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

  • 每天五分钟计算机视觉:如何构造分类定位任务的算法模型?

    本节课程我们将学习分类定位的问题,也就是说不仅要完成图片分类任务,然后还要完成定位任务。如下所示,我们不仅要用算法判断图片中是不是一辆车,还要在图片中标记出它的位置,用边框对象圈起来,这就是 分类定位问题 。 一般可能会有一张图片对应多个对象,本

    2024年03月14日
    浏览(49)
  • 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(61)
  • 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(55)
  • 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(52)
  • 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(46)
  • 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(46)
  • 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(49)
  • 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(48)
  • 【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(45)
  • 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(37)

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