多维点云结构相似性定量化评价

杨紫骞; 王艳秋; 郑福; 孙志斌

doi:10.37188/OPE.20233104.0533

您当前的位置：

首页 >

文章列表页 >

多维点云结构相似性定量化评价

信息科学 | 更新时间：2023-02-28

- 多维点云结构相似性定量化评价
- Quantitative evaluation method for structural similarity of multidimensional point cloud
- 光学精密工程 2023年31卷第4期页码：533-542
- 作者机构：
  
  1.中国科学院国家空间科学中心，北京 100190
  2.中国科学院大学，北京 100049
- 作者简介：
  
  [ "杨紫骞（1996-），男，河北唐山人，博士研究生，2018年于天津工业大学获得学士学位，主要研究方向为图像识别，目标跟踪技术。E-mail：nsscyzq@163.com" ]
  [ "孙志斌（1978-），男，山西运城人，博士生导师，研究员，2007年于中科院物理研究所获得凝聚态物理学博士学位，主要研究方向为信息光电子学与空间科学仪器技术，E-mail： zbsun@nssc.ac.cn" ]
- 基金信息：
  
  国家重点研发计划资助项目(2016YFE0131500);国家自然科学基金委面上项目资助项目(61474123;61274024)
- DOI：10.37188/OPE.20233104.0533
  中图分类号： TP753
- 收稿日期：2022-02-23，
  
  修回日期：2022-03-31，
  
  纸质出版日期：2023-02-25
- 稿件说明：
移动端阅览
杨紫骞,王艳秋,郑福等.多维点云结构相似性定量化评价[J].光学精密工程,2023,31(04):533-542.

YANG Ziqian,WANG Yanqiu,ZHENG Fu,et al.Quantitative evaluation method for structural similarity of multidimensional point cloud[J].Optics and Precision Engineering,2023,31(04):533-542.
杨紫骞,王艳秋,郑福等.多维点云结构相似性定量化评价[J].光学精密工程,2023,31(04):533-542. DOI： 10.37188/OPE.20233104.0533.

YANG Ziqian,WANG Yanqiu,ZHENG Fu,et al.Quantitative evaluation method for structural similarity of multidimensional point cloud[J].Optics and Precision Engineering,2023,31(04):533-542. DOI： 10.37188/OPE.20233104.0533.

摘要

点云配准技术作为点云数据处理中的核心技术，会因为点云质量而影响配准效果，质量好的点云可以提高配准精度、空间模型完整度、即时定位与地图构建系统的性能等，因此评价点云数据质量具有很高的客观价值；而通过传感器获得的点云数据存在系统误差和非系统误差等噪声，因此点云数据处理变得很重要，对点云数据处理效果的评价还没有一个较为客观的方法，本文提出了多维点云结构相似性定量化评价方法。通过将滤波前、后的点云数据和标准点云数据进行对比，分别比较三维坐标轴上所有点坐标的均值、标准差和协方差，再对3个坐标轴上的结构相似性值进行权重分配最终获得三维结构相似关联度，进而对点云滤波、点云稀疏后的点云数据质量进行评价。该方法还对提高配准精度进行了实验验证。经过实验表明，该方法能够评价三维点云的质量，且能够评价不同噪声类型以及处理方法下获得的点云质量，为点云配准提供了参考。该方法不仅对点云预处理和点云质量进行了高效、客观地评价，还提供了一种提高点云配准精度和效率的方法。

Abstract

Point cloud registration technology is the core technology of point cloud data processing. The quality of the point cloud will influence the registration effect of point cloud registration. An excellent quality point cloud can improve registration accuracy， spatial integrity， and slam performance. Therefore， assessing the quality of point cloud data has significant objective value. The point cloud data obtained by the sensor contains noise such as systematic and nonsystematic errors. In this case， point cloud data processing becomes crucial. However， there is no more objective method to evaluate the treatment effect. A quantitative evaluation method of multidimensional point cloud structure similarity is proposed. This method compares the point cloud data before and after filtering with the standard data. The mean， standard deviation， and covariance of all point coordinates on the three-dimensional coordinate axis are compared. Subsequently， the structural similarity values on the three coordinate axes are weighted. Finally， the similarity and correlation degree of the three-dimensional structure is obtained. Then， it realizes the evaluation of point cloud filtering， point cloud sparse， and point cloud data quality. The method is also verified by experiments to improve registration accuracy. Experiments demonstrate its capacity to evaluate the quality of the 3D point cloud. It can evaluate the quality of the point cloud obtained under different noise types and processing methods. It provides a reference for point cloud registration. This method improves both the accuracy and efficiency of cloud point registration， as well as its quality.

