点云模型骨架提取(ROSA)-liyc
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1)模型去噪 : 去除点云中的噪声点和离群点 , 防止对后续的骨
架提取造成干扰 .
2)模型精简 : 去除点云中的冗余数据 , 提高骨架提取速度 .
3)骨架提取 : 对于去除噪声和冗余的点云模型 , 利用点云的离 散信息提取出模型的一维线骨架 .
9
点云模型的预处理
1) 点云模型去噪
构造类似于均值漂移方法的光顺迭代算子 [ Ohtake2005] 对点云 模型进行光顺去噪 .
1) 点云模型分割
基于K均值模糊聚类对点云模型进行分割[Ma 2007] , 防止模型多 分枝间的相互干扰 .
点云分割结果.
15
点云模型骨架提取
1) 点云模型分割
1. 本文采用测地距离作为聚类的相似性度量[Joshua B T 2000].
2.确定初始聚类中心[Zhou Y N 2004], 并进行优化[Xie X L 1996] .
多种姿态的Armadillo模型骨架提取结果
24
内容总结
本文的点云骨架提取方法旨在从算法的鲁棒性角度入手 , 较为复杂的 , 含有噪 声和数据缺失的点云模型提取较为完整的曲线骨架 . 针对该问题，本文所做 的主要工作如下 :
1) 点云模型预处理
基于文献 Garland 2007本文提出一种基于二次误差度量的自适应点云简化方法 , 在较好保持模型几何特征的前提下，有效消除原始点云中的冗余点 .
文献[12]
0.005009 0.000011
文献[13]
0.005495 0.000030
本文
0.000252 0.000010
文献[12]
0.007660 0.000017
文献[13]
0.009081 0.000054
表2 本文算法与相关算法的简化误差对比
13
点云模型骨架提取
骨架提取流程
14
点云模型骨架提取
模型去噪
含有噪声模型
去噪后模型
10
点云模型的预处理
2) 点云模型精简
提出一种基于二次误差度量[Garland1997]的自适应点云简化方法. 1. 基于曲率信息提取特征点[Song H. 2009]，防止几何特征的丢失. 2. 通过构造曲率自适应覆盖球[ Ohtake2005] ，对非特征点进行简化.
Dennie Reniers et al, IEEE SMA 2007 5
选题理由
3) 现有点云模型骨架提取算法不多 , 同时对输入模型的孔 洞和噪声较为敏感 .
含有噪声的模型
不完整点云的骨架提取（Zhang Hao et al. siggraph 2009）
含有孔洞的模型
6
研究现状
Dey et al. ESGP 2006.
Andrea Tagliasacchi et al. Siggraph 2008.
Junjie Cao et al. IEEE SMA 2010 . Yotam Livny et al. SIGGRAPH ASIA 2010
7
答辩内容纲要
研究背景 核心工作 实验结果
内容总结
8
核心工作
3. 基于K均值模糊聚类对点云模型进行有意义的分割[Ma 2007] .
点云模型骨架提取
2) 粗骨架提取
将骨架看做点云模型的广义旋转对称轴[Andrea2009], 提取各分支 的粗骨架.
左, 为骨架点位置定义. 右, 为骨架点方向定义
17
点云模型骨架提取
2) 粗骨架提取
将骨架看做点云模型的广义旋转对称轴[Andrea2009], 提取各分支 的粗骨架.
1
内容纲要
研究背景 核心工作 实验结果
内容总结
2
研究目标
本选题研究点云模型的骨架提取算法 , 希望对含冗余、噪声及 数据缺失的原始点云模型提取较为完整的模型骨架 .
骨架提取
3
选题理由
1) 随着点云数据获取技术的飞速发展 , 点云成为计算机
图形学、计算机视觉等学科的研究热点 .
Stanford Digital Michelangelo Project
Microsoft Kinect (Real time Point Cloud)
4
选题理由
2) 模型骨架广泛应用于形状分解、模型匹配、模型动画，数 字导航及医学图像等领域 .
