Key points are not available for this paper at this time.
A aquisição do modelo completo de nuvem de pontos dos alvos é crucial para tarefas como reconstrução 3D e captura desordenada. Disparar alvos de múltiplas perspectivas e registrar nuvens de pontos de diferentes ângulos pode obter um modelo de nuvem de pontos relativamente completo. No entanto, alvos em cenas pequenas, como componentes industriais, muitas vezes sofrem com problemas como falta de textura e oclusão, resultando em baixa precisão de registro e processos demorados. Além disso, o modelo de nuvem de pontos registrado pode apresentar densidade desigual e ruído óbvio, o que dificulta o uso e a análise subsequentes do modelo. Para abordar essas questões, este artigo propõe um algoritmo de Transformação Normal Melhorada (NDT) que pode determinar automaticamente o tamanho do voxel para melhorar a eficiência de registro, garantindo ao mesmo tempo a precisão do registro. Além disso, é proposto o método de otimização de nuvem de pontos Detecção de áreas Sobrepostas-Uniformidade de Densidade-Remoção de Ruído Marginal (ODM), que primeiro calcula os centróides das áreas sobrepostas para processamento de consistência de densidade e, em seguida, utiliza características normais extraídas para remover o ruído. Nosso método foi testado tanto no conjunto de dados Robbi quanto no conjunto de dados autodidata. Os resultados experimentais mostram que o algoritmo NDT melhorado apresenta alta precisão e eficiência para alvos em cenas pequenas com tamanhos variando de 12,91mm a 210mm, e o modelo de nuvem de pontos otimizado usando o método ODM tem densidade uniforme e sem ruído.
Zhang et al. (Sex,) estudaram essa questão.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: