点云从入门到精通技术详解100篇-基于点云的三维重建与 边缘检测（续）

于 2024-01-24 00:30:00 发布
阅读量346 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 点云从入门到精通技术详解100篇 文章标签： 点云
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/getusushu/article/details/135680152
本文深入探讨点云技术在三维重建和边缘检测中的应用，通过介绍渲染管线的四个阶段，包括应用程序、几何处理、光栅化和像素处理，阐述了从三维到二维图像的转换过程。此外，详细讲解了矩阵变换，如齐次坐标、线性变换和四元数等，并提出了一种利用像素与三角形映射关系提取轮廓的方法。实验结果显示，这种方法能有效提取出三维表面区域，且在用户软件中实现了便捷的操作流程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

4 D图形渲染 

4.1 传统方法

4.2 渲染管线

4.2.1 应用程序阶段

4.2.2 几何处理阶段

4.2.3 光栅化阶段

4.2.4 像素处理阶段

4.3 变换

4.3.1 齐次坐标

4.3.2 线性变换

4.3.3 四元数

4.3.4 视角变换

4.3.5 投影变换

4.3.6 视口变换

4.4 光照模型

4.5 Modern OpenGL

4.5.1 OpenGL介绍

4.5.2 VAO,VBO,EBO

4.5.3 OpenGL渲染管线

4.6 实验结果

5 轮廓检测与用户软件

5.1 像素与三角形的映射

5.2 轮廓检测  

5.3 实验结果

5.4 用户软件设计 

5.4.1 模块介绍

5.4.2 操作流程

本文篇幅较长，分为上下两篇，上篇详见基于点云的三维重建与 边缘检测

4 D图形渲染 

4.1 传统方法


文物研究中，获取文物建筑、雕塑等文物轮廓对研究文物形貌以及受损情况 具有重要意义。如图4-1和4-2所示，传统获取轮廓的做法是通过手工拉基线， 张网格直接测量。由于人眼误差，以及绘制时对文物可能造成损伤，所以部分工 作人员利用图形处理软件对二维数字图像进行人工标注，但该方法会造成文物三 维信息的丢失。针对该问题，本文采用图4-3所示的方法，利用重建的结果，将 其渲染为二维图像，渲染过程中保留了三维与二维之间的关系，并在下一章中对 二维图像进行边缘检测，并利用像素与三角形的映射关系最终提取轮廓内的三维 表面区域。相较于传统方法，本文方法可以更加精确的提取轮廓且可以保留三维 信息。

