一种改进的超体素与区域生长点云分割方法

doi:10.13474/j.cnki.11-2246.2022.0368

测绘通报 ›› 2022, Vol. 0 ›› Issue (12): 126-130.doi: 10.13474/j.cnki.11-2246.2022.0368

一种改进的超体素与区域生长点云分割方法

韩英, 郑文武, 赵莎, 唐欲然

衡阳师范学院, 湖南衡阳 421002

收稿日期:2021-11-15 出版日期:2022-12-25 发布日期:2023-01-05
通讯作者: 郑文武。E-mail:zhwenwu@163.com
作者简介:韩英(1997-),女,硕士生,主要研究方向为GIS技术应用。E-mail:1571210525@qq.com
基金资助:
湖南省研究生科研创新项目（CX20190985）；传统村镇文化数字化保护与创意利用技术国家地方联合工程实验室开放基金项目（CTCZ19K02）；湖南省社会科学规划项目（17ZDB052）；湖南省研究生科研创新项目（CX20190981）；湖南省研究生科研创新项目（CX20211255）

An improved method for segmentation of supervoxel and regional growing point clouds

HAN Ying, ZHENG Wenwu, ZHAO Sha, TANG Yuran

Hengyang Normal University, Hengyang 421002, China

Received:2021-11-15 Online:2022-12-25 Published:2023-01-05

摘要/Abstract

摘要： 点云分割作为识别地理场景的空间特征、探索和记录空间信息的关键处理步骤，其分割精度直接影响后续三维场景重建、地物特征提取等应用的效果。针对传统区域生长点云分割算法的不稳定等问题，本文结合超体素和区域生长算法对点云数据进行分割，并利用点云自身的色彩信息进一步改进分割结果。试验结果表明，相较于传统的区域生长和已有的结合超体素与区域生长的分割算法，本文算法对点云数据分割的效果更好，且其精确率与召回率均有提高。

关键词: 超体素, 区域生长, 色彩信息, 点云分割

Abstract: Point cloud segmentation is a key processing step for identifying spatial features of geographic scenes, exploring and recording spatial information, and its segmentation accuracy directly affects the effects of subsequent 3D scene reconstruction and feature extraction. Aiming at the instability of traditional region-growing point cloud segmentation algorithms, this paper combines supervoxels and region-growing algorithms to segment point cloud data, and uses the color information of the point cloud itself to further improve the segmentation results. The experimental results show that compared to the traditional region growing and existing segmentation algorithms, combining supervoxels and region growing algorithm proposed in this paper has better effect on point cloud data segmentation, and its accuracy and recall rates are both improved.

Key words: supervoxel, region growth, color information, point cloud segmentation

中图分类号:

P237

韩英, 郑文武, 赵莎, 唐欲然. 一种改进的超体素与区域生长点云分割方法[J]. 测绘通报, 2022, 0(12): 126-130.

HAN Ying, ZHENG Wenwu, ZHAO Sha, TANG Yuran. An improved method for segmentation of supervoxel and regional growing point clouds[J]. Bulletin of Surveying and Mapping, 2022, 0(12): 126-130.

