论文研究-结合超体素和区域增长的植物器官点云分割.pdf

所需积分/C币:50 2019-09-13 08:26:09 841KB .PDF
收藏 收藏 1
举报

点云分割是点云识别与建模的基础。为提高点云分割准确率和效率,提出一种结合超体素和区域增长的自适应分割算法。根据三维点云的空间位置和法向量信息,利用八叉树对点云进行初始分割得到超体素。选取超体素的中心体素组成一个新的重采样后的密度均匀点云,降低原始点云数据处理量,从而减少运算时间。建立重采样后点云数据的K-D树索引,根据其局部特征得到点云簇。最后将聚类结果返回到原始点云空间。分别选取植物三个物候期的激光扫描点云,对该方法的有效性进行验证。实验结果表明,该方法分割后点云与手工分割平均拟合度达到93.38%,高于其他同类方法,且算法效率得到明显提升。
杨琳,等:结合超体素和区域增长的植物器官点云分割 2019,55(16)199 21体素划分 H前常用的点云组纠数据结构为八又树和KD树,方 包含N个节点的KD树和八叉树搜索K邻近点的时 假设视点为po,休素v的屮心点为c,所有法线 间复杂度为ON)。八叉树叶子节点称为体素体素可n都间视点方向看齐,利用方程式(5)完成法线方向 以包含多个数据点;而KD树叶子节点仅包含一个数据致性定向。 点。使川八叉树进行点云数据组织更加节约存储空间 Cp 而使用K树则对单个点的定位更加准确。综合八叉 结合体素v;和其邻接体素v之间的欧式距离和法 树和KD树在点云存储与搜索方面的优势,本文划分超向量角度差异体素n和间特征距离可以表示为 体素这一过程全部使用八叉树进行点云数据组织,超体 素合并(区域增长)这一精细化过程对超体素屮心点集 (6) 3R 合采用KD树进行数据组织。 其中,D.为体素间欧氏距离,D为互为邻接关系的体 八叉树尾将点云最小包围盒V划分成8个卦限每素间法向量n和n的点积。和∈分别为D和D 个卦限递归地依次划分8个卦限,即每个父节点有8个的权重。由于两种不同空间的距离尺度不需要对 孩子节点。当达到最大递归深度或者孩子节点达到分D和D进行归一化处理。本文利用具有邻接关系的 辨率R时,体素划分结束。如图1所示,V被划分为n体素间最大距离Rn(如图2所示),将空间距离D归 个体素v 一化到[0, (1)2.22邻接图 三维空间中的点云可以建立8邻接、18邻接和26邻 接关系。在以上邻接关系中,26邻接的点云对应八又树 体素 搜索中26个邻接体素(如图2所示),能够有效表示点云 表面的局部特征。因此,本文建立三维点云的26邻接 图G=<V,E>。其屮,V是体素集合,相邻的两个体 素之间的特征距离对应E的一条边。体素V与其邻接 体素V之间最大距离dma=3R2,其中R为八叉树 的分辨寳。 图1八叉树划分 22体素间相似性度量 考虑到点云的局部特征,本文利用邻接图计算体素 间流形距离来度量体素间的相似性。首先根据互为邻 接关系的体素间欧式距离和法向量差异得到邻接体素 间的特征距离。然后以此作为体素邻接图中边的权重 构建体素邻接图。最后计算体素间的流形距离用来度 量体素间的相似性 22.1特征距离 法向量是对点云局部形态特征的描述,囚此,本小 图226邻接体素 向量m;计算近似于估计v中所有数据点构成的平面的2.2.3流形距离 法向量,因此将原始问题转换成为最小二乘法平面拟 采用流形距离a(v,v)计算体素v和v间的相似 合问题,采川主成分分析求解。首先借助体素U 性。令v={,v2,…,}∈V表示邻接图G=<V,E 对a中的点在x、y、x三个方向分别做归一化处理,并上连接体素和的一条路径。其中,边(+∈E, 创建协方差矩阵co(X,Y,∠),令c-coX,Y,Z),则 0<k<l-1。令表示连接V中体素v和v的所有 D(X) cOV(X, Y) COV(X, Z) 路径集合,则 C=cov(X, Y) D(Y) cov(Y, Z) (2) dun v, )=min dist(vk, Uk+D COV(X, Z) COV Y, Z) D(Z (3)23生成超体素 其中n为非零向量,求解方程式(3)得到特征值A<23.1初始化种子体素 A1≤A2,A0对应的特征向量为n,则体素v:的法向量n:为 超体素算法需要初始化种子体素,如果种子体素数 2002019,55(16) Computer Engineering and4 pplications计算机工程与应用 量较多,将增加后续超体素合并算法的运行吋间;如果 廾始) 种子体素数量较少,则容易形成弱分割,最终影响分割 效果。 初始化k个种子体素 木小节利用八叉树将三维空间的原始大量点云量 化为有限子空间如图3所示,相邻子空间中心点距离 算体素到名个种子体素的流形离 为R、。为了侏持最终的超体素大小一致性,设置R为 将体素划分到最近的种子体素 常量,其中R>R。。划分后第个封闭子室间的中心 所在超体素中 点为c,c的邻近体素v的邻接体素集合为Va。为了 得到种子体素,本文采用的策略是最小化v与V的棉 「更新种子体素 度G初始化:为最邻近体素叫。