了解本专栏 订阅专栏 解锁全文
点云从入门到精通技术详解100篇-基于单双目结合的结构光三维重建
getusushu的博客
12-16 1350
在文物保护方面，获取文物、遗迹的三维信息实现文化遗产的保护。目前，将计算机视觉与光学三维测量技术进一步融合，同时推动三维重建技术的应用，因此，为了高效完成立体匹配，进一步提升三维重建的精度，不连续点时容易产生匹配错误，而结合结构光后能有效增加特征点，方便后续的匹配，实现对外部世界的感知。了观察外部世界的眼睛，计算机将相机获取的外部信息进行一系列的处理，以提供人。纹图，相机采集受到物体调制而发生变形的条纹，进一步利用重建的相关原理获取三。在被动式的双目立体视觉中，硬件由双相机构成，由于特征点的提取容易受。
点云从入门到精通技术详解100篇-基于单双目结合的结构光三维重建（续）
getusushu的博客
12-21 1325
形，摄像机通过利用物体表面的光编码信息实现高效的三维形貌测量。目标物体调制而变形的正弦条纹图案进行采集，以此完成各像素点的相位主值计算。能够降低投影仪的资源消耗，以及图片处理所需的时间，本文主要以三步相移为例，因其有着投影和采集的图案少、速度快等特点，同时满足所需的精度要求，有利于高。结构光依靠投射装置到达目标物体的表面，随后光栅受物体表面的调制而发生变。现一定的单调性，因此有利于像素点的标识，为后续的对应点匹配提供基础。考虑到较少的条纹图案。常见的相移法有三步相移以及四步相移等，随着相移步数。
基于图像的三维重建——特征点检测与匹配(2)
AAAA202012的博客
03-29 3687
文章目录前言一、特征点检测二阶的拉普拉斯高斯边缘提取算法(LOG)尺度不变特征变换算法(SIFT)加速稳健特征算法（SURF)Harris角点特征提取算子加速分割测试特征提取(FAST)特征点检测算子(ORB）二、使用步骤1.引入库2.读入数据总结 前言 特征点检测与匹配的作用是计算特征点个数达到要求的图像对，使得图像与图像间一直进行传递，从而形成一条轨迹，为SFM重构中的初始图像对以及R、T求解作铺垫。 一、特征点检测 在特征点检测中，我们主要检测其局部特征点，包括斑点和角点两类特征点。斑点是指图像中
点云从入门到精通技术详解100篇-面向三维测量的光栅结构光 图像去噪
getusushu的博客
11-21 575
科学研究表明，人类获取信息最关键、最直观的方式是视觉感知[ 1]，所接受的外部信 息中80%是视觉信息。在文明发展初期，人类在对世界进行探索的过程中，测量工作在于 记录有关各种物体的大小、外观和其它特征信息。在这一阶段，测量技术主要依赖于人的 视觉系统[ 2]，而且具有很大的自主性，但在获取信息的效率和准确性方面受到很大的限制。随着人类光学知识的进步，人类开始使用相机等设备来记录周围环境的信息，从而通过技 术手段获得视觉信息。
OpenCV的三维重建实现方案
程序员，他们想的是什么?他们想的永远都是技术，他们崇尚的也永远都是技术。
01-31 8422
OpenCV的三维重建实现方案摘 要1 引言2 三维重建的基本原理3 基于OpenCV的三维重建4 实验结果5 结束与展望参考文献 摘 要 本文以计算机视觉三维重建技术为研究对象，分析了开放计算机视觉函数库OpenCV中的三维重建模型，通过六个步骤,特别是摄像机标定和立体匹配中极线约束方法的使用，给出了基于OpenCV的三维重建算法。该算法充分发挥了OpenCV的函数库功能，提高了计算的精度效率，具有良好的跨平台移植性，可以满足各种计算机视觉系统的需要。 关键词 计算机视觉；三维重建；OpenCV；摄像机
点云从入门到精通技术详解100篇-基于点云的三维重建与 边缘检测
getusushu的博客
01-23 1086
本章主要介绍计算几何中的一些基本概念，同时介绍维诺图(Voronoi diagram)，Delaunay 三角化的定义以及相关求解算法，最后简单介绍流行网格。凸包作为计算几何中最重要的概念，在实际应用中被广泛使用。凸包的数学 定义为：对于给定一个点集P，点集P中点的个数为L，那么P的凸包定义为这 些点的一个线性组合的区域，并且权值不为负。维诺图的概念最早由德国数学家Dirichlet于1850年提出[ 34]，所以也被称为 Dirichlet图。
点云从入门到精通技术详解100篇-基于三维点云的工件曲面轮廓检测与机器人打磨轨迹规划
getusushu的博客
12-01 1785
器人、人工智能、物联网等新技术的发展，制造业也在不断地转型升级。发展为工业生产中的自动化三维测量提供了有力支撑，将高效率、高精度的三维测。于点云处理算法恢复被测工件的原貌特征，提取出待打磨加工的工件轮廓点信息，压缩简化、配准拼接、曲面重建等算法处理，恢复被测工件的原始三维特征，并提。三坐标测量仪凭借其高精度的测量特征，被广泛应用于复杂曲面的测量任务中，然。而其也有造价高、测量效率低下的特点，使得在进行较大尺寸的工件测量中，只能。与激光器的相对距离的方式，搭建出了基于发散多线结构光投影的三维测量系统，
点云从入门到精通技术详解100篇-基于三维点云的飞机蒙皮表面缺陷检测与表征
getusushu的博客
09-05 1105
要求，但也存在劳动强度高的问题，随着时间的推移，识别效果不理想，在大尺寸物体中，料、对象的缺陷检测，对于本文的蒙皮缺陷检测问题的适用性较弱，且由于飞机尺寸较大，并基于此研究改进的局部对比度显著性检测算法，进而获得图像缺陷的边缘，分割出缺陷。需要确定损伤类型，并收集受损区域的数据，主要包括：第一，损伤的几何性质，即损伤。因此，智能化检测方式应用在飞。要方式，其中所包含的视觉信息类似于人眼视觉所能获得的信息，由于这种相似性，可使。图像传感器的快速发展，对二维缺陷的检测问题取得了丰硕的研究成果，但同时由于图像。
假装情侣匿名聊天室：体验即刻式浪漫
08-05
资源下载链接为： https://pan.quark.cn/s/abbae039bf2a 用户端：无需注册，用户进入后随机匹配异性进入聊天室。系统会随机分配房间、情侣头像及聊天话题，用户可发送自定义图片，还能通过输入法键盘输入并发送 emoji。当聊天室倒计时快结束时，用户可选择延长房间时间。聊天内容会经过过滤处理。 后台管理端：登录后台管理地址，账号为 admin，密码为 admin。后台可实时监控聊天情况，上传情侣头像和创建聊天话题，查看各房间的聊天记录。 安装步骤：将 anonymous_chat.sql 文件导入到 mysql 数据库中。修改 Application/chat/config.php 文件。 运行方式： Windows 服务器：只需双击 .bat 文件即可启动。 Linux 服务器：进入项目根目录，在终端输入命令以 debug（调试）方式启动，命令为 php start.php s。 注意事项：服务端可放置在服务器的任意位置，只要能成功运行即可。该系统同时支持 Windows 服务器和 Linux 服务器，但两者的运行方法有所不同。
装修公司网络营销推广方案.pdf
最新发布
08-06
装修公司网络营销推广方案.pdf
夏色四叶草安卓版.apk
08-05
夏色四叶草安卓版.apk
软件工程9大核心开发模型对比与应用指南：全面解析软件工程中各开发模型的特点与选型策略
08-05
内容概要：本文档详细解析了软件开发中的9大核心模型，包括瀑布模型、V模型、迭代模型、增量模型、螺旋模型、敏捷模型、快速原型模型、喷泉模型和演进型原型模型。通过对每个模型的核心特点、优点、缺点及适用场景的分析，结合对比表格、案例详解和决策树，为开发者提供了完整的选型指南。文中还列举了多个典型行业应用案例，如金融核心系统的瀑布+V模型、游戏开发的喷泉+敏捷模型以及智能硬件的演进型原型模型，展示了不同模型在实际项目中的应用效果。最后总结指出，传统模型适用于高可靠领域，而敏捷与原型模型则更适合互联网快速试错的环境，混合模型如“瀑布+敏捷”的应用趋势逐渐显现。 适合人群：具备一定软件工程基础知识的开发人员、项目经理及软件工程师，尤其是有1-3年工作经验的技术人员。 使用场景及目标：①帮助开发者理解不同开发模型的特点与差异；②为项目选型提供参考依据，确保选择最适合项目的开发模型；③通过案例分析提升实际应用能力，提高项目成功率。 其他说明：本文不仅介绍了各个模型的理论知识，还结合实际案例进行详细剖析，建议读者结合自身项目需求进行深入研究，并在实践中不断探索和优化，以找到最适合自己项目的开发模型。
词袋模型算法库，用于识别相似图像
08-05
资源下载链接为： https://pan.quark.cn/s/64d9b3521fcd 词袋模型算法库，用于识别相似图像（最新、最全版本！打开链接下载即可用！）
人脸识别CNN模型 matlab源码
08-05
