タグ付けされた質問 「point-cloud」

すなわちポイント（2D）のセットを考えると、点群（PC）は、質問はについてですrobust、accurateそしてcomputing-friendlyこの方法は、（高度なバージョンまたは楕円）の円を見つけること。 直感的なアイデアは、可能な限りすべてのポイント（中心として）{無限！}および半径（再び無限！）でブルートフォース検索を使用することです。これは非常に遅く、非効率的です。 以下に示すように、各適合円はnn、しきい値より短い距離で円周上に配置されたポイントの数（）に基づいてランク付けされます（t）。したがってderr、平均距離を提示する必要があります。 高度な形式では、楕円が適合します。 アイデア、ブレインストーミング、経験、コメントはありますか？

14 edge-detection  local-features  point-cloud  hough-transform 

ポイントクラウドは、のために均一なランダム関数を使用して生成されます(x,y,z)。次の図に示すように、（正確ではないにしても）最適なターゲットプロファイルに一致する、つまり左下のコーナーで与えられる、平らな交差面（profile）が調査されています。だから、質問は次のとおりです。 1- 以下の注意事項/条件target 2D point mapをpoint cloud考慮することにより、このような一致を見つける方法は？ 2-座標/方向/類似度などは何ですか？ 注1：関心のあるプロファイルは、軸に沿って任意の回転が可能な場所であればどこでもかまいません。また、位置や向きに応じて、三角形、長方形、四角形などの異なる形状にすることもできます。次のデモンストレーションでは、単純な長方形のみが示されています。 注2：許容値は、プロファイルからのポイントの距離と見なすことができます。次の図のためにこれを実証するためには、許容範囲の仮定0.01最小寸法回(~1)そうにtol=0.01。したがって、残りを削除して、調査対象のプロファイルの平面上に残りのすべてのポイントを投影すると、ターゲットプロファイルとの類似性を確認できます。 注3：関連するトピックは、ポイントパターン認識にあります。

14 image-processing  computer-vision  image-registration  point-cloud 

左側の次の図に示すように、画像（グレースケールまたはバイナリ）があるとします。目標は、ポイントのリスト、つまり（x、y）の形式の座標のリストを生成することです。画像の暗いピクセル。 これを行うための適切な画像処理ツールは何ですか？それらはどこで利用できますか？ 更新： 1） ここでは、問題の詳細を確認できます。（パックのサイズの違いに注意してください） それぞれの凸包境界を計算するパックを検出してから、代表的な重心を見つけることをお勧めします{詳細はこちらを参照}。 2） 以下は、距離変換（「Libor」が推奨）を適用した結果です。図の注釈に注意してください。この方法は有望だったため機能しません！ 3） 侵食は小さなパックを排除します！ from __future__ import division from scipy import zeros, ndimage as dsp from pylab import subplot,plot,matshow,show img = zeros((30,30)) img[10:14,10:14] = 1 img[16:17,16:17] = 1 img[19:23,19] = 1 img[19,19:23] = 1 subplot(221) matshow(img,0) subplot(222) y = dsp.binary_erosion(img,[[1,1],[1,1]]) matshow(y,0) subplot(223) y = …

7 point-cloud  morphological-operations  digitize 

点群の線を検出するための最良のソリューションは何ですか？Hough Transform、Radon Transform、RANSAC（wikipediaを参照）、およびBrute-Force Search（wikipediaを参照）との比較が行われています。 点群の点の分散に対して最も堅牢なのはどれですか？ 注： 1-問題は画像ではなく3D点群についてです。 2-点群のポイントはランダムに分散されます（完全に疎な場所）。 3-優先する方向、サイズなどの観点から、探索されているオブジェクト（ライン）に関する情報はありません 。4-候補ラ​​インの周囲で許容範囲を考慮する必要があります。 アップデート： 私の実験によると、RANSACは一部の行を簡単に見逃してしまう可能性があります。エッジの迅速な検出には適していますが、ポイント分散の複雑さにより、望ましくない出力が生成される可能性があります。ハフとラドンは非常によく似ていて、3Dの点群を試す機会はありませんでしたが、2Dの場合はうまく機能します。見つかった行のセグメントの抽出は困難です。大規模なデータセットの場合、BFSは実際的ではありません。

7 edge-detection  correlation  point-cloud