曼哈顿距离超体素算法

速度提升28%

针对大规模点云超体素分割任务，本算法提出基于曼哈顿距离的中值模拟及快速子集合并策略，在保证分割精度不降的前提下，整体运行时间较现有最佳方法缩短10.6%至28.3%，适用于对实时性有要求的点云处理场景。

Yiteng, Yuan · Jie, Wang · 李未 · Kaipeng, Wang · 饶泓 · 徐健锋

International Journal of Applied Earth Observation and Geoinformation 2024

参数信息

运行时间缩短

10.6–28.3 %

技术优势

处理速度显著提升

采用贪婪策略下的区间快速排序和区域生长方法快速合并子集，结合曼哈顿距离和种子点中值模拟，使算法运行时间比现有最佳方法缩短10.6%至28.3%。

分割精度保持领先

在UE、GCE、BR等指标上均取得与现有最佳方法相当或更好的结果，保证速度提升的同时没有牺牲边界精度。

适合大规模点云

通过子集选择公式化和快速合并策略，该方法专门针对大规模点云的超体素过分割设计，适用于实际大数据场景。

应用场景

• 大规模点云处理：大幅缩短大规模点云超体素分割的处理时间，支持实时或近实时分析。
• 三维重建：为三维重建提供快速且准确的过分割结果，作为后续处理的高效基础。
• 机器人环境感知：使机器人能在复杂环境中快速分割点云，提升环境感知的实时性。
• 无人机地形测绘：加速无人机采集的大规模地形点云的超体素分割，支持快速地形建模。