最小化目标如下: 种子体素是否变化 是 其中,N为V包含体素数量。 结束 2.3.2基丁流约束的K均值聚类 图3超体素生成算法流程图 基于网格划分的聚类方法的主要思想是将点云数间欧式距离和法向量差异是点云的重要局部特征,可以 据划分成若干个体素将体素视为点云数据的最小单用来度量点云间相似性。利用超体素中心体素c代表 位。然后利用基于流约束的K均值聚类算法合并体该超体素V,可以在保留点云局部特征的同时减小点 素,针对聚类中体素个数低于N的类别,将其与邻接体云数据处理量,从而减少分割时间。本文首先利用KD 素合并成一个超体素。 树组织超体素的中心体素,然后使用中心体素问法向量 基于流约束的K均值聚类算法的目标是在n个初差异和欧氏距离作为超体泰间的相似性度量,最后采用 始体素中选择k个聚类种了体素集合S使目标函数F基于法向量的区域增长算法实现超休素中心体素的准 达到最小,即: 确分割,并利用基于区域的插值算法对分割结果进行上 arg min F V,R)= d(va, s,) (9)采样,完成三维点云聚类。 st.V∈R 区域增长过程在局部连通性和表囿平滑性两个约 其中,V为体素v:的集合,(v,5为v和s,的流形距离 東条件下完成 该算法的思路是初始化k个种子体素s、,划分V (1)局部连通性 中各个体素v到流形距离最小的超体素中,更新所有 同一了集中的超体素ⅴ应该具备局部连通性,因 此使川KNN( h- Nearest Neighbor)搜索其邻近中心体素 超体素的中心体素,不断迭代至所有中心体素不再改变。 c2。如果搜索c;成功,则进一步考虑平滑性约束;如果 该算法的具体步骤为: 搜索c失败,将其视为噪声剔除 (1)初始化k个种子体素集合S={5、1,.、9,…,sA}。 (2)表面平滑性 (2)ⅵ,∈{1,2,…,k},i≠j,vn∈V,如"m与种 同·子集屮的超休素V所组成的出面应该保证表 子体素s之间的流形距离D小于cn到S,的距离D,面平滑,即超体素V与v之间的法向量差异不应过 则将vn划分到聚类簇c1中。 大。将当前点云子集中作为种子的超体素S;与加入到 (3)V∈1,2,…,,重新计算聚类簇c的中心体此子集中的超体素v之间的法向量阈值1作为表面 素 平滑的约東条件2 在以上两个条件的约束下,区域增长的步骤如下 (4)重复步骤(2)和(3),直至中心体素s不再变化, (1)用超体素中心体素υ初始化种了超体素集合 此时,S、也被称为超体素的中心体素,聚类簇c也被称 为超体素。 (2)以种子超体素S为对象,枪杳其邻接超体素 算法流程如图3所示。当聚类数目k≤n且点云数V与种子超体素间是否同时满足局部连通性和表面平 据的维数d≤n时,该算法的时间复杂度为O(n)。 滑两个约東条件,若满足,区域生长过程继续;否则,停 止区域生长 3基于超体素的区域生长聚类 3)重复过程(2)直至所有超体素都检含完成 维点云包含丰富的空间信息,合理的点云数据组 (4)对于区域增长算法形成的各个聚类,利川基于 织结构可以简化点云表示并提升点云搜索效率。点云区域的插值算法对超体素中心体素分割结果上采样 杨琳,等:结合超体素和区域增长的植物器官点云分割 2019,55(16)201 4实验与结果分析 为了验证算法的有效性和通用性,本文分别选用油 菜作物在苗期、蕾葶期、角果期三个物候期的三维点云( 数据进行算法测试,同时将实验结果与区域増长算法 K- means算法的实验结果进行对比分析。 实验利用便携式3D扫描仪 HANDYSCAN3D采 集点云数据,数据点的三个属性分别为x坐标值 平均点间距为0.02mm。实验原型系统在Ⅴ isio studio 2013平台使用C++实现 (a)原始点 (b)分割结果(c)局部放大图 41分割结果 图5蕾薹期汕菜本文算法分割效果图 本文算法中需要设置四个参数,分别为体素(构成 超体素的最小单位)半径R2,邻近超体素间距离,区 域增长中邻城搜索半径d和法向量差异(向量点积)阈 值,0≤a1≤1。经过反复实验,=082时,分割效 果最住;R、R,和d的设置均与点云密度p有关满足 丌×R R3-10K2 (11) l=1.1R (12) 其中,n为点云中离散点的数量。因此,本文算法的参 数设置为:R R,-108,d 0.82。针对木文所做的油菜器官分割,经过系列实验证 (a)原始点云(b)分割结果 (c)局部放大图 明,当各参数值分别为R2=0.06mm,R、=0.6mm,d= 图6角果期油本文算法分割效果图 0.6mm,O1n-0.82时,取得的分割效果最好 图如图7所示,属于同一类的点云被渲染以相同的假 采用本文算法对油菜三个物候期的三维点云数据彩色 进行分割,各点云的点数量和体素个数分别如表1所 示。各物候期的油菜植株分割结果如图4~图6所示 点云 其中,苗期油菜(图4和图7(a所示)的叶片①和叶片 ②存在明显的遮挡及粘连部分,但是通过本文算法,它 们被成功分割为两枚形态特征完整且互相独立的叶 片。蕾薹期和角果期油菜顶部形态变化大,结构复杂, 但是通过本文算法,叶片和角果均被完整分割,如图5 点云2 (c)和图6(c)油菜顶部局部放大图所示。 