三维扫描后的数据如何进一步处理

寂静回声

问

答 贵司的三维扫描仪竟然没有配备相应的点云数据软件和逆向工程软件吗。逆向工程软件功能通常都是集中于处理和优化密集的扫描点云以生成更规则的结果点云，通过规则的点云可以应用于快速成型，也可以根据这些规则的点云构建出最终的NURBS曲面以输入到CAD软件进行后续的结构和功能设计工作
   如果你问原理
（1）三维匹配：两帧或者多帧点云数据之间的匹配，因为激光扫描光束受物体遮挡的原因，不可能通过一次扫描完成对整个物体的三维点云的获取。因此需要从不同的位置和角度对物体进行扫描。三维匹配的目的就是把相邻扫描的点云数据拼接在一起。三维匹配重点关注匹配算法，常用的算法有最近点迭代算法 ICP和各种全局匹配算法
（2）多视图三维重建：计算机视觉中多视图一般利用图像信息，考虑多视几何的一些约束，相关研究目前很火，射影几何和多视图几何是视觉方法的基础。在摄影测量中类似的存在共线方程，光束平差法等研究。这里也将点云的多视匹配放在这里，比如人体的三维重建，点云的多视重建不仅强调逐帧的匹配，还需要考虑不同角度观测产生误差累积，因此也存在一个优化或者平差的过程在里面。通常是通过观测形成闭环进行整体平差实现，多视图重建强调整体优化。可以只使用图像，或者点云，也可以两者结合（深度图像）实现。重建的结果通常是Mesh网格。

（3）3D SLAM：点云匹配（最近点迭代算法 ICP、正态分布变换方法 NDT）+位姿图优化（g2o、LUM、ELCH、Toro、SPA）；实时3D SLAM算法 （LOAM）；Kalman滤波方法。3D SLAM通常产生3D点云，或者Octree Map。基于视觉（单目、双目、鱼眼相机、深度相机）方法的SLAM，比如orbSLAM，lsdSLAM

（5）形状检测与分类：点云技术在逆向工程中有很普遍的应用。构建大量的几何模型之后，如何有效的管理，检索是一个很困难的问题。需要对点云（Mesh）模型进行特征描述，分类。根据模型的特征信息进行模型的检索。同时包括如何从场景中检索某类特定的物体，这类方法关注的重点是模型。（6）语义分类：获取场景点云之后，如何有效的利用点云信息，如何理解点云场景的内容，进行点云的分类很有必要，需要为每个点云进行Labeling。可以分为基于点的方法，基于分割的分类方法。从方法上可以分为基于监督分类的技术或者非监督分类技术，深度学习也是一个很有希望应用的技术。1、点云滤波方法（数据预处理）：双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致性滤波。VoxelGrid2、关键点ISS3D、Harris3D、NARFSIFT3D、3、特征和特征描述法线和曲率计算NormalEstimation、特征值分析Eigen-Analysis、EGIPFH、FPFH、3D Shape Context、Spin Image4、点云匹配ICP、稳健ICP、point to plane ICP、Point to line ICP、MBICP、GICPNDT 3D、Multil-Layer NDTFPCS、KFPCS、SAC-IALine Segment Matching、ICL5、点云分割与分类分割：区域生长、Ransac线面提取、NDT-RANSAC、K-Means、Normalize Cut（Context based）3D Hough Transform(线、面提取)、连通分析、分类：基于点的分类，基于分割的分类；监督分类与非监督分类6、SLAM图优化g2o、LUM、ELCH、Toro、SPASLAM方法：ICP、MBICP、IDC、likehood Field、Cross Correlation、NDT7、目标识别、检索Hausdorff距离计算（人脸识别）8、变化检测基于八叉树的变化检测9. 三维重建泊松重建、Delanay triangulations表面重建，人体重建，建筑物重建，树木重建。实时重建：重建植被或者农作物的4D（3D+时间）生长态势；人体姿势识别；表情识别；10.点云数据管理点云压缩，点云索引（KD、Octree），点云LOD（金字塔），海量点云的渲染