针对现有迭代最邻近点(ICP)算法在点云数据配准过程中查找对应最近点速度缓慢、配准效率低的问题,提出一种采用点云重心距离进行边界检测的点云数据配准新算法.该算法首先运用主成分分析法进行点云数据粗配准,获得良好点云姿态;其次,采用点云重心距离特征进行边界检测并提取待配准点云边界;在此基础上,利用K-D树在两点云边界中查找对应最近点对,并通过单位四元数法进行坐标转换,求得平移矩阵及旋转矩阵,从而实现快速、精确的点云数据配准.实验结果表明:与经典ICP算法、现有改进ICP算法相比,本文中点云边界特征点的提取简单快速,极大简化了配准点集,简化率达到2.24%,改进方法的配准效率提高了25.8%.本文算法在保证精度基础上有效提高了配准效率,适用于数据量较大的点云数据配准.

边界检测方法可根据处理方法包括空域和频域。但空域处理运算量较大, 尤对压缩的图像信息来说, 要经过频域-空域-频域的处理过程, 其计算量太大以至于无法满足视频信息实时处理的需要。对此, 频域处理就显得尤为重要, 离散余弦变换具有计算量小、正交性、固定实基函数等特点而在图像处理和压缩中得到广泛应用。基于图像块频域系数和空域图像特征之间的对应关系, 提出一种快速频域估计边界特性的方法。该方法仅根据压缩后的F(1,0)和F(0,1)两个低频交流系数, 判别图像块内的边界方向。

先大津法计算全局图像的阈值，再用阈值分割找出肺实质区域，再填补肺实质空洞，实现用边界追踪检测肺实质边界的目的

主要讲述了点云孔洞修补的过程，怎么检测边界，针对散乱点云数据分布不规律性，提出了改进的动态网格 k 邻域算法，建立点云空间拓扑关系，实验表明该算法不仅能够快速、准确地查找出目标点的 k 邻近点，还具有较为广泛的适用范围