LCCP研究基础

LCCP算法研究基础

区域生长法的实质是将具有相似性的点云集合起来构成某片区域。区域生长分为两个步骤,首先通过随机采样或其他方法从点云中获取一组种子点,其次是设定种子生长准则,将满足这一准则的点合并到种子像素所在的区域中。

《Object Partitioning using Local Convexity》一文的作者从以往的研究中找到了一种基于凹凸性的分割方法。对于二维图像而言其凹凸性较难描述,但对于三维图像而言,凹凸性几乎是与生俱来的。Stein提出局部凸连接生长方法Locally Convex Connected Patches(LCCP),首先根据点云数据的法向量夹角和空间距离将点云划分为超体素,记录超体素邻接图,判定邻接超体素的连接关系,最后将所有凸连接超体素合并形成最终分割结果。该方法在超体素基础上做生长算法,减少了计算量且使用凹凸性作为生长准则,可以准确分割不同物体的边界,在堆叠物体中有较好的效果。SONG用平面图像轮廓检测方法做预处理,结合 LCCP方法完成对堆叠国际象棋棋子和堆叠管道的分割,改善了欠分割情况。LCCP算法通过选取种子点,以法向量夹角或曲率作为阈值进行区域生长,能够保持良好的边界性与区域连通性,分割效率高,但算法性能依赖于种子选取,且生长时易跨越物体边界,从而造成欠分割的问题。

你可能感兴趣的:(计算机视觉,人工智能,算法)