参考文献

[1] 袁虎强, 孙豪. 点云分割方法性能评价与对比分析[J]. 测绘科学, 2021, 46(9):130-135.
[2] 杨琳, 翟瑞芳, 阳旭, 等. 结合超体素和区域增长的植物器官点云分割[J]. 计算机工程与应用, 2019, 55(16):197-203.
[3] 汪文琪, 李宗春, 付永健, 等. 基于改进多规则区域生长的点云多要素分割[J]. 光学学报, 2021, 41(5):198-212.
[4] 朱依民, 田林亚, 毕继鑫, 等. 基于机载LiDAR数据的建筑物轮廓提取[J]. 测绘通报, 2019(12):65-70.
[5] ZUCKER S W. Region growing:childhood and adolescence[J]. Computer Graphics and Image Processing, 1976, 5(3):382-399.
[6] XIAO Junhao, ZHANG Jianhua, ADLER B, et al. Three-dimensional point cloud plane segmentation in both structured and unstructured environments[J]. Robotics and Autonomous Systems, 2013, 61(12):1641-1652.
[7] 李仁忠, 刘阳阳, 杨曼, 等. 基于改进的区域生长三维点云分割[J]. 激光与光电子学进展, 2018, 55(5):325-331.
[8] 赵传, 郭海涛, 卢俊, 等. 结合区域增长与RANSAC的机载LiDAR点云屋顶面分割[J]. 测绘学报, 2021, 50(5):621-633.
[9] 李枭, 王双亭, 都伟冰, 等.步进式区域生长的城区摄影测量点云分类[J].测绘科学, 2020, 45(1):123-130.
[10] YAN Jixing, SHAN Jie, JIANG Wanshou. A global optimization approach to roof segmentation from airborne lidar point clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 94:183-193.
[11] 李启才, 赵闯姓. 结合超体素和图优化的激光点云树木分割[J]. 测绘科学, 2020, 45(9):117-122.
[12] 吴永兴. 利用超体素的车载激光点云杆状目标的提取[J]. 测绘地理信息, 2021, 46(4):77-81.
[13] 黄亮, 姚丙秀, 陈朋弟, 等. 高分辨率遥感影像超像素的模糊聚类分割法[J]. 测绘学报, 2020, 49(5):589-597.
[14] 薛婧雅, 李礼, 龚烨, 等. 一种基于超体素与区域生长的机载点云屋顶平面分割方法[J]. 测绘地理信息, 2021, 46(S1):232-236.
[15] RUSU R B, COUSINS S. 3D is here:point cloud library (PCL)[C]//Proceedings of 2011 IEEE International Conference on Robotics and Automation. Shanghai:IEEE, 2011:1-4.
[16] 陈西江, 章光, 花向红. 于法向量夹角信息熵的点云简化算法[J]. 中国激光, 2015, 42(8):336-344.
[17] 邹纪伟, 刘德儿, 康翔, 等. 激光点云中典型地物分割方法[J]. 桂林理工大学学报, 2021, 41(3):602-607.
[18] ZHANG Wuming, QI Jianbo, WAN Peng, et al. An easy-to-use airborne LiDAR data filtering method based on cloth simulation[J]. Remote Sensing, 2016, 8(6):501.
[19] 王凯, 鲁铁定, 鲁春阳, 等. 数学形态学与布料模拟滤波算法适用性分析[J]. 江西科学, 2020, 38(6):805-810.
[20] PAPON J, ABRAMOV A, SCHOELER M, et al. Voxel cloud connectivity segmentation-supervoxels for point clouds[C]//Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition. Portland:IEEE, 2013:2027-2034.
[21] 介维, 张京军, 高瑞贞. 基于区域增长方法的点云分割[J]. 山东农业大学学报(自然科学版), 2020, 51(5):899-903.
[22] 姜媛媛. 基于超体素区域增长的点云分割算法研究[D]. 西安:西安电子科技大学, 2017.

一种改进的超体素与区域生长点云分割方法

An improved method for segmentation of supervoxel and regional growing point clouds

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	高洪, 王勇, 唐超, 王晓静. 结合决策树分类和区域生长的轨道扣件检测方法[J]. 测绘通报, 2022, 0(9): 18-22.
[2]	谭玉慧, 刘欣怡, 张永军. 超体素约束下的主动再学习LiDAR点云分类框架[J]. 测绘通报, 2022, 0(5): 79-83,100.
[3]	张驰, 白志辉, 李亮, 陈冉丽, 吴侃. 利用三维激光扫描技术监测矿区桥梁结构形变[J]. 测绘通报, 2022, 0(4): 122-129.
[4]	普东东, 丁海勇. 融合超体素与成对链接聚类的LiDAR点云分割算法[J]. 测绘通报, 2022, 0(3): 65-69.
[5]	李少先. 利用双向布料模拟的机载建筑物点云提取[J]. 测绘通报, 2022, 0(3): 148-151.
[6]	毕继鑫, 刘强, 吴文超, 占晓明. 利用无人船测量系统检测钱塘江护岸工程水下块石[J]. 测绘通报, 2022, 0(10): 118-123.
[7]	侯海倩, 唐超, 赵丽凤, 张昊. 轨道扣件病害自动化检测研究及应用[J]. 测绘通报, 2021, 0(8): 88-92.
[8]	刘思言, 李玲, 特日根, 李竺强, 马经宇, 朱瑞飞. 基于直方图区域生长的遥感图像阈值分割算法[J]. 测绘通报, 2021, 0(2): 25-29.
[9]	欧阳犬平, 周立, 王圣, 宋士林, 芦斌, 冯俊俊. 基于霍夫直线检测和区域生长的合成孔径声呐图像线目标提取[J]. 测绘通报, 2021, 0(11): 48-53.
[10]	张锦, 赖祖龙, 孙杰. Otsu法、区域生长法及形态学相结合的遥感图像海岸线提取[J]. 测绘通报, 2020, 0(10): 89-92.
[11]	贺亦峰, 胡荣, 邹进贵. 利用三维激光扫描数据进行建筑物立面点云分割算法分析[J]. 测绘通报, 2019, 0(4): 26-31.
[12]	朱依民, 田林亚, 毕继鑫, 林松. 基于机载LiDAR数据的建筑物轮廓提取[J]. 测绘通报, 2019, 0(12): 65-70.
[13]	喻龙华, 王雷光, 吴楠, 廖声熙, 张怀清. 复杂地形DSM的地面点识别及DEM提取[J]. 测绘通报, 2018, 0(5): 59-64.
[14]	江珊, 吕京国, 李现虎. 改进蚁群算法的三维激光点云聚类方法[J]. 测绘通报, 2018, 0(3): 38-42.
[15]	安瑶军, 陈晓轩, 隋立春, 周荣荣. 一种依据点云法向量相似度的结构化道路提取方法[J]. 测绘通报, 2018, 0(11): 69-72.