关键词

Keywords

references

KIM J ， IM J ， RHYU S ， et al . 3D motion estimation and compensation method for video-based point cloud compression ［J］. IEEE Access ， 2020 ， 8 ： 83538 - 83547 . doi: 10.1109/ACCESS.2020.2991478 http://dx.doi.org/10.1109/ACCESS.2020.2991478

GUO Y L ， WANG H Y ， HU Q Y ， et al . Deep learning for 3D point clouds： a survey ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2021 ， 43 （ 12 ）： 4338 - 4364 . doi: 10.1109/tpami.2020.3005434 http://dx.doi.org/10.1109/tpami.2020.3005434

赵夫群，周明全 . 层次化点云去噪算法［J］. 光学精密工程， 2020 ， 28 （ 7 ）： 1618 - 1625 . doi: 10.37188/OPE.20202807.1618 http://dx.doi.org/10.37188/OPE.20202807.1618

ZHAO F Q ， ZHOU M Q . Hierarchical point cloud denoising algorithm ［J］. Optics and Precision Engineering ， 2020 ， 28 （ 7 ）： 1618 - 1625 . （in Chinese） . doi: 10.37188/OPE.20202807.1618 http://dx.doi.org/10.37188/OPE.20202807.1618

ZHOU Y Y ， CHEN R ， ZHAO Y Q ， et al . Point cloud denoising using non-local collaborative projections ［J］. Pattern Recognition ， 2021 （ 120 ）： 10812 - 10812 . doi: 10.1016/j.patcog.2021.108128 http://dx.doi.org/10.1016/j.patcog.2021.108128

CUI Z G ， GAN Z L ， TANG G J ， et al . Image signature based mean square error for image quality assessment ［J］. Chinese Journal of Electronics ， 2015 ， 24 （ 4 ）： 755 - 760 . doi: 10.1049/cje.2015.10.015 http://dx.doi.org/10.1049/cje.2015.10.015

ZHANG H B ， ZHANG Y P ， WANG L ， et al . Study of image classification accuracy with Fourier ptychography ［J］. Applied Sciences ， 2021 ， 11 （ 10 ）： 4500 . doi: 10.3390/app11104500 http://dx.doi.org/10.3390/app11104500

GIROD ， BERND . What's wrong with mean-squared error？［C］. Digital images and human vision ， 1993 ， 207 - 220 .

SHARMA P K ， BASAVARAJU S ， SUR A . High-resolution image de-raining using conditional GAN with sub-pixel upscaling ［J］. Multimedia Tools and Applications ， 2021 ， 80 （ 1 ）： 1075 - 1094 . doi: 10.1007/s11042-020-09642-7 http://dx.doi.org/10.1007/s11042-020-09642-7

WANG Z ， BOVIK A C ， SHEIKH H R ， et al . Image quality assessment： from error visibility to structural similarity ［J］. IEEE Transactions on Image Processing： a Publication of the IEEE Signal Processing Society ， 2004 ， 13 （ 4 ）： 600 - 612 . doi: 10.1109/tip.2003.819861 http://dx.doi.org/10.1109/tip.2003.819861

WANG Y ， SONG X ， GONG G H ， et al . A multi-scale feature extraction-based normalized attention neural network for image denoising ［J］. Electronics ， 2021 ， 10 （ 3 ）： 319 . doi: 10.3390/electronics10030319 http://dx.doi.org/10.3390/electronics10030319

HAMZA N R ， DIHIN R A ， ABDULAMEER M H . A hybrid image similarity measure based on a new combination of different similarity techniques ［J］. International Journal of Electrical and Computer Engineering （IJECE）， 2020 ， 10 （ 2 ）： 1814 . doi: 10.11591/ijece.v10i2.pp1814-1822 http://dx.doi.org/10.11591/ijece.v10i2.pp1814-1822

浏览量

1277

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

应用改进的粒子群优化模糊聚类实现点云数据的区域分割