人脸识别技术是一种通过分析和比较人脸图像特征来识别或验证个体身份的计算机视觉方法，其中基于卷积神经网络（CNN）的实现尤为关键。CNN是一种深度学习模型，适用于处理图像等二维结构数据，由卷积层、池化层、全连接层等组成，能够自动学习图像的局部特征并进行层次化抽象。常见的人脸识别CNN模型包括VGGFace、FaceNet、OpenFace等，通常包含预处理步骤和多层卷积及全连接层，最终通过分类器完成识别。MATLAB提供了深度学习工具箱，支持创建、训练和评估CNN模型，通过`convnet`、`trainNetwork`、`classify`等函数实现模型构建、数据预处理、训练和测试。人脸识别技术已广泛应用于安全系统、社交媒体和监控执法等领域。资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
中国地级市CO2排放数据（2000至2023年）
08-05
碳排放数据是衡量地方经济发展与环境可持续性的重要指标，通常包括二氧化碳排放量，来源涵盖能源消耗及工业、交通、建筑等领域。中国地域广阔、经济发展不均，各地碳排放水平差异较大。本次分享的数据为根据EDGAR资源提取的中国地级市CO2排放数据，时间范围为2000-2023年。数据名称：中国地级市CO2排放数据；数据年份：2000-2023年；数据范围：300个地级以上城市；样本数量：7200条；数据来源：EDGAR_2024_GHG；数据说明：根据EDGAR提取的城市碳排放数据。数据指标包括：年份、省份、城市、城市代码、所属地域、胡焕庸线、CO2排放总量。资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
eNSP Pro 数通模拟器软件压缩包
08-05
资源下载链接为： https://pan.quark.cn/s/1bfadf00ae14 eNSP Pro 数通模拟器软件压缩包
Ashley0324_Python--Crash-Course_36224_1754231765901.zip
08-05
Ashley0324_Python--Crash-Course_36224_1754231765901.zip
基于 Spring Boot+Ruoyi 的 YOLOv5 农作物病虫害识别系统
08-05
资源下载链接为： https://pan.quark.cn/s/965492c072d7 基于 Spring Boot+Ruoyi 的 YOLOv5 农作物病虫害识别系统（最新、最全版本！打开链接下载即可用！）
Jmeter实现Socket通信测试的插件
08-05
资源下载链接为： https://pan.quark.cn/s/9e7ef05254f8 要使用Jmeter测试Socket，可以先下载对应的插件包，接着将该插件包放置于Jmeter的lib/ext目录中。完成这一步骤后，便能在Jmeter的sampler中新增socket sampler来开展相关测试工作。
评判点云滤波效果
06-14
<think>我们讨论点云滤波效果的评估方法和指标。点云滤波的目标通常是去除噪声、简化数据或增强特征，因此评估应围绕这些目标展开。以下是常用的评估方法：###1.**定性评估（可视化检查）**-**方法**：通过可视化工具（如CloudCompare,MeshLab）对比滤波前后的点云-**评估内容**：-噪声点是否被有效去除-几何特征（如边缘、角点）是否保持-表面平滑度是否改善-是否存在过平滑或特征丢失现象-**优点**：直观快速-**缺点**：主观性强，无法量化比较###2.**定量评估（指标计算）**####2.1基于参考点云的指标（需有干净点云作基准）-**点到点距离（Point-to-PointDistance）**计算滤波后点云$P_f$与参考点云$P_r$的对应点距离：$$D_{\text{ptp}}=\frac{1}{|P_f|}\sum_{p_f\inP_f}\min_{p_r\inP_r}\|p_f-p_r\|$$越小越好，反映整体偏差[^1]-**点到面距离（Point-to-PlaneDistance）**考虑局部几何特征，计算滤波后点到参考点云局部切平面的距离：$$D_{\text{ptpl}}=\frac{1}{|P_f|}\sum_{p_f\inP_f}|\mathbf{n}_r^T(p_f-p_r^*)|$$其中$p_r^*$是$p_f$在$P_r$中的最近点，$\mathbf{n}_r$是其法向量。