在点云中检测线的最佳解决方案是什么？与Hough 变换、Radon 变换、RANSAC（参见维基百科）和蛮力搜索（参见维基百科）进行比较。
哪一个对点云中点的分散最稳健？
注意：
1-问题是关于 3D 点云而不是图像。
2-点云中的点是随机分散的（完全稀疏的位置）。
3- 没有关于正在探索的对象（线）在首选方向、大小等方面的信息。
4- 需要考虑候选线周围的容差。
更新：
根据我的实验：RANSAC 很容易漏掉一些行。它有利于快速检测边缘，但是点分散的复杂性可能会产生不希望的输出。Hough 和 Radon 非常相似，我没有机会尝试 3D 点云，但是它们在 2D 情况下运行良好。提取找到的线段有困难。BFS 对于大型数据集根本不切实际。
检测点云中的线
信息处理
边缘检测
相关性
点云
2021-12-26 22:35:19
2个回答
这真的取决于，您将如何衡量解决方案的质量？您的要求是什么，实时性，高精度？点云有多大？
您提到了解决问题的有效但奇特的基于信号处理的方法。
让我添加您没有提到的三种经典且本质上更具统计性的方法：最小二乘法、岭回归和套索。
如果你真的关心检测线，你可以做一个简化的方法。
将您的点云投影到至少两个表面上。假设将它们投影在 XY 平面和 YZ 平面上。基本上从空白画布开始，并根据一些几何标准投影每个点。因此，现在您将拥有一个有限的 2D 画布，它全是空白，但存在白点。现在您可以在此画布上应用霍夫变换。
基于霍夫，你会得到线和对于两个各自的平面。下一步实际上是关联这些线以从中识别出单个 3D 线。
就准确性而言，当数据稀疏时，hough 的得分（即强度）可以更低。但是，如果总体上所有行都是稀疏的，它将起作用。当您将非常长的线与短线进行比较时，这是一个问题。
其它你可能感兴趣的问题