H. Sundar et al 2003
Yotam Livny et al, SIGGRAPH ASIA 2010
Q. Zheng et al, EG 2010.
点云精简算法流程
11
点云模型的预处理
2) 点云精简性能分析
左: 同一简化率(90%)不同输入模型的时间效率
右: 同一输入模型(Igea)不同简化率的时间效率
12
点云模型的预处理
2) 点云精简性能分析
模型 输入点数 输出点数 本文 4562 9199 文献[12] 4402 9144 文献[13] 4549 9384 本文 2.6 10.4 简化时间 文献[12] 0.56 4.05 文献[13] 0.78 8.92
Bunny 35947 Igea 134345
表1 本文算法与相关算法简化性能的对比
最大误差 模型
平均误差
均方根误差
本文
Bunny Igea 0.003763 0.000124
文献[12]
0.086169 0.000224
文献[13]
0.112649 0.000721
本文
0.000176 0.000013
2) 点云模型骨架提取
基于文献 Andrea 2008本文提出一种基于模型分割的点云骨架提取方法 , 对含 有冗余、噪声和数据缺失的模型具有较高的鲁棒性 .
25
26
人有了知识，就会具备各种分析能力， 明辨是非的能力。 所以我们要勤恳读书，广泛阅读， 古人说“书中自有黄金屋。 ”通过阅读科技书籍，我们能丰富知识， 培养逻辑思维能力； 通过阅读文学作品，我们能提高文学鉴赏水平， 培养文学情趣； 通过阅读报刊，我们能增长见识，扩大自己的知识面。 有许多书籍还能培养我们的道德情操， 给我们巨大的精神力量， 鼓舞我们前进。
利用法向信息对缺失点云进行弥补，从而保证骨架点的有效性.
18
点云模型骨架提取
2) 粗骨架提取
将骨架看做点云模型的广义旋转对称轴[Andrea2009], 提取各分支
的粗骨架.
输入点云
分割结果
粗骨架提取
19
点云模型骨架提取
2) 粗骨架连接
采用拉普拉斯光顺处理, 使各分支粗骨架连接成整体.
分割结果
粗骨架提取
粗骨架连接
20
点云模型骨架提取
2) 粗骨架细化
构造滤波器[Peter J 1986], 对提取的粗骨架进行细化.
粗骨架提取
粗骨架连接
滤波细化
二次中心化
下采样
21
实验结果 ( 点云模型骨架提取结果 )
完整点云
缺失点云
22
实验结果 ( 点云模型骨架提取结果 )
完整点云
缺失点云
23
实验结果 ( 点云模型骨架提取结果ቤተ መጻሕፍቲ ባይዱ)
架提取造成干扰 .
2)模型精简 : 去除点云中的冗余数据 , 提高骨架提取速度 .
3)骨架提取 : 对于去除噪声和冗余的点云模型 , 利用点云的离 散信息提取出模型的一维线骨架 .
9
点云模型的预处理
1) 点云模型去噪
构造类似于均值漂移方法的光顺迭代算子 [ Ohtake2005] 对点云 模型进行光顺去噪 .
1) 点云模型分割
基于K均值模糊聚类对点云模型进行分割[Ma 2007] , 防止模型多 分枝间的相互干扰 .
点云分割结果.
15
点云模型骨架提取
1) 点云模型分割
1. 本文采用测地距离作为聚类的相似性度量[Joshua B T 2000].
2.确定初始聚类中心[Zhou Y N 2004], 并进行优化[Xie X L 1996] .
多种姿态的Armadillo模型骨架提取结果
24
内容总结
本文的点云骨架提取方法旨在从算法的鲁棒性角度入手 , 较为复杂的 , 含有噪 声和数据缺失的点云模型提取较为完整的曲线骨架 . 针对该问题，本文所做 的主要工作如下 :
1) 点云模型预处理
基于文献 Garland 2007本文提出一种基于二次误差度量的自适应点云简化方法 , 在较好保持模型几何特征的前提下，有效消除原始点云中的冗余点 .
文献[12]
0.005009 0.000011
文献[13]
0.005495 0.000030
本文
0.000252 0.000010
文献[12]
0.007660 0.000017
文献[13]
0.009081 0.000054
表2 本文算法与相关算法的简化误差对比
13
点云模型骨架提取
骨架提取流程
14
点云模型骨架提取
模型去噪
含有噪声模型
去噪后模型
10
点云模型的预处理
2) 点云模型精简
提出一种基于二次误差度量[Garland1997]的自适应点云简化方法. 1. 基于曲率信息提取特征点[Song H. 2009]，防止几何特征的丢失. 2. 通过构造曲率自适应覆盖球[ Ohtake2005] ，对非特征点进行简化.
Dennie Reniers et al, IEEE SMA 2007 5
选题理由
3) 现有点云模型骨架提取算法不多 , 同时对输入模型的孔 洞和噪声较为敏感 .
含有噪声的模型
不完整点云的骨架提取（Zhang Hao et al. siggraph 2009）
含有孔洞的模型
6
研究现状
Dey et al. ESGP 2006.
Andrea Tagliasacchi et al. Siggraph 2008.
Junjie Cao et al. IEEE SMA 2010 . Yotam Livny et al. SIGGRAPH ASIA 2010
7
答辩内容纲要
研究背景 核心工作 实验结果
内容总结
8
核心工作
3. 基于K均值模糊聚类对点云模型进行有意义的分割[Ma 2007] .
点云模型骨架提取
2) 粗骨架提取
将骨架看做点云模型的广义旋转对称轴[Andrea2009], 提取各分支 的粗骨架.
左, 为骨架点位置定义. 右, 为骨架点方向定义
17
点云模型骨架提取
2) 粗骨架提取
将骨架看做点云模型的广义旋转对称轴[Andrea2009], 提取各分支 的粗骨架.
1
内容纲要
研究背景 核心工作 实验结果
内容总结
2
研究目标
本选题研究点云模型的骨架提取算法 , 希望对含冗余、噪声及 数据缺失的原始点云模型提取较为完整的模型骨架 .
骨架提取
3
选题理由
1) 随着点云数据获取技术的飞速发展 , 点云成为计算机
图形学、计算机视觉等学科的研究热点 .
Stanford Digital Michelangelo Project
Microsoft Kinect (Real time Point Cloud)
4
选题理由
2) 模型骨架广泛应用于形状分解、模型匹配、模型动画，数 字导航及医学图像等领域 .
H. Sundar et al 2003
Yotam Livny et al, SIGGRAPH ASIA 2010
Q. Zheng et al, EG 2010.
点云精简算法流程
11
点云模型的预处理
2) 点云精简性能分析
左: 同一简化率(90%)不同输入模型的时间效率
右: 同一输入模型(Igea)不同简化率的时间效率
12
点云模型的预处理
2) 点云精简性能分析
模型 输入点数 输出点数 本文 4562 9199 文献[12] 4402 9144 文献[13] 4549 9384 本文 2.6 10.4 简化时间 文献[12] 0.56 4.05 文献[13] 0.78 8.92
Bunny 35947 Igea 134345
表1 本文算法与相关算法简化性能的对比
最大误差 模型
平均误差
均方根误差
本文
Bunny Igea 0.003763 0.000124
文献[12]
0.086169 0.000224
文献[13]
0.112649 0.000721
本文
0.000176 0.000013
2) 点云模型骨架提取
基于文献 Andrea 2008本文提出一种基于模型分割的点云骨架提取方法 , 对含 有冗余、噪声和数据缺失的模型具有较高的鲁棒性 .
25
26
人有了知识，就会具备各种分析能力， 明辨是非的能力。 所以我们要勤恳读书，广泛阅读， 古人说“书中自有黄金屋。 ”通过阅读科技书籍，我们能丰富知识， 培养逻辑思维能力； 通过阅读文学作品，我们能提高文学鉴赏水平， 培养文学情趣； 通过阅读报刊，我们能增长见识，扩大自己的知识面。 有许多书籍还能培养我们的道德情操， 给我们巨大的精神力量， 鼓舞我们前进。
利用法向信息对缺失点云进行弥补，从而保证骨架点的有效性.
18
点云模型骨架提取
2) 粗骨架提取
将骨架看做点云模型的广义旋转对称轴[Andrea2009], 提取各分支
的粗骨架.
输入点云
分割结果
粗骨架提取
19
点云模型骨架提取
2) 粗骨架连接
采用拉普拉斯光顺处理, 使各分支粗骨架连接成整体.
分割结果
粗骨架提取
粗骨架连接
20
点云模型骨架提取
2) 粗骨架细化
构造滤波器[Peter J 1986], 对提取的粗骨架进行细化.
粗骨架提取
粗骨架连接
滤波细化
二次中心化
下采样
21
实验结果 ( 点云模型骨架提取结果 )
完整点云
缺失点云
22
实验结果 ( 点云模型骨架提取结果 )
完整点云
缺失点云
23
实验结果 ( 点云模型骨架提取结果ቤተ መጻሕፍቲ ባይዱ)