CloudCompare——CANUPO点云分类

这篇具有很好参考价值的文章主要介绍了CloudCompare——CANUPO点云分类。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1.CANUPO点云分类

  CANUPO插件是一种自动分类点云的简单而有效的方法。它允许用户创建自己的分类器(通过在小样本上训练它们)和/或在点云上一次应用一个分类器,以便将其分成两个子集。它还为每个点输出分类置信度值,以便用户可以快速识别有问题的案例(问题一般出现在边界上)。
CloudCompare——CANUPO点云分类,CloudCompare,分类,c++,算法,计算机视觉,3d,聚类
分类结果示例如下图所示:
CloudCompare——CANUPO点云分类,CloudCompare,分类,c++,算法,计算机视觉,3d,聚类

2.获取工作分类器

使用现有的“.prm”文件
  分类器存储在独立的“.prm”文件中。它们可以应用于任何与分类器单位一致的点云数据处理中。例如:如果分类器已经训练过定期采样在0.05~0.3 m之间的比例,那么用于分类的点云也必须是以“米”为单位。
  所以任何人都可以与他人分享分类器。共享分类器可以通过以下途径获得:

  • 可能适合您需求的现有分类器的作者网页(上面的链接- 请参阅“样本数据,分类器和批处理文件”部分)
  • CloudCompare论坛上的专用线程:http://www.cloudcompare.org/forum/viewtopic.php?t=808

3.训练自己的分类器

准备数据
  获取一个可以正常使用的分类器也是很容易的。首先,手动分割代表每个类的一些点组(使用CloudCompare的剪刀工具)。对于每个类,应该采用几个典型的点子集,并将它们重新组合在一个云中(使用CloudCompare的Edit> Merge方法)。然后,尝试对每个分类可能遇到的各种案例进行详尽的抽样,还要确保所有子集的点数大致相同(或者至少相对数量代表它们在数据中的出现次数)。
CloudCompare——CANUPO点云分类,CloudCompare,分类,c++,算法,计算机视觉,3d,聚类

提示:确保两者都具有唯一且清晰的名称,以便在其余过程中区分它们(使用F2可以直接对选定分类进行重命名)。

训练分类器
  手动分类完毕即可使用'Plugins> qCANUPO > Train classifier'功能对数据进行训练。
CloudCompare——CANUPO点云分类,CloudCompare,分类,c++,算法,计算机视觉,3d,聚类

主要参数及功能如下所示:
CloudCompare——CANUPO点云分类,CloudCompare,分类,c++,算法,计算机视觉,3d,聚类
  在class#1class#2组合框中选择正确的点云。然后输入希望用于多尺度描述符的比例范围(有关如何选择正确值的更多信息,参阅canupo原教程和文章)。

  • ramp方法:缩放值将在间隔内均匀采样
  • list方法:自定义缩放列表方法,自定义参数由空格字符分隔,例如:“0.05 0.1 0.2 0.5 1.0”。

注意:设置的比例越多,结果可能越具有辨别力,但计算时间也越长(特别是最大比例相对于点云密度较大时)。

  还可以选择在对话框的下半部分设置更高级的参数:

  • Use original cloud for descriptors:计算的描述符的类型(目前只有“Dimensionality”是可用的,该类型由Brodu和Lague在CANUPO的原始论文中提出)
  • Show classifier behavior on:从输入点云中随机提取的核心点的最大数量(在大多数情况下,10000或20000个就绰绰有余)
  • 可以指定使用原始点云(不是分段的云)来计算描述符(根据其大小,计算时间会更长一些,但可以在边界上提供更好的结果)
  • 最终可以指定另一个用于显示分类器行为的点云(见下文)

  完成以上准备工作之后,即可单击“确定”按钮开始培训。插件将开始计算每个点云上的描述符,然后尝试在自定义2D空间中找到最佳分类边界。
  分类器行为通过将分类空间中的所有描述符投影到其间(作为品红色线)来表示。如果已设置自定义云以显示分类器行为,则其所有描述符将以灰色表示。否则,对应于第一类的描述符将以蓝色显示,而其他描述符将以红色显示。
CloudCompare——CANUPO点云分类,CloudCompare,分类,c++,算法,计算机视觉,3d,聚类
上述界面中可以进行以下操作:

