Resumen

En el proceso de adquisición de datos de nubes de puntos mediante un escáner láser 3D, pueden producirse algunos problemas, como valores atípicos, puntos mezclados y agujeros, en la nube de puntos objetivo debido al entorno externo, la discreción del rayo láser y la oclusión de objetos. En este artículo se diseña un algoritmo de optimización y mejora de la calidad de las nubes de puntos. Se establece un octree autoadaptativo para rasterizar la nube de puntos y calcular la densidad de cada cuadrícula, combinándolo con el filtrado estadístico para eliminar los valores atípicos de los datos de la nube de puntos. A continuación, se utiliza un método de proyección plana para eliminar los puntos confusos de los datos de la nube de puntos. Por último, se triangula la nube de puntos, se establece un valor de prioridad y, a continuación, se insertan preferentemente los puntos donde el valor de prioridad es mayor para reparar los agujeros. Los experimentos demuestran que, al eliminar los valores atípicos y los puntos de confusión, se mantienen las características detalladas de la nube de puntos, se rellenan eficazmente los agujeros y se mejora la calidad de la nube de puntos.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:datos de nube de puntos, nube de puntos, agujeros, valores atípicos, puntos de confusión, valor de prioridad, optimización de la calidad de la nube de puntos, escáner láser 3d, método de proyección plana, nube de puntos objetivo
• Keywords:point cloud data, point cloud, holes, outliers, confounding points, priority value, point cloud quality optimization, 3d laser scanner, plane projection method, target point cloud