الگوریتم فیلترینگ ابر سه بعدی نقطه ای
ترجمه نشده

الگوریتم فیلترینگ ابر سه بعدی نقطه ای

عنوان فارسی مقاله: یک الگوریتم فیلترینگ ابر سه بعدی نقطه ای مبتنی بر طبقه بندی عامل تغیر سطح
عنوان انگلیسی مقاله: A 3D Point Cloud Filtering Algorithm based on Surface Variation Factor Classification
مجله/کنفرانس: علوم کامپیوتر پروسیدیا-Procedia Computer Science
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: رایانش ابری، الگوریتم ها و محاسبات
کلمات کلیدی فارسی: تحلیل مولفه های وزنی اصلی، عامل تغییر سطح، فیلترینگ میانی بهبود یافته، فیلترینگ دو جانبه تطبیقی
کلمات کلیدی انگلیسی: Weighted Principal Component Analysis; Surface Variation Factor; Improved Median Filtering; Adaptive Bilateral Filtering
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.procs.2019.06.010
دانشگاه: College of Mechanical & Electronic Engineering, Shandong University of Science and Technology, Qingdao, Shandong, 266510,China
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 1.257 در سال 2018
شاخص H_index: 47 در سال 2019
شاخص SJR: 0.281 در سال 2018
شناسه ISSN: 1877-0509
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 8
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E12276
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


1-Introduction


2-Related work


3-Proposed Algorithm


4-Experiments and Result Analysis


5-Conclusion


Acknowledgement


References

نمونه متن انگلیسی مقاله

Abstract


In order to effectively smooth the noise in 3D point cloud without losing the detailed features of the model, a new filtering algorithm based on surface variation factor segmentation is proposed. The method adopts different filtering algorithms on different feature regions of the model. Firstly, the normal vectors of a point cloud model are estimated by using weighted principal component analysis (PCA) method, and the surface variation factor of each point is estimated. Secondly, the point cloud model is divided into flat regions and mutant regions by comparing the surface variation factor of the sampling point with the average surface variant factor of the sampling point k-neighborhood. Finally, the improved median filtering algorithm is applied to flat regions, and improved bilateral filtering algorithm is applied to mutant regions. Experimental results show that it has a preferable smoothing effect and reserves the detail features of point cloud.


Introduction


3D reconstruction technology is widely used in reverse engineering, 3D printing, virtual reality, archaeology, medicine and other fields [1-3]. 3D point cloud modeling is an effective objects modeling method, however, the premise of reconstructing the scanned object is to obtain the real data of the object surface. But because of some human or environmental factors, as well the defects of the scanning device itself, unreasonable noise will inevitably exist in the scanning data, however, these noise data will cause serious problems for subsequent related processing in modeling and measurement [4-6]. Therefore, 3D point cloud filtering is a key step before modeling. The purpose of filtering is to effectively eliminate and smooth the noise in 3D point cloud model, and reserve the original detail features of the object surface.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

الگوریتم فیلترینگ ابر سه بعدی نقطه ای
نوشته های مرتبط
مقالات جدید
پیوندها