该指标对表面平滑度更敏感[^2]-**Hausdorff距离（HausdorffDistance）**衡量两组点云的最大偏差：$$D_H=\max\left(\sup_{p_f\inP_f}\inf_{p_r\inP_r}\|p_f-p_r\|,\sup_{p_r\inP_r}\inf_{p_f\inP_f}\|p_f-p_r\|\right)$$反映最差情况下的滤波误差####2.2无参考点云的指标（仅依赖滤波后点云）-**局部密度方差（LocalDensityVariance）**计算每个点邻域内点数的标准差：$$\sigma_d=\sqrt{\frac{1}{N}\sum_{i=1}^N(d_i-\mu_d)^2}$$其中$d_i$为点$i$半径$r$邻域内的点数。值越小表明点分布越均匀-**法线一致性（NormalConsistency）**评估表面平滑度，计算邻域内法线夹角余弦的均值：$$C_n=\frac{1}{N}\sum_{i=1}^N\frac{1}{k}\sum_{j\in\mathcal{N}(i)}\mathbf{n}_i\cdot\mathbf{n}_j$$值越接近1表明表面越平滑-**曲率变化（CurvatureVariation）**使用主成分分析（PCA）估算点$p_i$的曲率：$$\lambda_i=\frac{\lambda_0}{\lambda_0+\lambda_1+\lambda_2}$$其中$\lambda_0\leq\lambda_1\leq\lambda_2$是邻域协方差矩阵的特征值。曲率方差$\sigma_\lambda$越小，表明特征保持越好###3.**任务驱动评估**当点云用于特定下游任务时，可直接评估任务性能：-**分类/分割准确率**：滤波后点云输入分类/分割模型的mIoU、Accuracy等指标变化-**配准误差**：滤波后点云与目标点云的配准RMSE-**重建质量**：由滤波点云重建的网格与参考网格的Chamfer距离###4.**效率指标**-**运行时间**：滤波算法耗时-**内存占用**：峰值内存消耗-**简化率**（若为降采样滤波）：$R_s=1-\frac{|P_f|}{|P_0|}$###综合评估建议|场景|推荐指标||-----------------------|---------------------------------------||去噪任务（有参考）|点到面距离+Hausdorff距离||去噪任务（无参考）|局部密度方差+法线一致性||特征保持滤波|曲率变化+法线一致性||实时应用|运行时间+内存占用+定性检查||下游任务预处理|任务性能指标+简化率|>**注意**：评估时需考虑点云特性（有序/无序、密度分布等）。例如：>-有序点云（如RGB-D数据）可使用图像质量指标（PSNR、SSIM）的3D扩展>-高动态密度点云需分区计算指标以避免偏差###示例评估流程1.对含噪声点云$P_{\text{noisy}}$进行滤波得到$P_{\text{filtered}}$2.若有参考点云$P_{\text{ref}}$：-计算$D_{\text{ptpl}}$和$D_H$-在CloudCompare中可视化距离误差热力图3.若无参考点云：-计算$P_{\text{filtered}}$的$\sigma_d$和$C_n$-检查特征区域（如边缘）的法线方向突变4.记录算法运行时间和内存占用5.若用于目标检测，统计滤波前后的AP（AveragePrecision）变化###工具支持-**CloudCompare**：开源点云处理软件，提供距离计算、法线估计、统计分析-**PCL（PointCloudLibrary）**：提供`pcl::registration`和`pcl::quality`模块的评估函数-**MATLAB**：3D点云处理工具箱的`pcquality`函数---**参考文献**[^1]:点云目标检测-综述2019.04[^2]:点云从入门到精通技术详解100篇-点云质量评估（续）</think>### 点云滤波效果评估方法与指标 点云滤波效果的评估需要结合**定量指标**和**定性分析**，以下是主要评估方法体系： --- #### 一、定量评估指标 1. **基于参考点云的指标（需基准数据）**： - **点到点距离（Point-to-Point Distance）** 滤波后点云$P_f$与参考点云$P_r$的均方根误差： $$ RMSE = \sqrt{\frac{1}{N}\sum_{i=1}^{N} \| p_f^{(i)} - p_r^{(i)} \|^2} $$ 值越小表示几何保真度越高[^2] - **点到面距离（Point-to-Plane Distance）** 考虑局部几何特征： $$ D_{ptpl} = \frac{1}{N} \sum_{i=1}^{N} | \mathbf{n}_i \cdot (p_f^{(i)} - p_r^{(i)}) | $$ 其中$\mathbf{n}_i$是参考点云的法向量，对表面平滑度更敏感 - **Hausdorff距离** 衡量最大局部偏差： $$ D_H = \max \left( \sup_{p_f \in P_f} \inf_{p_r \in P_r} d(p_f, p_r), \sup_{p_r \in P_r} \inf_{p_f \in P_f} d(p_f, p_r) \right) $$ 2. **无参考点云的指标**： - **局部密度方差（Density Variance）** 计算半径$r$邻域内点数的标准差： $$ \sigma_d = \sqrt{\frac{1}{N} \sum (\rho_i - \bar{\rho})^2} $$ 值越小表明去噪越均匀 - **法线一致性（Normal Consistency）** 评估表面平滑度： $$ C_n = \frac{1}{N} \sum_{i=1}^{N} \frac{1}{k} \sum_{j \in \mathcal{N}(i)} | \mathbf{n}_i \cdot \mathbf{n}_j | $$ 值越接近1表示特征保持越好 - **曲率变化率（Curvature Variation）** 使用PCA估算局部曲率$\lambda_i = \lambda_0/(\lambda_0+\lambda_1+\lambda_2)$后计算： $$ \sigma_\lambda = \sqrt{\frac{1}{N} \sum (\lambda_i - \bar{\lambda})^2} $$ --- #### 二、定性评估方法 1. **可视化分析**： - 使用CloudCompare/MeshLab等工具对比滤波前后效果 - 重点关注： - 特征边缘是否清晰（如建筑物棱角） - 噪声点去除程度 - 是否存在过平滑导致的细节丢失 - 孔洞填充效果（如上采样滤波） 2. **特征保持度验证**： - 人工检查关键特征区域（如机械零件的螺纹结构） - 通过剖面线比较几何轮廓精度 --- #### 三、任务导向评估 当下游任务明确时，可直接评估滤波对任务性能的影响： 1. **目标检测任务**： - 计算滤波前后的AP(Average Precision)变化 - 统计漏检率(False Negative Rate)降低幅度[^1] 2. **点云配准任务**： - 比较ICP配准的RMSE误差： $$ E_{reg} = \frac{1}{M} \sum \| T(P_f) - P_{target} \| $$ 3. **三维重建任务**： - 评估重建网格的Hausdorff距离 - 检查三角化后的孔洞数量 --- #### 四、效率评估指标 1. **计算复杂度**： - 时间复杂度：$O(n^2)$（暴力搜索） vs $O(n\log n)$（KD树加速） - 空间复杂度：内存占用峰值 2. **实时性指标**： - 单帧处理时间（ms） - 吞吐率（points/sec） --- ### 评估流程建议 ```mermaid graph TD A[输入含噪点云] --> B{是否有基准数据？} B -->|是| C[计算RMSE/点面距离] B -->|否| D[计算局部密度/法线一致性] C --> E[可视化误差热力图] D --> F[检查特征区域剖面] E & F --> G[记录指标数值] G --> H{是否满足下游任务？} H -->|是| I[评估任务性能] H -->|否| J[调整滤波参数] ``` > **典型应用场景**： > - 自动驾驶：优先关注目标漏检率[^1]和实时性 > - 文物数字化：侧重几何精度和特征保持度 > - 工业检测：平衡噪声抑制与边缘清晰度 --- ### 工具推荐 1. **CloudCompare**：开源点云处理软件，提供距离计算、法线估计等工具 2. **PCL (Point Cloud Library)**：`pcl::registration`模块包含多种评估指标 3. **MATLAB**：3D点云处理工具箱的`pcquality`函数
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

格图素书

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值