点云从入门到精通技术详解100篇-基于点云与图像纹理的 道路识别（续）

目录

3.1.2 图像滤波去噪

3.2 道路纹理特征提取

3.3 基于超像素分割的图像特征表达

3.3.1 SLIC 算法

3.3.2 改进 SLIC 算法的超像素特征图获取

3.4 基于改进区域生长算法的道路区域分割

3.4.1 种子点的选择

3.4.2 生长准则

3.4.3 道路区域后处理

3.5 实验结果分析

4 基于激光雷达点云的道路识别

4.1 点云预处理

4.1.1 点云数据解析

4.1.2 点云数据筛选

4.1.3 点云坐标转换

4.2 基于雷达图像的道路分割

4.2.1 雷达图像表示形式

4.2.2 基于高度差信息的道路粗分

4.2.3 基于按行线扫描的道路优化

4.3 基于 Alpha Shapes 算法的道路分割结果填充

4.3.1 相机图像内的道路分割结果

4.3.2 基于 Alpha Shapes 算法的边界提取及填充

4.4 实验结果分析

5 基于点云与图像融合的道路识别

5.1 MRF 模型

5.1.1 邻域系统和团块

5.1.2 能量函数构造

5.1.3 能量最小化

5.2 基于多模态马尔可夫随机场融合的道路识别

5.2.1 多模态马尔可夫融合模型的建立

5.2.2 模型求解与融合结果分析

6 实验结果与分析

6.1 实验环境介绍

6.2 实验结果分析

6.2.1 KITTI-Road 数据集下的实验结果分析

6.2.2 Illumination 数据集下的实验结果分析

6.2.3 Slopes 数据集下的实验结果分析

---

本文篇幅较长，分为上下两篇，上篇详见 基于点云与图像纹理的 道路识别

3.1.2 图像滤波去噪

图像数据采集和传送过程中往往会受到各类噪声的干扰影响，