人工智能 — 点云模型

一、点云模型

1、三维图像

三维图像是一种特殊的信息表达形式，其特征是表达的空间中三个维度的数据。

和二维图像相比，三维图像借助第三个维度的信息，可以实现天然的物体和背景解耦。

对于视觉测量来说，物体的二维信息往往随射影方式而变化，但其三维特征对不同测量方式具有更好的统一性。

与相片不同，三维图像是对一类信息的统称，信息还需要有具体的表现形式，其表现形式包括：深度图（以灰度表达物体与相机的距离），几何模型（由 CAD 软件建立），点云模型（所有逆向工程设备都将物体采样成点云）。

2、点云

1、概念

点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。

扫描资料以点的形式记录，每一个点包含有三维坐标，有些可能含有颜色信息（RGB）或反射强度信息（Intensity）。

点云数据是最为常见也是最基础的三维模型。

2、内容

根据激光测量原理得到的点云：

包括三维坐标（XYZ）和激光反射强度（Intensity），强度信息与目标的表面材质、粗糙度、入射角方向，以及仪器的发射能量，激光波长有关。

根据摄影测量原理得到的点云：

包括三维坐标（XYZ）和颜色信息（RGB）。

结合激光测量和摄影测量原理得到点云：

包括三维坐标（XYZ）、激光反射强度（Intensity）和颜色信息（RGB）。

3、点云处理的三个层次

1、低层次处理方法

滤波方法：

双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致性滤波。

关键点：

ISS3D、Harris3D、NARF、SIFT3D。

2、中层次处理方法

特征描述：

法线和曲率的计算、特征值分析、SHOT、PFH、FPFH、3D Shape Context、Spin Image。

分割：

区域生长、Ransac 线面提取、全局优化平面提取、K-Means、Normalize Cut（Context based）、3D Hough Transform(线、面提取)、连通分析。

分类：

基于点的分类，基于分割的分类，基于深度学习的分类（PointNet，OctNet）。

3、高层次处理方法

配准：

点云配准分为粗配准（Coarse Registration）和精配准（Fine Regis