CN119445005A 一种基于视觉的点云图像融合方法 （南京四维向量科技有限公司）

从点云数据和图像数据中提取出几何特征和视2S4：基于点云数据构建出模型架构，并将几何特在同一个邻域内，逐一测量出任意两个点位之间的距离值，并通过网格滤波技术将余下的点云数据转换为网格结构，并设置出网格结构的标准半将位于网格圆外侧的点位记为圆外点，并剔除掉圆外点对应的点云在不同尺度的高斯模糊图像中，逐一计算出相邻尺度的高斯模计算出极值点所在区域中所有点位的灰度值的方差，通过Sobel边缘检测算法计算出关键字所在区域中余下的点位在X轴方向和Y轴方向的选择直方图中峰值最大的梯度方向作为关键点的主方向，并与关键点的幅值组合后，逐一识别出特征描述子的关键字，并将关键字为形状、表面和边缘的特征将所有的图像数据全部导入到图形处理器中，并通过计算机视觉技3通过倾斜校正算法不断调整图像数据的倾斜角度，直至图像数据的中通过中值滤波算法去除校正后的图像数据的噪声，并通过拉普拉斯算将预处理后的图像数据从RGB颜色空间转化为HSV颜色空间，使用色图像数据划分为相邻的A个子区域，将HSV颜色空间的其中一个颜色分量作为子区域的索6.根据权利要求5所述的一种基于视觉的点云图像融合方法，其特征在于，匹配准则预先标定激光雷达和高分辨率相机之间的旋转矩阵和平移;预先标定相机内参矩阵，并通过相机内参矩阵将相机坐标系下的特;通过欧氏距离公式，逐一计算出点云特征点和图像特征点在多维空间内的欧氏距离，4预先设置出误差阈值和RANSAC算法的迭代次数，并初始化一个空依次将所有的匹配特征点作为初始样本，通过初始样本估计出将投影误差小于误差阈值的初始样本对应的匹配特征点记为内点依次将余下的匹配特征点记为验证样本，计算出验证样本的投重复上述步骤，直到达到预设的迭代次数或实时值不再增大时按照编号由小到大的方式，通过数据融合算法依次将配准特征点对将融合特征逐一赋值给对应的融合点，并对赋值后的融合点进行通过计算机视觉技术识别出初始三维模型的边界，并沿边界所在位置画将位于模型边界线上的融合点记为关键点，并将关键点上的几何特通过特征增强算法对关键特征进行增强处理，生成细节特征通过模型简化算法对初始三维模型进行区域简化，并通过细节恢复技5[0003]参考公开号为CN116579967A的专利申请公开了一种基于计算机视觉的三维点云[0004]现有的点云图像融合方法通过计算点云数据和图像数据6[0019]在不同尺度的高斯模糊图像中，逐一计算出相邻尺度的高斯模糊图像之间的差[0021]通过Sobel边缘检测算法计算出关键字所在区域中余下的点位在X轴方向和Y轴方78[0054]按照编号由小到大的方式，通过数据融合算法依次将配准特征点对应的形状特从而构建出能够对目标物体的点云信息和图像信息进行真实且精确体现的高质量的三维9云数据的每个维度分别应用高斯模糊来实现，下采样可以通过体素网格下采样等方法实[0080]在不同尺度的高斯模糊图像中，逐一计算出相邻尺度的高斯模糊图像之间的差被记为极值点的点位的灰度值的方差的最小值，即可为后续极值点的识别和判定提供依[0082]通过Sobel边缘检测算法计算出关键字所在区域中余下的点位在X轴方向和Y轴方及细节信息进行表示的数据集合，为后续的图像处理和三维重建提供高质量的图像数据理后的图像数据中关于视觉方向的特征信息进行分界走向信息的特征，边界特征是指图像数据中能够体现目标物体边界线分布信息的特唯一且独立的特征描述子，且由于点云特征点是点云数据中特征相对突出且明显的点位，唯一且独立的特征描述子，且由于图像特征点是图像数据中特征相对突出且明显的点位，图像特征点进行高相似度的筛选匹配，就需要在点云特征点和图像特征点进行匹配操作，[0127]初始三维模型是指通过几何特征和视觉特征进行初步融合后构建的目标物体的[0130]按照编号由小到大的方式，通过数据融合算法依次将配准特征点对应的形状特体后续的识别和判断提供更加精准且可靠的[0151]由于本实施例所介绍的电子设备为实施本申请实施例一中一种基于视觉的点云各种变化形式，所以在此对于该电子设备