表1点云属性 物候期点数量个体素数量个 苗期 56253 264750 点云3 蕾薹期 42814 141627 角果期 325001 O856 (a)原始点云(h)区域増长(c)K均值聚d)本文算法 算法 类算法 图7苗期油柒各算法分割效果图 (a)原始点云 (b)分割结果c)局部放人图 图7从左至右分刿表示∫区域增长算法、K均值聚 图4苗期汕菜本文算法分割效图 类算法和本文算法分割效果图。结果显示,区域增长算 为了验证本文算法的优越性,以苗期油菜点云为法虽然整体上对不同叶片之间分割效果良好,但是对高 例,与区域增长、K均值聚类算法的分割视觉效果对比密度点云(如图7(a))分割完成后,存在明显的空洞现 2022019,55(16) Computer Engineering and4 pplications计算机工程与应用 象。这是因为区域增长算法中点的法向量估计对邻近 对苗期、蕾薹期、角果期三个物候期的油菜点云分 点比例的选择依赖性严重,而本文算法已将邻近点聚类别用区域增长、R均值聚类和本文算法进行分割后,相 为超体素能够解决对邻近点依赖程度过髙的问题。K均对∏标面积误差均值如表3所示,相对∏标面积误差标 值聚类算法没有得到正确的分割结果。如图7第二列准差如表4所示。在本文搭建的实验环境中,三种算法 所示局部现叶片断裂情况这是因为K均值聚类算运行时间如表5所示。可以看出,本文第法对个样本 法对点云几何结构解析能力较差,受点云门距改影晌严重。 的相对日标面积误差均值RAE和相对日标面积误差 为∫验证本文算法对点云密度变化的稳健性,选取标准差RAE)均低于其他两种算法。在算法效率方 同一植株不同密度的点云完成点云分割实验。分割结面,本文算法耗时远低于其他两种算法。 果如图8所示,样本中的所有叶片均被成功分割,H、M 表3不同算法的相对目标面积误差均值RAE L分别代表高、中低密度点云。各组点云密度如表2所 物候期区域增长K均值聚类本文算法 示,其中点云密度为每立方毫米的点云数量。 苗期0.1002 3641 0.0524 蕾薹期0.08000.1004 0.0727 角果期 0.2243 0.0736 表4不同算法的相对目标面积误差标准差sRAE) 物候期区域增长F均值聚类本文算法 苗期 蕾薹期 280.0319 角果期0.0241 0.0574 00228 表5不同分割算法运行时间 物候期区域增长K均值聚类本文算法 苗期 327.7 94.2 6 蕾薹期344.6 47.4 角果期 365.7 185.6 51.7 (a)高密度 (b)中密度 (c)低密度 图8不同点云密度分割结果图 5结束语 徒2点云密度P(1mm 本文提出了一种基于超体素的三维点云区域增长 编号高密度(I)中密度(M)低密度(L) 分割算法。首先将点云过分割为超体素,以超体素中心 7855 0.5402 体素代表超体素,保留点云局部特征的同时,降低点云 2.3216 0.9448 0.3143 数据处理量。然后利用欧氏距离和法向量差异度量超 6.7820 1.3719 0.4104 体素之间的相似性。最后利用区域增长算法合并超体 4.2分割结果定量分析 素成为有意义的类。实验结果表明,本文算法能提高分 为了对实验结果进行精度评定本节利用相对目标割准确率,同时也极大提升了分割效率 面积误差均值RE和相对目标面积误差标准差s(RAE) 本文算法通过计算点云密度设置算法参数,实现点 对分割质量进行定量评价。其中,苗期和當薹期油云半自动化分割。但若点云分布不均,分割结果可能会 菜,待分割器官为叶片;角果期油菜,待分割器官为角存在不足。此外,当点云规模较大凡点云局部表面形念 果。器官面积参考值以 Geomagic Studio软件中手工分变化较大时,受法向量分布影响,分割效果较差。如何 割的器官面积值为准。 对以上两种类型点云设定自适应参数将是下一步的研 究内容 RAE=A4。-A (13) max(Ao, A 参考文献 RAFIYRAE (14) []管海燕,邓非,张剑清,等.面向对象的航空影像与 LIDAR 数据融合分类[J武汉大学学报(信息科学版),2009,34 S(RAE) (15) (7):830-833 [2]杨永涛,黄国言,张坤,等.一种利用山率约束的改进K 其中,n为参考标准油菜器官数量。Ao是参考标准图 means三维点云数据分割方法门小型微型计算机系统 像的日标区域面积:4-是测试图像的目标区域面积。 2017,38(11):2573-2579 参数值越小即表眀分割效果越好;反之,则分割效果[3]王宗跃,马洪超,徐宏根,等海量点云的边缘快速提取算 越差。 法[计算机T程与应用,2010,46(36):213-215. 杨琳,等:结合超体素和区域增长的植物器官点云分割 2019,55(16)203 [4]孙颖,张新长,罗国玮.