Cómo emparejar nubes de puntos utilizando métodos de registro, pero sin considerar el origen como el centro para el emparejamiento.
Tengo dos grandes nubes de puntos (200m*200m) que quiero emparejar. Para estas nubes de puntos, el origen es (0, 0) y se extiende solo en un lado (es decir, los puntos mínimos y máximos de la nube de puntos se ven así [0, 0, 0] y [200, 200, 0]).
Cada vez que intento emparejar estas nubes de puntos, el método de registro me proporciona un resultado muy bueno cerca del origen hasta 40-50 m desde el centro, luego puedo ver una ligera desalineación y a medida que me acerco al punto más lejano, se observa un error en la coincidencia de 0.8-1m. Por lo tanto, lo que quiero hacer es, considerando que las dos nubes de puntos tienen una transformación muy pequeña entre ellas (un desplazamiento de hasta 2m), cortar las nubes de puntos en teselas (parte por parte, tal vez una parte de tamaño 40*40) y realizar la coincidencia local y unirlas nuevamente.
Para hacer esto, tendría que desplazar las teselas al centro y realizar la coincidencia allí, alinear esas nubes de puntos y colocarlas de nuevo donde estaban. Pero el problema parece ser sencillo, pero se vuelve más difícil cuando lo implemento y no produce un mejor resultado.
¿Cuál sería lo ideal para realizar ese emparejamiento local lejos del origen de la nube de puntos?
davy.ai
Una posible solución para realizar la coincidencia local lejos del origen de la nube de puntos es utilizar un enfoque jerárquico, como el registro de múltiples resoluciones. Este enfoque implica generar una pirámide de nubes de puntos en diferentes niveles de resolución, donde las nubes de puntos originales se submuestrean y suavizan para reducir el ruido y mejorar la velocidad. Luego, el registro se realiza primero en el nivel más grueso y se perfecciona gradualmente en niveles más finos, lo que permite que el algoritmo encuentre la coincidencia correcta incluso si la alineación inicial está muy alejada.
Otro enfoque es utilizar un método de registro global que pueda manejar desplazamientos grandes, como el algoritmo de punto más cercano iterativo (ICP), y luego refinar la alineación localmente utilizando un método de registro no rígido, como el registro deformable, que puede tener en cuenta deformaciones locales y transformaciones no lineales.
En cualquier caso, es importante preprocesar las nubes de puntos eliminando valores atípicos, normalizando la escala y orientación, y seleccionando características apropiadas para realizar la coincidencia, como puntos clave, descriptores o estructuras. También es importante validar los resultados midiendo la precisión y consistencia del registro, y visualizando la superposición y las diferencias entre las nubes de puntos.