点云数据结构、特征分析与点云处理任务概括

目录

一、点云数据概览

二、点云数据特点分析

三、点云处理任务

一、点云数据概览

        点云数据为激光雷达扫描设备获取的实时场景数据，其具有快速高效、准确、方便使用等特点。一般为后缀为.las、.txt、.npy，其中las为标准的点云数据文件，txt为转换为文本文件后方便阅读查阅的形式，npy为便于python中numpy库处理的文件形式。我们可以将后缀为las或txt的文件用CloudCompare软件将其打开并查看可视化的点云数据，也可以在软件中实现文件类型的转换。点此下载CloudCompare

        如下图1.1是一副点云数据可视化图，使用CloudCompare打开。

        我们将las文件转换为txt类型文件后，可以直接使用“记事本”打开阅读（文件过大可能无法打开），如下图所示：

        其中前三列数据分别为点云中每一个点在其坐标系下的三维坐标X Y Z，其后的三列数据为每个点记录的RGB三通道色彩值（0~255），最后一个为语义标签。

        一般的，点云数据记录了每个点的XYZ坐标（一定有），以及RGB色彩、法向量方向、反射率、强度、语义标签、实例标签等等（可能没有）。

二、点云数据特点分析

        点云数据处理的难点在于其不规则性、非结构性、无序性、噪声影响大，没有二维图像与生俱来的结构信息和邻域信息，导致其数据输入与处理成为点云任务的一大难点。

        不规则性：点云稀疏程度不一，疏密差异大。

        非结构性：点云数据不像二维图像数据那样拥有规则的结构，每一个像素点可以使用一个（x，y）点对来表示其位置，点云中的点无网格结构，每一个点都是独立的。

        无序性：由于点云没有固定结构，保存点云数据或输入点云数据时无法按照一种不变的顺序进行，将点云数据任意打乱依然表示原点云数据，这将为点云处理任务带来很多难题。

三、点云处理任务

        点云处理任务一般包括：点云配准、点云滤波、点云补全、点云分割（语义分割、实例分割）、点云分类、点云部件分类。

        点云配准：将两幅具有不同坐标系统的部分重叠点云进行空间对齐，使对应点之间的欧式距离最小化，包括刚体配准（只有平移、旋转变换）和非刚体配准（除了平移、旋转变换，还有尺度因子），处理方法有迭代法、特征法、基于深度学习的方法。

        点云滤波：高通滤波、低通滤波、下采样滤波等。

        点云补全：获取的点云数据由于扫描过程中的遮挡而导致数据缺失，使用一些方法将缺失的点云数据补齐的过程。

        点云语义分割：使用基于深度学习算法的网络， 将具有相同语义类别的点云归为同一类别，并输出其语义标签，比如房屋、路面、树木等。

        点云实例分割：在点云语义分割的基础上，将同一语义类别的物体中的每一个个体标注上独立的实例标签，比如房屋中每一栋都打上单独的标签。

        点云分类：使用基于深度学习算法的网络，将点云中每一个个体识别为对应的类别，并框出对应物体。

        点云部件分类：在点云分类的基础上，将一个个体中的每一个部件单独识别出来并框出，比如飞机的机翼、机舱、尾翼等。