从机载激光雷达点云提取建筑物屋 分割激光与光电了学进展,2017,555):1-12 顶边界的活动轮廓模型改进方法小测绘学报,2014,4313 Woll D, Prank J, Vincze M Fast semantic segmenta (6):620-626 n of 3d point clouds using a dense CRF with learned 5 Awadallah M, Abbott I Ghannam S Segmentation of sparse parameters[C]/EEF International Conference on Robotics noisy point clouds using active contour modcls(C/2014 and Automation, 2015: 4867-4873 IEEE International Conference on Image processing. 2014 [14 Green wR, Grobler Il. Normal distribution transform -6065 graph-based point cloud segmentation[CyiPattern Rec- [6 Yang J, Gan Z,Li K, el al. Graph-based segmentation for ognition Associalion of South Alrica and Robotics and RGB-D data using 3-D geometry enhanced superpixel[J] Mechatronics International Conference, 2015: 54-59 IEEE Transactions on Cybernetics, 2017, 45(5):927-940. [15] Achanta R, Shaji A, Smith K,et al.SLIC superpixels [7 Chen D, Zhang L, Mathiopoulos P T, ct al. A mcthodolo atc-of-the-art superpixel mcthods[IEEe for automated segmentation and reconstruction of urb Transactions on Pattern Analysis and Machine Intelli- 3-D buildings from ALS point clouds[J).IEEE Journal of gence,2012,34(11):22742282 Selected Topics in Applied Earth Observations and Remole [16] Mitra N J, Nguyen A Estimating sur face normals in noisy Sensing,2014,7(10):41994217 point cloud data[c]/19th Annual Symposium on Com- [8]Wang Y, Shi H A segmentation method for point cloud mutational Geometry New York. ACM. 2003. 322-328 based on local sample and -statistic inference[ Commu- [17] Snape P, 7afciriou S Kcrmcl-pca analysis of surfacc nor nications in Computer Information Science, 2015, 482 mals for shape-from- shading C]/EEL Conference on 274-282 Computer Vision and Pattern Recognition, 2014: 1059-1066 9]王晓辉,吴禄慎,陈华伟,等.应用改进的楦子群优化模糊[18]PaupωJ,ΔbruσνA, Schoeler m,eta! oxel cloud coη- 聚类实现点云数据的区域分割[光学精密T程,2017,25 tivity 1on-supervox It clouds [C]/ (4):563-573 IEFE Conference on Computer vision and Pattern Rec- [10] Guo B, Huang X, Zhang F, et al. Classification of air ognition,2013:2027-2034 borne laser scanning data using JointBoost[J]. ISPRS [19 Barman S, Chawla S Region growing for multi-route Journal of Photogrammetry and Remote