点云算法
㈠ 求计算三维点云中两点之间的最短测地路径的C++代码
迪杰斯特拉
像这样：
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是一开始算出来距离最近的点，d为到各点的距离，dist[i][j]指的是第i个到第j个点之间的距离。
一开始初始path[i]=i;
最后调用函数
void printpath(int x)
{
if (x!=path[x])
printpath(path[x])
pritnf("%d ",x);
}
有不懂还可以问
㈡ 点云特征计算程序设计与实现
设P是（C）上一点，是（C）在P点的单位切向量，是主法向量，是副法向量。再设n是曲面S在P点的单位法向量。命。 曲线（C）在P点的曲率向量在上的投影（也就是在S上P点的切平面上的投影） 称为曲线（C）在P点的测地曲率
曲面S上的曲线（C），它在P点的测地曲率的绝对值等于（C）在P点的切平面上的正投影曲线（C'）的曲率。 式中，k为曲线在P点的曲率，为曲线在P点的法曲率。
㈢ matlab能根据点云计算不规则物体的体积吗
你知道积分的原理吧
积分就是微小微元的求和嘛
你的三维点云物体，按照z方向分割成很多层，每一层的厚度是dz，然后求出该层有效物体的边界，边界内部的就是有效面积，面积有了，厚度有了，这个曾的体积就有了
其它层算法一样，最后求所有层的和嘛
反正都是积分嘛
思路非常简单
㈣ 哪位大神有ICP（迭代最近点）算法的C++代码，可以对两组三维点云进行配准的，求一个能用的，感激不尽……
创建一个pcl::PointCloud实例Final对象，存储配准变换后的源点云，应用ICP算法后，IterativeClosestPoint能够保存结果点云集，如果这两个点云匹配正确的话（也就是说仅仅对其中一个应用某种刚体变换，就可以得到两个在同一坐标系下相同的点云）
㈤ Lidar数据处理
这个已经有论文了。见：
1、一种基于曲率极值法的LiDAR点云特征提取算法
2、散乱数据点云型面特征提取算法研究
3、散乱点云边界特征快速提取算法
4、基于三维点云模型的特征线提取算法
5、基于点云的二次曲面特征提取理论和技术研究
6、机载LiDAR点元数据建筑物半自动提取方法研究
7、基于点云数据的曲线拟合
上述论文有期刊论文，也有毕业论文。
我已经给你发了邮件。请查收。
㈥ 点云重建有哪些经典的算法
三维重构算法得看你用什么传感器了，如果是双目相机，那一般都是极线几何加视觉特征配准的算法了，优化就用bundleadjustment。如果是单目，较早的有PTAM,DTAM，近几年structfrommotion比较火。如果是用Kinect之类的RGBD相机，比较好的有微软的KinectFusion，PCL的开源KinFu，以及MIT的加强版Kintinuous。如果用激光，那一般都是当SLAM做了，前端嘛就各种ICP配准算法了，后端的话，三维中主要还是用图优化来做。
㈦ 如何判断一个点云数据时内边界点还是外边界点
边界栅 格识别和生长算法以及空间拓扑构型推理算法
㈧ 如何对一片散乱点云进行坐标变换
合并到一个统一的坐标系下,这就是点云数据的配准,该相关技术在逆向工程、曲面质量检测和虚拟现实等领域均有着广泛的应用1
目前,解决不同点云数据集配准问题的直接方法有在被测物体上贴固定球和使用高精度的旋转工作台[1]1固定球会使部分物体不可见,一般应贴在相对较平坦的区域1流动式光学扫描仪Atos是在物体上或固定物体的工具上贴特制的圆形标签,其作用相当于固定球1根据前后2个视角观察的3个或3个以上不共线的公共标签来对数据进行配准,利
用旋转工作台可直接对测量数据进行配准,但是物体底部和下部的数据点是无法采集的1
在三维点云数据的自动配准中,运用最为广泛的是由Besl等提出的最近点迭代(iterativeclosestpoint,ICP)算法[2]1但是ICP算法要求2个匹配点
集中的一个点集是另外一个点集的子集,即2个点集之间存在着包含关系,当这个条件不满足时,将影响ICP的收敛结果,产生错误的匹配1显然,对于2个点云数据之间的部分配准问题,这种包含关系是不存在的1另外,ICP算法对2个点云相对初始位置要求较高,点云之间的的初始位置不能相差太大;否则,ICP的收敛方向是不确定的,因而配准结果也是不可靠的1
