Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "point cloud segmentation" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
Adapting the RANSAC algorithm to detect 2nd - degree manifolds in 2D and 3D
Przystosowanie algorytmu RANSAC do wykrywania rozmaitości drugiego rzędu w 2D i 3D
Autorzy:
Luchowski, L.
Powiązania:
https://bibliotekanauki.pl/articles/375641.pdf
Data publikacji:
2012
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
point cloud segmentation
second-order surface detection
Opis:
The RAndom SAmple Consensus algorithm is adapted to sets of points detected in 2D and 3D images in order to identify conic lines and quadric surfaces, respectively. A first-order approximation of point-to-conic (quadric) distance is used as compliance criterion. Experimental results are presented.
Algorytm RANdom SAmple Consensus, który pozwala wykrywać regularne struktury w heterogenicznych zbiorach danych, zastosowano do zbiorów punktów w obrazach 2D i 3D, aby zidentyfikować, odpowiednio, krzywe stożkowe lub powierzchnie drugiego rzedu (kwadryki). Jako kryterium zgodności poszczególnego punktu z równaniem opisującym krzywa bądź powierzchnię wykorzystano przybliżenie pierwszego rzędu odległości od stożkowej (kwadryki), zaproponowane przez Sampsona. Dla przypadku obrazu zawierającego wiele krzywych bądź kwadryk zastosowano warunek wystarczającej średniej odległości punktów kolejnych wykrywanych struktur od struktur już wykrytych. Przedstawiono wyniki doświadczalne.
Źródło:
Theoretical and Applied Informatics; 2012, 24, 2; 151-158
1896-5334
Pojawia się w:
Theoretical and Applied Informatics
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Using RANSAC for 3D point cloud segmentation
Wykorzystanie algorytmu RANSAC dla segmentacji chmur punktów 3D
Autorzy:
Luchowski, L.
Kowalski, P.
Powiązania:
https://bibliotekanauki.pl/articles/375753.pdf
Data publikacji:
2013
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
3D segmentation
point cloud
RANSAC
Opis:
The article presents a method for 3D point cloud segmentation. The point cloud comes from a FARO LS scanner - the device creates a dense point cloud, where 3D points are organized in the 2D table. The input data set consists of millions of 3D points - it makes widely known RANSAC algorithms unusable. We add some modifications to use RANSAC for such big data sets
Artykuł prezentuje metodę segmentacji chmury punktów 3D. Segmentacja znajduje w chmurze (kracie) punktów kwadryki. Źródłem danych są chmury punktów uzyskane przy pomocy skanera FARO LS. Skany wykonane przy wykorzystaniu tego skanera charakteryzują się zapisem punktów w tablicy (stąd określenie 'krata' punktów), przy czym jej rozmiary są znaczne - w eksperymentach wykorzystano kratę liczącą 9600x3960, co daje 38 016 000 punktów, podkreślając znaczenie czynnika złożoności pamięciowej algorytmów. Przedstawione rozwiązanie uwzględnia ten problem wywołując czasochłonny algorytm RANSAC jedynie dla wycinków analizowanej sceny, a następnie wykorzystuje uzyskane rezultaty do dalszej analizy. W artykule zaprezentowano szczegółowo algorytm RANSAC i zasady analizy wycinków skanu. Dane wejściowe dla algorytmu reprezentują scenę utworzoną przez człowieka (wnętrze pomieszczenia), co oznacza pojawianie się wielu płaszczyzn i innych prostych obiektów geometrycznych (np. wycinków walca). Prezentowane rozwiązanie pozwala na odnalezienie w scenie kwadryk, rozwiązanie takie pozwala objąć wiele kształtów tworzonych przez człowieka. W przeprowadzonych eksperymentach analizowano skan jadalni Willi Caro - dziewiętnastowiecznej willi, będącej jedną z siedzib Muzeum w Gliwicach. Wybór takiego przedmiotu eksperymentów jest powiązany z jednym z docelowych zastosowań - skanowaniem obiektów dziedzictwa kulturowego celem dokonania ich inwentaryzacji architektonicznej. Wyznaczenie kwadryk opisujących fragmenty skanu pozwala dobrać dokładność skanowania (zwiększenie dokładności dla wybranych fragmentów - detali artystycznych) w zależności od złożoności powierzchni. Ilustracje 1-3 prezentują analizowany skan, ilustracja nr 4 przedstawia punkty przypisane do kwadryk (wszystkich znalezionych przez oprogramowanie), a nr 5 zintegrowane kwadryki dla jednej ze ścian jadalni. W wyniku analizy znaleziono 299 kwadryk (o rozmiarach od 210 do 20512), które po integracji utworzyły 85 zintegrowanych powierzchni (wiele z nich to jednak pojedyncze kwadryki z pierwszego etapu przedstawiania, dla których nie znaleziono odpowiedników).
Źródło:
Theoretical and Applied Informatics; 2013, 25, 2; 105-117
1896-5334
Pojawia się w:
Theoretical and Applied Informatics
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies