포인트 클라우드 클러스터링

기능 설명

지정된 규칙에 따라 포인트 클라우드를 클러스터링하고 보통 대상 물체를 분할하는 데 사용됩니다.

point cloud clustering functional description

응용 시나리오

일반적으로 포인트 클라우드의 사전 처리 단계에 사용되며 간섭을 줄 수 있는 포인트 클라우드를 제거합니다.

유클리드 거리(EuclideanCluster) 방법과 영역 성장 세그먼테이션(RegionGrowingSeg) 방법을 통하여 포인트 클라우드에 대해 클러스터링을 할 수 있습니다.

포인트 클라우드가 공간적으로 서로 분리되는 경우에 전자(EuclideanCluster)를 사용하고, 공간적으로 연속되지만 연결점 위치에서 곡률 변동이 큰 경우에 후자(RegionGrowingSeg)를 사용하는 것을 권장합니다.

입력 및 출력

point cloud clustering usage scenario

파라미터 설명

클러스터링 알고리즘

기본값: EuclideanCluster

값 리스트: EuclideanCluster, RegionGrowingSeg

조정 설명: 이 파라미터는 클러스터링 방법을 선택하는 데 사용됩니다. 총 2개의 클러스터링 방법이 있습니다. 실제 작업 현장에서 EuclideanCluster 알고리즘을 사용하는 것을 권장하므로 우선 이 알고리즘을 소개하겠습니다.

  • EuclideanCluster: 거리에 따라서 어떤 범주에 속하는지를 판단합니다.

  • RegionGrowingSeg: 법선 방향과 곡률에 따라 어떤 범주에 속하는지를 판단합니다.

EuclideanCluster

출력된 클러스터 중에 인접된 포인트 간의 최대 거리

기본값: 3.000 mm 파라미터 설명: 이 파라미터는 클러스터링 공차를 설정하는 데 사용되며 단위는 밀리미터 (mm)입니다.

조정 설명: 이 파라미터는 클러스터의 허용 오차입니다. 이 수치를 높이면 멀리 떨어져 있는 포인트들은 같은 클러스터로 분류되고 수치를 작게 설정하면 간격이 가까운 포인트들은 다른 클러스터로 분류될 것입니다.

조절 예시: 아래 그림과 같습니다. 아래 그림과 같이 왼쪽 그림은 기본값이 3.000 mm일 때의 결과이고, 오른쪽 그림은 이 파라미터가 5.000 mm로 조정된 결과입니다. 조정 후 중간 녹색 포인트 클라우드가 다른 유형으로 나뉘어져 있음을 알 수 있습니다.

point cloud clustering Adjacent point distance
코어

기본값: 4

조정 설명: 이 파라미터는 영역 성장 과정에서 인접된 포인트의 법선 방향 각도 차이 역치를 조절하는 데 사용되며 이 수치를 높이면 인접된 임의의 포인트의 법선 방향 각도 차이에 대한 허용 오차가 커지며 각도 차이가 큰 포인트들은 여전히 같은 클러스터로 분류될 것입니다.

RegionGrowingSeg

인접된 포인트 수

기본값: 30

조정 설명: 이 파라미터는 영역 성장 과정의 포인트의 곡률 역치의 상한을 조정하는 데 사용됩니다. 이 값을 크게 조정하면 검색되는 픽셀 수가 증가하여 영역 성장이 빨라지며 이로 인해 얻어지는 클러스터 수가 줄어듭니다.

평활도 역치

기본값: 4

조정 설명: 이 파라미터는 영역 성장 과정의 인접 포인트의 법선 방향 각도 차이 역치를 조정하는 데 사용됩니다. 이 값을 증가시키면 인접한 픽셀들의 법선 방향 각도에 대한 허용 오차가 커지며, 각도 차이가 큰 점들도 여전히 같은 범주로 분류됩니다.

곡률 역치

기본값: 1

설명: 이 파라미터는 영역 성장 과정의 포인트의 곡률 역치의 상한을 조정하는 데 사용됩니다.

클러스터 안의 최소 포인트 수

기본값: 800

조정 설명: 이 파라미터는 클러스터링 후 결과를 필터링하는 데 사용되며 클러스터 안의 최소 포인트 수보다 큰 클래스가 출력됩니다. 이 파라미터를 증가시키면 최종 출력되는 클래스의 수가 줄어들고, 이 파라미터를 감소시키면 최종 출력되는 클래스의 수가 늘어납니다.

클러스터 안의 최대 포인트 수

기본값: 3000000

조정 설명: 클러스터링 클래스를 필터링하기 위한 이 파라미터의 결과는 클래스의 최대 포인트 수보다 작아야 결과가 출력됩니다. 이 파라미터를 증가시키면 최종 출력되는 클래스의 수가 증가하며, 너무 큰 경우 큰 영향을 미치지 않습니다. 이 파라미터를 감소시키면 최종 출력되는 클래스의 수가 줄어듭니다.

조정 예시: 포인트 클라우드 클러스터링 클래스가 5 개 범주 중에서 나온다고 가정하면 포인트는 각각 10000, 20000, 30000, 40000 및 50000입니다. 클러스터 안의 최대 포인트 수가 45000으로 설정되고 최소 포인트 수가 15000으로 설정되면 10000과 50000의 클래스가 필터링되고 출력 포인트 수는 20000, 30000 및 40000입니다.

GPU 사용

기본값: 선택하지 않음

파라미터 설명: 이 파라미터는 GPU를 사용하여 계산 속도를 높일지를 결정합니다.

저희는 귀하의 개인 정보를 소중하게 생각합니다.

당사 웹사이트는 귀하에게 최상의 경험을 제공하기 위해 쿠키를 사용합니다. "모두 수락"을 클릭하시는 경우, 귀하는 사의 쿠키 사용에 동의하게 됩니다. "모두 거부"를 클릭하시는 경우, 귀하가 이 웹사이트를 방문할 때 추적되거나 기억되지 않도록 하기 위해 단일 쿠키가 사용됩니다.