點雲演算法

㈠ 求計算三維點雲中兩點之間的最短測地路徑的C++代碼

迪傑斯特拉

像這樣：
for(int i=1;i<=n;i++)
if (!in[i]&&d[minn]+dist[minn][i]<d[i])
{
d[i]=d[minn]+dist[minn][i];
path[i]=minn;
}
minn是一開始算出來距離最近的點，d為到各點的距離，dist[i][j]指的是第i個到第j個點之間的距離。
一開始初始path[i]=i;
最後調用函數
void printpath(int x)
{
if (x!=path[x])
printpath(path[x])
pritnf("%d ",x);
}

有不懂還可以問

㈡ 點雲特徵計算程序設計與實現

設P是（C）上一點，是（C）在P點的單位切向量，是主法向量，是副法向量。再設n是曲面S在P點的單位法向量。命。 曲線（C）在P點的曲率向量在上的投影（也就是在S上P點的切平面上的投影） 稱為曲線（C）在P點的測地曲率
曲面S上的曲線（C），它在P點的測地曲率的絕對值等於（C）在P點的切平面上的正投影曲線（C'）的曲率。 式中，k為曲線在P點的曲率，為曲線在P點的法曲率。

㈢ matlab能根據點雲計算不規則物體的體積嗎

你知道積分的原理吧
積分就是微小微元的求和嘛
你的三維點雲物體，按照z方向分割成很多層，每一層的厚度是dz，然後求出該層有效物體的邊界，邊界內部的就是有效面積，面積有了，厚度有了，這個曾的體積就有了
其它層演算法一樣，最後求所有層的和嘛
反正都是積分嘛
思路非常簡單

㈣ 哪位大神有ICP（迭代最近點）演算法的C++代碼，可以對兩組三維點雲進行配準的，求一個能用的，感激不盡……

創建一個pcl::PointCloud實例Final對象，存儲配准變換後的源點雲，應用ICP演算法後，IterativeClosestPoint能夠保存結果點雲集，如果這兩個點雲匹配正確的話（也就是說僅僅對其中一個應用某種剛體變換，就可以得到兩個在同一坐標系下相同的點雲）

㈤ Lidar數據處理

這個已經有論文了。見：
1、一種基於曲率極值法的LiDAR點雲特徵提取演算法
2、散亂數據點雲型面特徵提取演算法研究
3、散亂點雲邊界特徵快速提取演算法
4、基於三維點雲模型的特徵線提取演算法
5、基於點雲的二次曲面特徵提取理論和技術研究
6、機載LiDAR點元數據建築物半自動提取方法研究
7、基於點雲數據的曲線擬合
上述論文有期刊論文，也有畢業論文。
我已經給你發了郵件。請查收。

㈥ 點雲重建有哪些經典的演算法

三維重構演算法得看你用什麼感測器了，如果是雙目相機，那一般都是極線幾何加視覺特徵配準的演算法了，優化就用bundleadjustment。如果是單目，較早的有PTAM,DTAM，近幾年structfrommotion比較火。如果是用Kinect之類的RGBD相機，比較好的有微軟的KinectFusion，PCL的開源KinFu，以及MIT的加強版Kintinuous。如果用激光，那一般都是當SLAM做了，前端嘛就各種ICP配准演算法了，後端的話，三維中主要還是用圖優化來做。