  • 可以减少用于训练分类器的比例数(默认情况下,首先删除最大比例)。这使您可以调整分类器,以便尽可能使用较小的比例(具有最小的比例半径,以便最小化描述符的计算时间),同时保持足够的区分行为。
  • 也可以编辑边界位置。可以移动边界线的顶点(右键单击+按住按钮);可以添加新的顶点(通过单击任意位置- 在这种情况下,顶点将被添加到最近的线的末端- 或者通过在线上精确点击- 在这种情况下,将在鼠标光标附近的线上创建新的顶点);顶点可以被删除(左键单击- 只有在线条有多于2个顶点时才考虑)。通过单击“重置边界”按钮,可以随时将边界重置为其原始状态。

准备好后,将分类器保存在.prm文件中。该文件将用作“Classify”方法的输入(见下文)。

4.在点云上应用分类器

  一旦有了有效的分类器文件(见上文),就可以在任何点云上应用它(点云的单位需要与分类器一致- 见上文)。
选择要分类的点云,并调用插件的“分类”方法((‘Plugins > qCANUPO > Classify’)。
CloudCompare——CANUPO点云分类,CloudCompare,分类,c++,算法,计算机视觉,3d,聚类
CloudCompare——CANUPO点云分类,CloudCompare,分类,c++,算法,计算机视觉,3d,聚类
  首先加载分类器文件(文件字段旁边有“…”按钮)。

CloudCompare——CANUPO点云分类,CloudCompare,分类,c++,算法,计算机视觉,3d,聚类

  然后选择应该进行计算的“核心点”:对于这样的过程使用云的所有点并不总是必要的(此外它可能很长)。因此,特别是对于第一次尝试,您可以通过对原始云进行二次采样或通过提供自己的核心点(例如输入点云的栅格化版本)来使用更少的点。可以直接打开由Nicolas Brodu开发的原始CANUPO插件生成的“.msc”文件。最终,无论对核心点做出何种选择,所有点都将被分类。给定核心点的分类结果传播到其最近的邻居。因此,使用核心点而不是整个云可能只是在边界上不太准确。
CloudCompare——CANUPO点云分类,CloudCompare,分类,c++,算法,计算机视觉,3d,聚类

注意:插件最终在输入点云上生成一个额外的标量字段,其分类为“confidence”。

5.根据分类标签提取点云

  1.首先激活CANUPO分类字段
CloudCompare——CANUPO点云分类,CloudCompare,分类,c++,算法,计算机视觉,3d,聚类
  2.然后使用Filter By Value功能提取对应分类标签的点云
CloudCompare——CANUPO点云分类,CloudCompare,分类,c++,算法,计算机视觉,3d,聚类

  3.色带条上显示的标签字段是小数的形式
CloudCompare——CANUPO点云分类,CloudCompare,分类,c++,算法,计算机视觉,3d,聚类
  4.但实际保存在点云中的字段是浮点类型的整数
CloudCompare——CANUPO点云分类,CloudCompare,分类,c++,算法,计算机视觉,3d,聚类
  5.因此,在使用Filter By Value功能时,输入标签范围的都输入待提取标签的整数部分即可,如下图所示,提取标签为6的分类块。
CloudCompare——CANUPO点云分类,CloudCompare,分类,c++,算法,计算机视觉,3d,聚类

  6.提取分类结果
CloudCompare——CANUPO点云分类,CloudCompare,分类,c++,算法,计算机视觉,3d,聚类

6.相关链接

[1] C A N U P O
[2] CloudCompare forum
[3] OrangeMo0n/canupo文章来源地址https://www.toymoban.com/news/detail-526928.html

到了这里,关于CloudCompare——CANUPO点云分类的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 计算机视觉——飞桨深度学习实战-图像分类算法原理与实战

    图像分类是深度学习在视觉领域第一个取得突破性成果的任务。本章首先介绍了图像分类任务的发展历程与评价指标。然后分为三个角度分别介绍了在图像分类领域具有重要地位的三种模型。第一种是基于残差网络的模型,本章重点介绍了ResNet、DenseNet和DPN。第二种是基于T

