0.简介PCL作为目前最为强大的点云库，内部存在有大量集成好的算法。而对于数据量大、非同源、含大量噪声且部分重叠的激光点云与影像重建点云，其稀疏程度、噪声程度等不同，非重叠区域的面积很大。真实场景的点云尤其是影像重建点云噪声较多，提取的法向量误差也很大，有的时候NDT和ICP并不能形成良好的匹配，这个时候我们该怎么样评估通过IPC或NDT算出的变换矩阵来估算出算法的精度呢？这个时候就需要通过均方根误差以及重合度来综合评判结果了。1.从Cloudcompare对点云配准进行了解Cloudcompare是一个开源的免费点云处理软件，可以实现常用的点云处理功能，使用也是简单方便。官网网址为http:
0.简介PCL作为目前最为强大的点云库，内部存在有大量集成好的算法。而对于数据量大、非同源、含大量噪声且部分重叠的激光点云与影像重建点云，其稀疏程度、噪声程度等不同，非重叠区域的面积很大。真实场景的点云尤其是影像重建点云噪声较多，提取的法向量误差也很大，有的时候NDT和ICP并不能形成良好的匹配，这个时候我们该怎么样评估通过IPC或NDT算出的变换矩阵来估算出算法的精度呢？这个时候就需要通过均方根误差以及重合度来综合评判结果了。1.从Cloudcompare对点云配准进行了解Cloudcompare是一个开源的免费点云处理软件，可以实现常用的点云处理功能，使用也是简单方便。官网网址为http:
基于SuperPoint与SuperGlue实现图像配准，项目地址https://github.com/magicleap/SuperGluePretrainedNetwork，使用到了特殊算子grid_sample，在转onnx时要求opset_version为16及以上（即pytorch版本为1.9以上）。SuperPoint模型用于提取图像的特征点和特征点描述符（在进行图像配准时需要运行两个，实现对两个图片特征点的提取），SuperGlue模型用于对SuperPoint模型所提取的特征点和特征描述符进行匹配。使用SuperPoint与SuperGlue训练自己的数据库，可以查看该文库资料
基于SuperPoint与SuperGlue实现图像配准，项目地址https://github.com/magicleap/SuperGluePretrainedNetwork，使用到了特殊算子grid_sample，在转onnx时要求opset_version为16及以上（即pytorch版本为1.9以上）。SuperPoint模型用于提取图像的特征点和特征点描述符（在进行图像配准时需要运行两个，实现对两个图片特征点的提取），SuperGlue模型用于对SuperPoint模型所提取的特征点和特征描述符进行匹配。使用SuperPoint与SuperGlue训练自己的数据库，可以查看该文库资料
PythonOpen3D点云配准ICP(IterativeClosestPoint）这篇博客将介绍迭代最近点配准算法(IterativeClosestPoint,ICP)。多年来，它一直是研究和工业中几何注册的支柱。输入是两个点云和一个初始变换，该变换大致将源点云与目标点云对齐。输出是一个精确的变换，它将两个点云紧密对齐。将展示俩种ICP：点对点ICP（PointToPoint）和点对面ICP（PointToPlane）。函数draw_registration_result在icp过程中可视化对齐效果。目标点云和源点云分别用青色和黄色绘制。两个点云彼此重叠得越多越紧密，对齐结果越好。函数eva
PythonOpen3D点云配准ICP(IterativeClosestPoint）这篇博客将介绍迭代最近点配准算法(IterativeClosestPoint,ICP)。多年来，它一直是研究和工业中几何注册的支柱。输入是两个点云和一个初始变换，该变换大致将源点云与目标点云对齐。输出是一个精确的变换，它将两个点云紧密对齐。将展示俩种ICP：点对点ICP（PointToPoint）和点对面ICP（PointToPlane）。函数draw_registration_result在icp过程中可视化对齐效果。目标点云和源点云分别用青色和黄色绘制。两个点云彼此重叠得越多越紧密，对齐结果越好。函数eva
Voxel代码讲解路线第一部分：Additionalsmalltutorial根据注释对图像进行变换环境及背景介绍：代码分析与讲解：1.库的导入：2.图像的输入与预处理：3.手动创建变换矩阵：4.WarpData5.展示结果第二部分：VoxelMorphtutorialVoxelMorph模型和训练教程代码分析与讲解：一、MNIST数据集的介绍和使用：1.库的导入：2.数据的准备：3.CNN模型4.损失函数二、现实的使用场景：颅脑MRI（2维切片）三、3D颅脑数据的使用VoxelMorph官方Github地址：https://github.com/voxelmorph/voxelmorph，本
Voxel代码讲解路线第一部分：Additionalsmalltutorial根据注释对图像进行变换环境及背景介绍：代码分析与讲解：1.库的导入：2.图像的输入与预处理：3.手动创建变换矩阵：4.WarpData5.展示结果第二部分：VoxelMorphtutorialVoxelMorph模型和训练教程代码分析与讲解：一、MNIST数据集的介绍和使用：1.库的导入：2.数据的准备：3.CNN模型4.损失函数二、现实的使用场景：颅脑MRI（2维切片）三、3D颅脑数据的使用VoxelMorph官方Github地址：https://github.com/voxelmorph/voxelmorph，本
输入参数点云A的极坐标集合点云A对应Lidar所在pose点云B的极坐标集合点云B对应Lidar所在poseFeatures根据两个点云的弧度关系确定找点的起始位置根据两个点云的弧度关系设置找点的停止条件算出被投影点云的大跳小跳表，根据大跳小跳表来遍历点云大跳小跳表(假设点云A中间点为a点)建立大跳小跳表的前提点云的弧度是递增的理论上来说当点云A的所有点的弧度都一样，那么点云A中长度和b点长度相同的点，距离最近a点一共有两个大跳表和两个小跳表：序号比a点小的点序号比a点小的点序号比a点大的点序号比a点大的点小跳表1(有序)大跳表1(有序)小跳表2(有序)大跳表2(有序)长度比a短长度比a长长度
输入参数点云A的极坐标集合点云A对应Lidar所在pose点云B的极坐标集合点云B对应Lidar所在poseFeatures根据两个点云的弧度关系确定找点的起始位置根据两个点云的弧度关系设置找点的停止条件算出被投影点云的大跳小跳表，根据大跳小跳表来遍历点云大跳小跳表(假设点云A中间点为a点)建立大跳小跳表的前提点云的弧度是递增的理论上来说当点云A的所有点的弧度都一样，那么点云A中长度和b点长度相同的点，距离最近a点一共有两个大跳表和两个小跳表：序号比a点小的点序号比a点小的点序号比a点大的点序号比a点大的点小跳表1(有序)大跳表1(有序)小跳表2(有序)大跳表2(有序)长度比a短长度比a长长度
