【技术实现步骤摘要】
本专利技术主要涉及遥感影像，具体涉及一种点云分割方法、装置以及存储介质。
技术介绍
1、随着激光雷达点云技术的逐步普及，三维点云数据也被逐步应用于城市场景建设之中，但由于点云数据具有海量性，无序性，因此在完成实际工作应用前完成点云分割是十分重要的。目前较为常用的三维点云分割方法主要包括：区域增长分割方法、模型拟合分割方法、深度学习分割方法、图论点云分割方法、边缘检测分割方法。区域增长分割方法能够自适应根据相似性将相邻点聚合在一起，luo提出一种融合超体素的区域增长方法并将其应用于点云数据分割中，对于几何连续性较好的物体分割效果较好，但是该方法在面对物体之间间隙或孔洞较大情况极易产生分割错误；模型拟合法能够较好拟合几何模型，计算速度也相对较快，zhao也提出一种基于迭代高斯映射的改进模型拟合方法，并将其应用于室内点云分割，但对于复杂的几何形状和不规则结构物体分割效果较差，且易受噪声和局部异常点干扰；深度学习方法具有较高学习能力和表达能力，能够提取点云数据的丰富特征，dong提出一种基于深度学习的缺陷点云分割方法，将其应用于零件缺陷检测并取得不错效果，但在面对数据量较小情况易产生过拟合，且需要大量训练数据来进行模型训练，不仅如此，深度学习过程相当于一种黑盒子过程，具有巨大的参数量，对于模型理解决策和对结果预测解释也较为困难；图论方法是基于图像分割原理对点云进行分割，li提出一种两级最优分割算法，提取点云特征信息再利用图优化以达到点云细节区域分割目的，但是该方法缺少一定实时性；基于边缘检测方法是目前研究最多的方法，通过检测数据点几何边
2、聚类方法中基于密度的聚类方法和基于距离的聚类方法在三维点云分割中较为常用，基于密度的聚类方法主要以dbscan(density-based spatial clustering ofapplications with noise)为代表，该方法通过定义一定领域范围和密度阈值以达到聚类目的，但其聚类中心需要绘制决策图，易受人工干预，尽管sun创建了一种自适应的峰值聚类方法，但是只能应用于二维场景，虽然该方法通过fisher linear discriminant方法对高维数据进行降维，但该方法极易受到异常值干扰，且不可避免会造成部分信息损失；基于距离的聚类方法以k-means聚类和基于kd-tree欧式聚类方法为代表，k-means聚类方法在多数情况下表现良好，但是该方法易受初始聚类中心影响且需要事先指定聚类数量，对于未知的三维点云场景实际使用效果不佳；kd-tree欧式聚类方法因为引入了kd-tree能够快速进行邻近点搜索且对高维数据也具有不错效果，但是该方法在聚类时通常采用固定的聚类阈值，对于不同场景应用需要进行大量调试且在大场景应用中采用固定阈值极易产生误分类现象。
3、综上所述，在目前点云分割方法中仍存在一定问题，尤其涉及复杂场景，边缘检测方法作为最常用的分割方法因为聚类方法的限制也存在一定不足，因此建立一种能够对场景中不同地物准确识别其边界，且不需要指定聚类中心及自适应聚类范围的聚类方法是提高复杂场景点云分割精度的重要一步。
技术实现思路
1、本专利技术所要解决的技术问题是针对现有技术的不足，提供一种点云分割方法、装置以及存储介质。
2、本专利技术解决上述技术问题的技术方案如下：一种点云分割方法，包括如下步骤：
3、从机载激光雷达中获得多个原始点云数据，对所有所述原始点云数据进行聚类分析，得到多个原始簇类；
4、对所有所述原始簇类进行合并，得到多个目标簇类；
5、对所有所述目标簇类进行分割，得到点云分割结果。
6、本专利技术解决上述技术问题的另一技术方案如下：一种点云分割装置，包括：
7、数据获取模块，用于从机载激光雷达中获得多个原始点云数据；
8、聚类分析模块，用于对所有所述原始点云数据进行聚类分析，得到多个原始簇类；
9、合并模块，用于对所有所述原始簇类进行合并，得到多个目标簇类；
10、点云分割结果获得模块，用于对所有所述目标簇类进行分割，得到点云分割结果。
11、基于上述一种点云分割方法，本专利技术还提供一种点云分割系统。
12、本专利技术解决上述技术问题的另一技术方案如下：一种点云分割系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的点云分割方法。
13、基于上述一种点云分割方法，本专利技术还提供一种计算机可读存储介质。
14、本专利技术解决上述技术问题的另一技术方案如下：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的点云分割方法。
15、本专利技术的有益效果是：通过对原始点云数据的聚类分析得到原始簇类，对原始簇类的合并得到多个目标簇类，对目标簇类的分割得到点云分割结果，利用了特征参数改变聚类阈值的技术，实现了三维场景内的点云分割效果，能够对场景中不同地物进行准确地边界识别，且不需要指定聚类中心及自适应聚类范围，提高了复杂场景的点云分割精度。
本文档来自技高网...【技术保护点】
1.一种点云分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的点云分割方法，其特征在于，所述对所有所述原始点云数据进行聚类分析，得到多个原始簇类的过程包括：
3.根据权利要求2所述的点云分割方法，其特征在于，所述S13的过程包括：
4.根据权利要求3所述的点云分割方法，其特征在于，所述S14的过程包括：
5.根据权利要求1所述的点云分割方法，其特征在于，所述对所有所述原始簇类进行合并，得到多个目标簇类的过程包括：
6.根据权利要求5所述的点云分割方法，其特征在于，所述分别对各个所述原始簇类进行首次合并，得到与各个所述原始簇类组对应的合并后簇类以及多个待处理簇点的过程包括：
7.根据权利要求5所述的点云分割方法，其特征在于，所述对所有所述合并后簇类以及所有所述待处理簇点进行再次合并，得到多个目标簇类的过程包括：
8.根据权利要求7所述的点云分割方法，其特征在于，所述对所有所述目标簇类进行分割，得到点云分割结果的过程包括：
9.一种点云分割装置，其特征在于，包括：
...
【技术特征摘要】
1.一种点云分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的点云分割方法，其特征在于，所述对所有所述原始点云数据进行聚类分析，得到多个原始簇类的过程包括：
3.根据权利要求2所述的点云分割方法，其特征在于，所述s13的过程包括：
4.根据权利要求3所述的点云分割方法，其特征在于，所述s14的过程包括：
5.根据权利要求1所述的点云分割方法，其特征在于，所述对所有所述原始簇类进行合并，得到多个目标簇类的过程包括：
6.根据权利要求5所述的点云分割方法，其特征在于，所述分别对各个所述原始簇类进行首次合并...
【专利技术属性】
技术研发人员：康传利，林梓涛，吴思怡，张赛，耿崇铭，张思瑶，蔡蕾，张丹，
申请(专利权)人：桂林理工大学，
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。