Chen[3]等运用2个曲面在法矢方向的距离来
代替某一点到其最近点的距离,并将其作为匹配的目标评价函数1这一设想最初是由Potmesil[4]于1983年提出的,在文献[3]的工作中它被推广为最
优加权的最小二乘方法1但文献[3]的方法需要求解非线性最小二乘问题,速度较慢1Masuda等[5]对点集进行随机采样,用最小中值平方误差作为度量准则,该方法在每一次迭代后都需要进行重新采样1Johnson等
[6]
使用特征提取策略去除没有启发信息
的平面点来提高配准速度,在点云数据法矢变化连续、突变比较少的情况下,其速度没有明显的提高1文献[728]通过引入参考点的方法来实现三维点云数据的配准,这些参考点其实也是一种标签点,需要在测量前贴在被测物体上1
本文提出了一种更为通用的空间散乱点云的配准算法,该算法不需要在被测物体上附加任何参考点或标签点,仅利用点云数据自身所具有的几何信息,对待配准散乱点云的相对位置没有要求,可以处在空间任意位置上;而且本文算法能够实现散乱点云的部分配准和整体配准1
1 算法概述
散乱点云的整体配准是一个点云数据与另一个
点云数据进行整体的数据融合,而部分配准是将一个点云数据的子集与另一个点云或其子集进行数据融合1本文算法的基本思想是首先估算出散乱点云数据中每一个测点的法矢和曲率,并根据一个点集中每个测点的曲率来寻找其在另一个点集中的曲率相近点,所有的曲率相近点构成一系列点对1计算将每个点对的法矢方向映射为一致的三维空间变换,每个点对间所有可能的三维变换构建一个哈希列表,找出列表中使得最多数量的点对法矢一致的变换,该变换能够将2个点云数据进行粗略配准1将粗略配准后2个点云的位置作为新的初始位置,用统计出的曲率相近点对作为初始的配准点对集合,运用ICP算法对散乱点云的初始配准结果做进一步地优化,从而实现散乱点云的精确配准1
2 算法原理及步骤
211 散乱点云数据微分几何特性估算
光学扫描设备采集到的点云数据密度很高,存在大量的冗余数据,严重影响后续算法的效率,因此在对散乱点云的微分几何特性估算前,应先按照一定要求减少测量点的数量1
对简化后的点云数据进行空间划分,并在点集中寻找每个测点的k2近邻1设测点pi的k2近邻且包括该点记为Nbhd(pi),为计算该点的法矢和曲率,借鉴文献[9]的方法,采用参数二次曲面来逼近散乱数据点,设二次曲面的参数方程。
㈨ 怎样将点云数据构建DEM用编程实现
机载LiDAR点云数据量庞大，对其进行简化是应用点云数据的关键。尤其在用Delaunay方法构建DEM的时候，平坦区域的点云会产生大量的冗余数据。本文利用移动窗口的算法，剔除冗余数据后再构建DEM，从数据源的角度对算法进行了优化，大大精简了点云数据，并利用基于移动窗日的优化算法对算法中窗口大小的选取和阈值的选取进行了分析，得出了闽值及窗口大小的选取应根据高程数据精度。 DEM拟合地形的精度和逼真度要求而定的结论，对于点云数据的有效应用有一定的借鉴意义。
㈩ 算法：基于opengl 点云模型不可见点(隐藏点)的移除 最后一步搞不定了 分不是问题
要往工程链接中加入OpenGL的静态库文件，然后在程序中加入相应的头文件，之后经过与Winows的接口设置，就可以在程序中使用OpenGL的绘图及相关的函数了。具体情况可以参见下面的文献：
（2）至于读入外部的3ds模型，大体思路是根据之种文件的格式，编写相应的文件读取程序，将相关的数据存入自己定义的结构变量中，以便用OpenGL的函数再在程序场景中显示出来。一般是要在3ds文件中找到以下重要的数据：点，点的索引号，面（对应的顶点索引号），纹理坐标，纹理坐标索引号，法向量，法向量索引号等等。下面的文献是针对读取外部产生的obj文件的，相信对读取3ds文件也有一定借鉴意义：
（3）读入外部模型后，用OpenGL的相关函数，就可以对这个模型进行平移，旋转，缩放等的几何变换，还可以对模型进行光照渲染，透明化处理，反走样处理等等，甚至进行碰撞检测等等。
如有兴趣，可以联系网络成员 A_DEM_Software