《表5 模型拟合的权重函数的结果误差对比》
第三组在带有噪声的激光点云Empire上进行实验,图8-图9为Empire在以上所述权重函数下的可视化实验结果。表5显示了各种方法的误差对比。对于含有噪声的激光点云数据,如前两类数据的实验结果,CnvPCA4比CnvPCA2误差较大。Classic使得更多的噪声点参与到模型拟合中,误差明显增大,图9(e)Classic的实验结果所示,Empire的顶部小圆柱体各个面较分散。曲率小的曲线BDP-CA分配权重时,随拟合点到模型的距离增大而缓慢递减,最终模型由各个点贡献的加权和决定,如表5所示整体拟合误差相对较小。CncPCA,LinePCA算法拟合效果相近,下凸型曲线CncPCA较大程度抑制了正常点的贡献率,导致拟合误差大于LinePCA。LDPCA在阈值内直线下降,正常点参与拟合的贡献极低,另外加上大量的噪声点,局外点的干扰,极端情况如图8(f)LDPCA所示,Empire的一个侧面没有生成。图10为Boxunion_noise的可视化重建效果。
图表编号 | XD0056561800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.25 |
作者 | 王森援、蔡国榕、王宗跃、吴云东 |
绘制单位 | 集美大学理学院、集美大学计算机工程学院、福建省海西政务大数据应用协同创新中心、集美大学计算机工程学院、集美大学计算机工程学院、福建省海西政务大数据应用协同创新中心 |
更多格式 | 高清、无水印(增值服务) |