值,将所述均值设置为新的聚类中心;
13、基于新的聚类中心重新分配所有点,计算所述新的聚类中心中所有点的新均值;
14、基于所述新均值再次重设聚类中心;
15、基于以上迭代过程进行多次迭代,当前后两次相邻迭代中,聚类中心停止移动,或移动距离小于设定值,或迭代次数到达最大设置次数时,停止迭代。
16、在本专利技术的一些实施例中,对所述点云数据中所有点的附加属性值进行归一化,以使所述附加属性值成为与所有点的坐标值相同数量级的数值的过程中,通过调整所述附加属性值的取值区间大小,调节所述附加属性值对所述聚类结果的影响大小。
17、在本专利技术的一些实施例中,根据所述点云数据的规模配置聚类中心的数量,当所述点云数据的数量为10-50万,所述聚类中心的数量取值设置为80-120。
18、在本专利技术的一些实施例中,还包括对染色过程及染色结果进行评估:
19、记录染色过程的总耗时和各阶段耗时以计算染色过程的效率;
20、在所述点云数据中随机采样同一聚类中心集群中的若干点,检查是否染成相同颜色。
21、在本专利技术的一些实施例中,还包括利用图形库或可视化工具包创建渲染窗口将聚类后的所述点云数据进行可视化展示。
22、本专利技术的另一方面提供了一种点云智能染色系统,该系统包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该系统实现上述方法的步骤。
23、本专利技术的另一方面提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
24、本专利技术的有益效果至少是:
25、本专利技术提供了一种点云智能染色方法和系统,首先对点云数据中附加属性值进行归一化,利用fast k-means聚类方法基于点云的多属性数据进行聚类,聚类过程中结合了算法优化策略,并且根据数据规模选择合适的聚类中心数量。最后根据聚类结果进行染色。该专利技术实现了快速且准确的点云染色,使点云染色效果更加细致和丰富,同时提高了算法的实时性和可用性,能够以更低的成本取得比现有技术更快的计算速度和更理想的染色效果。
26、本专利技术的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本专利技术的实践而获知。本专利技术的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
27、本领域技术人员将会理解的是,能够用本专利技术实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本专利技术能够实现的上述和其他目的。
本文档来自技高网...【技术保护点】
1.一种点云智能染色方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的点云智能染色方法,其特征在于,对所述点云数据进行预处理还包括:去噪、移除无效点和/或色彩校正。
3.根据权利要求1所述的点云智能染色方法,其特征在于,所述聚类算法包括Fast K-means算法。
4.根据权利要求3所述的点云智能染色方法,其特征在于,利用聚类算法将所述点云数据中的点按照相应的属性序列进行聚类的步骤包括:
5.根据权利要求1所述的点云智能染色方法,其特征在于,对所述点云数据中所有点的附加属性值进行归一化,以使所述附加属性值成为与所有点的坐标值相同数量级的数值的过程中,通过调整所述附加属性值的取值区间大小,调节所述附加属性值对所述聚类结果的影响大小。
6.根据权利要求1所述的点云智能染色方法,其特征在于,根据所述点云数据的规模配置聚类中心的数量,当所述点云数据的数量为10-50万,所述聚类中心的数量取值设置为80-120。
7.根据权利要求1所述的点云智能染色方法,其特征在于,还包括对染色过程及染色结果进行评估:
8.根据权利要求1所述的点云智能染色方法,其特征在于,还包括利用图形库或可视化工具包创建渲染窗口将聚类后的所述点云数据进行可视化展示。
9.一种点云智能染色系统,包括处理器和存储器,其特征在于,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该系统实现如权利要求1至8中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至8中任一项所述方法的步骤。
...【技术特征摘要】
1.一种点云智能染色方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的点云智能染色方法,其特征在于,对所述点云数据进行预处理还包括:去噪、移除无效点和/或色彩校正。
3.根据权利要求1所述的点云智能染色方法,其特征在于,所述聚类算法包括fast k-means算法。
4.根据权利要求3所述的点云智能染色方法,其特征在于,利用聚类算法将所述点云数据中的点按照相应的属性序列进行聚类的步骤包括:
5.根据权利要求1所述的点云智能染色方法,其特征在于,对所述点云数据中所有点的附加属性值进行归一化,以使所述附加属性值成为与所有点的坐标值相同数量级的数值的过程中,通过调整所述附加属性值的取值区间大小,调节所述附加属性值对所述聚类结果的影响大小。
6.根据权利要求1所述的点云智能染色方法,...
【专利技术属性】
技术研发人员:马喜燕,
申请(专利权)人:北京恺望数据科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。