Quais são as melhores soluções para detectar linha em uma nuvem de pontos? Comparação sendo feita com e entre Hough Transform , Radon Transform , RANSAC (consulte a wikipedia) e Brute-Force Search (consulte a wikipedia).
Qual é o mais robusto contra a dispersão de pontos na nuvem de pontos?
Nota:
1- A pergunta é sobre nuvem de pontos 3D e não imagem.
2 - Os pontos na nuvem de pontos são aleatoriamente dispersos (locais completamente esparsos).
3- Não há informações sobre o objeto (linha) sendo explorado em termos de orientação preferida, tamanho etc.
4- É necessário considerar uma tolerância em torno da linha candidata.
Atualizações:
De acordo com meus experimentos: o RANSAC pode perder facilmente algumas linhas. É bom para a detecção rápida de arestas, no entanto, a complexidade da dispersão de pontos pode produzir resultados indesejados. Hough e Radon são muito parecidos e não tive chance de experimentar a nuvem de pontos 3D, mas eles funcionam bem em casos 2D. Há uma dificuldade na extração de segmentos de linhas encontradas. O BFS é simplesmente impraticável para grandes conjuntos de dados.
fonte
Respostas:
Realmente depende, como você medirá a qualidade das soluções? quais são as suas necessidades, em tempo real, alta precisão? qual é o tamanho da nuvem de pontos?
Você mencionou métodos baseados no processamento de sinal válidos, mas sofisticados, para resolver o problema.
Deixe-me acrescentar três métodos que você não mencionou que são clássicos e de natureza mais estatística: mínimos quadrados, regressão de crista e laço.
fonte
Se você está realmente preocupado com as linhas de detecção, pode fazer uma abordagem simplificada.
Projete sua nuvem de pontos - em pelo menos duas superfícies. Digamos projetá-los nos planos XY e YZ. Basicamente, comece com uma tela em branco e projete cada ponto com base em alguns critérios de geometria. Então agora você terá uma tela 2D finita que está toda em branco, mas os pontos brancos estão presentes. Agora você pode aplicar a transformação hough nessas telas.
Com base no hough, você obterá as linhas e para dois planos respectivos. O próximo passo é realmente associar essas linhas para identificar uma única linha 3D.(r,θ) (r,ϕ)
No que diz respeito à precisão, quando os dados são escassos, a pontuação do hough (ou seja, força) pode ser menor. No entanto, funcionará se no geral todas as linhas forem esparsas. É um problema quando você está comparando uma linha muito longa com uma linha curta.
fonte