    2024年02月02日
    浏览(60)
  • 计算机竞赛 基于人工智能的图像分类算法研究与实现 - 深度学习卷积神经网络图像分类

    🔥 优质竞赛项目系列,今天要分享的是 基于人工智能的图像分类技术 该项目较为新颖,适合作为竞赛课题方向,学长非常推荐! 🧿 更多资料, 项目分享: https://gitee.com/dancheng-senior/postgraduate 传统CNN包含卷积层、全连接层等组件,并采用softmax多类别分类器和多类交叉熵损失

    2024年02月11日
    浏览(66)
  • 深度学习卷积神经网络垃圾分类系统 - 深度学习 神经网络 图像识别 垃圾分类 算法 小程序 计算机竞赛

    🔥 优质竞赛项目系列,今天要分享的是 深度学习卷积神经网络垃圾分类系统 该项目较为新颖,适合作为竞赛课题方向,学长非常推荐! 🧿 更多资料, 项目分享: https://gitee.com/dancheng-senior/postgraduate 近年来,随着我国经济的快速发展,国家各项建设都蒸蒸日上,成绩显著。

    2024年02月04日
    浏览(57)
  • 计算机竞赛 深度学习卷积神经网络垃圾分类系统 - 深度学习 神经网络 图像识别 垃圾分类 算法 小程序

    🔥 优质竞赛项目系列,今天要分享的是 深度学习卷积神经网络垃圾分类系统 该项目较为新颖,适合作为竞赛课题方向,学长非常推荐! 🧿 更多资料, 项目分享: https://gitee.com/dancheng-senior/postgraduate 近年来,随着我国经济的快速发展,国家各项建设都蒸蒸日上,成绩显著。

    2024年02月07日
    浏览(59)
  • 学习新技术,争做新青年:请ChatGPT帮我写一篇计算机视觉分类算法论文

    本博文主体内容由ChatGPT对话生成,所给出的知识的准确性有待商榷,聊天方式仅供参考,回答的内容需要辨别哈 所对话ChatGPT为3.5版本 技术是第一生产力,冲哇 这些论文链接大部分都是正确的啊,太酷啦 优质论文写作教程推荐如下: 🍊 论文撰写八大技巧与八大心得,一文

    2024年02月07日
    浏览(48)
  • 计算机视觉 3D点云极简概述

            点云是表示 3D 坐标系中的数字 3D 物理对象或空间的点数据库。它由数百万或者更多个单独的测量点组成,具有 x、y 和 z 坐标。3D点云是物体的高精度数字记录。点云用于生成用于 3D 建模的 3D 网格和其他模型。包括医学成像、3D 打印、制造、建筑、3D 游戏和虚拟

    2024年02月13日
    浏览(48)
  • 计算机视觉基础知识(八)--点云模型

    三维图像 一种特殊的信息表达形式; 特征是表达的空间中有三个维度的数据; 是对一类信息的统称; 信息的表现形式: 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为点云 和二维图像相比; 三维图像借助第三

    2024年01月25日
    浏览(54)
  • 计算机视觉 用于网格/点云等数据可视化的Python库

            很长一段时间,人们主要使用Matplotlib在Python中可视化3D内容。但是它不支持 GPU 硬件加速,所以很多人使用点云库(PCL)作为网格和点云可视化和分析的工具。PCL当然是用于 3D 分析的最佳库之一,而且它是用 C++ 构建的,Python包装器仅包含主PCL库功能的一小部分,

    2024年02月04日
    浏览(51)
  • 【点云处理教程】00计算机视觉的Open3D简介

            Open3D 是一个开源库,使开发人员能够处理 3D 数据。它提供了一组用于 3D 数据处理、可视化和机器学习任务的工具。该库支持各种数据格式,例如 .ply、.obj、.stl 和 .xyz,并允许用户创建自定义数据结构并在程序中访问它们。 Open3D 广泛应用于机器人、增强现实和自

    2024年02月14日
    浏览(48)
  • 计算机视觉:点云的PCD和BIN格式及其转换与可视化

    点云数据通常以不同的格式存储,其中PCD(Point Cloud Data)和BIN(Binary)是两种常见的格式,用于表示三维点云数据。下面是它们的具体介绍: PCD格式是一种常见的开放式点云数据存储格式,最初由ROS(Robot Operating System)中的PCL(Point Cloud Library)项目引入,现在广泛用于点云

    2024年02月03日
    浏览(42)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包