㈦ 如何判斷一個點雲數據時內邊界點還是外邊界點

邊界柵 格識別和生長演算法以及空間拓撲構型推理演算法

㈧ 如何對一片散亂點雲進行坐標變換

合並到一個統一的坐標系下,這就是點雲數據的配准,該相關技術在逆向工程、曲面質量檢測和虛擬現實等領域均有著廣泛的應用1
目前,解決不同點雲數據集配准問題的直接方法有在被測物體上貼固定球和使用高精度的旋轉工作台[1]1固定球會使部分物體不可見,一般應貼在相對較平坦的區域1流動式光學掃描儀Atos是在物體上或固定物體的工具上貼特製的圓形標簽,其作用相當於固定球1根據前後2個視角觀察的3個或3個以上不共線的公共標簽來對數據進行配准,利
用旋轉工作台可直接對測量數據進行配准,但是物體底部和下部的數據點是無法採集的1
在三維點雲數據的自動配准中,運用最為廣泛的是由Besl等提出的最近點迭代(iterativeclosestpoint,ICP)演算法[2]1但是ICP演算法要求2個匹配點
集中的一個點集是另外一個點集的子集,即2個點集之間存在著包含關系,當這個條件不滿足時,將影響ICP的收斂結果,產生錯誤的匹配1顯然,對於2個點雲數據之間的部分配准問題,這種包含關系是不存在的1另外,ICP演算法對2個點雲相對初始位置要求較高,點雲之間的的初始位置不能相差太大;否則,ICP的收斂方向是不確定的,因而配准結果也是不可靠的1
Chen[3]等運用2個曲面在法矢方向的距離來
代替某一點到其最近點的距離,並將其作為匹配的目標評價函數1這一設想最初是由Potmesil[4]於1983年提出的,在文獻[3]的工作中它被推廣為最
優加權的最小二乘方法1但文獻[3]的方法需要求解非線性最小二乘問題,速度較慢1Masuda等[5]對點集進行隨機采樣,用最小中值平方誤差作為度量准則,該方法在每一次迭代後都需要進行重新采樣1Johnson等
[6]
使用特徵提取策略去除沒有啟發信息
的平面點來提高配准速度,在點雲數據法矢變化連續、突變比較少的情況下,其速度沒有明顯的提高1文獻[728]通過引入參考點的方法來實現三維點雲數據的配准,這些參考點其實也是一種標簽點,需要在測量前貼在被測物體上1
本文提出了一種更為通用的空間散亂點雲的配准演算法,該演算法不需要在被測物體上附加任何參考點或標簽點,僅利用點雲數據自身所具有的幾何信息,對待配准散亂點雲的相對位置沒有要求,可以處在空間任意位置上;而且本文演算法能夠實現散亂點雲的部分配准和整體配准1
1 演算法概述
散亂點雲的整體配準是一個點雲數據與另一個
點雲數據進行整體的數據融合,而部分配準是將一個點雲數據的子集與另一個點雲或其子集進行數據融合1本文演算法的基本思想是首先估算出散亂點雲數據中每一個測點的法矢和曲率,並根據一個點集中每個測點的曲率來尋找其在另一個點集中的曲率相近點,所有的曲率相近點構成一系列點對1計算將每個點對的法矢方向映射為一致的三維空間變換,每個點對間所有可能的三維變換構建一個哈希列表,找出列表中使得最多數量的點對法矢一致的變換,該變換能夠將2個點雲數據進行粗略配准1將粗略配准後2個點雲的位置作為新的初始位置,用統計出的曲率相近點對作為初始的配准點對集合,運用ICP演算法對散亂點雲的初始配准結果做進一步地優化,從而實現散亂點雲的精確配准1
2 演算法原理及步驟
211 散亂點雲數據微分幾何特性估算
光學掃描設備採集到的點雲數據密度很高,存在大量的冗餘數據,嚴重影響後續演算法的效率,因此在對散亂點雲的微分幾何特性估算前,應先按照一定要求減少測量點的數量1
對簡化後的點雲數據進行空間劃分,並在點集中尋找每個測點的k2近鄰1設測點pi的k2近鄰且包括該點記為Nbhd(pi),為計算該點的法矢和曲率,借鑒文獻[9]的方法,採用參數二次曲面來逼近散亂數據點,設二次曲面的參數方程。

㈨ 怎樣將點雲數據構建DEM用編程實現

機載LiDAR點雲數據量龐大，對其進行簡化是應用點雲數據的關鍵。尤其在用Delaunay方法構建DEM的時候，平坦區域的點雲會產生大量的冗餘數據。本文利用移動窗口的演算法，剔除冗餘數據後再構建DEM，從數據源的角度對演算法進行了優化，大大精簡了點雲數據，並利用基於移動窗日的優化演算法對演算法中窗口大小的選取和閾值的選取進行了分析，得出了閩值及窗口大小的選取應根據高程數據精度。 DEM擬合地形的精度和逼真度要求而定的結論，對於點雲數據的有效應用有一定的借鑒意義。

㈩ 演算法：基於opengl 點雲模型不可見點(隱藏點)的移除 最後一步搞不定了 分不是問題

要往工程鏈接中加入OpenGL的靜態庫文件，然後在程序中加入相應的頭文件，之後經過與Winows的介面設置，就可以在程序中使用OpenGL的繪圖及相關的函數了。具體情況可以參見下面的文獻：

（2）至於讀入外部的3ds模型，大體思路是根據之種文件的格式，編寫相應的文件讀取程序，將相關的數據存入自己定義的結構變數中，以便用OpenGL的函數再在程序場景中顯示出來。一般是要在3ds文件中找到以下重要的數據：點，點的索引號，面（對應的頂點索引號），紋理坐標，紋理坐標索引號，法向量，法向量索引號等等。下面的文獻是針對讀取外部產生的obj文件的，相信對讀取3ds文件也有一定借鑒意義：

（3）讀入外部模型後，用OpenGL的相關函數，就可以對這個模型進行平移，旋轉，縮放等的幾何變換，還可以對模型進行光照渲染，透明化處理，反走樣處理等等，甚至進行碰撞檢測等等。

如有興趣，可以聯系網路成員 A_DEM_Software