Sensing, 2015 cuts[J]. Clinical Orthopaedics and Related Research, 2009 100:71-83 20 Yang Lin, Zhai Ruilang, Shi Pujuan, el al.Segmentation [11] Lu X, Yao J, Tu J, et al. Pairwise linkage for point cloud of crop organs through region growing in 3D space[C]// segmentation[J].ISPRS Annals of Photogrammetry, Remote 5th International Conference on Agro-Geoinformatics Sensing Spatial Information Sciences, 2016, 3 (3) 2016:1-6 201-206 「211翟瑞芳,方益杭,林承达,等.基于高斯I颠色算法的大 2]李仁忠,刘阳阳杨曼,等基于女进的区域增长三维点公 田油菜图像分割小农业工程学报,2016,32(8):142-147 (上接第169页) [14 Kinzel W, Rujan P Improving a network generalizaTion [10 Xin J, Wang Z, Chen C, ct al. ELM*: distributed extreme ability by selecting examples[J]. Europhysics Letters, 1990 learning machine with MapReduce[J]. World wide Web 13(5):473 2014,17(5):1189-1204 [15 Huang G B, Babri H A Upper bounds on the number [11] Kohavi R A sludy of cross-validaLion and bootstrap for f hidden neurons in feedforward networks with arbi- accuracy estimation and model selection[c]/14th Inter- trary bounded nonlinear activation functions[.IEEE national Joint Conference on Artificial Intelligence, 199.5 Transactions on Neural Networks. 1998.9(1): 224-229 1137-1145 16]Lu Yingwei, Sundararajan N, Saratchandran P Performance 12 Vapnik VStatistical learning theorm]. New York Wiley, cvaluation of a scqucntal minimal radial basis function 1998 (RBF)neural network learning algorithm(.ILED Trans- [13] Dimopoulos Y, Bourret P, Lek S Use of some sensitivity actions on Neural Networks, 1998, 9(2): 308-318 criteria for choosing networks with good generaliza- [17] UCI machine learning repository[EB/OL]. hulp: //archive tion ability[J). Ncural Processing Letters, 1995, 2(6): 1-4 edu/ ml/datasets html

...展开详情
试读 7P 论文研究-结合超体素和区域增长的植物器官点云分割.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
    抢沙发
    一个资源只可评论一次,评论内容不能少于5个字
    img
    • 至尊王者

      成功上传501个资源即可获取

    关注 私信 TA的资源

    上传资源赚积分,得勋章
    最新推荐
    论文研究-结合超体素和区域增长的植物器官点云分割.pdf 50积分/C币 立即下载
    1/7
    论文研究-结合超体素和区域增长的植物器官点云分割.pdf第1页
    论文研究-结合超体素和区域增长的植物器官点云分割.pdf第2页
    论文研究-结合超体素和区域增长的植物器官点云分割.pdf第3页

    试读已结束,剩余4页未读...

    50积分/C币 立即下载 >