摘要：激光雷达扫描技术是一种采集三维数据,重建三维模型的新兴手段,随着激光雷达技术的发展,和三维模型重建在各个领域的需求,点云数据的处理已经是国内外研究的热点问题。点云分割的目的是提取点云中的不同物体，从而实现分而治之，突出重点，单独处理的目的。而在现实点云数据中，往往对场景中的物体有一定先验知识。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。同时，点云与图像切割融合的技术也让点云切割有了进步。
关键词：点云，图像语义分割，深度学习
1引言
行道树参数提取是现代林业资源管理亟待解决的核心问题之一。移动激光扫描（Mobile laser scanning，MLS）测量技术能够快速获取高分辨率、高精度的树木垂直结构数据，改善难度大、周期长的传统行道树资源调查作业模式，实现大范围、全面快速地获取单木尺度的行道树参数信息，成为当前的研究热点及未来的发展趋势。然而，受到非均匀离散点云和复杂城区环境影响，行道树点云分割成为一项复杂且具有挑战性的工作，研究行道树MLS点云分割算法显得十分必要和迫切[1]。
近年来，众多图像目标检测/实例分割算法相继提出，并在COCO等大型数据集上获得得较高精度。课题拟将3DMLS点云映射为2.5D的深度图像，采用经行道树图像预训练过的图像目标检测/实例分割网络学习行道树实例分割模型，保证行道树MLS点云分割的精度和效率。
2.研究现状
2.1常见的点云切割处理网络
2.1.1 常规的点云切割方法
常见的点云分割有 RANSAC 算法、欧氏聚类算法、区域增长算法、最小割算法等，针对不同算法，众多学者 对其进行了相应研究。RANSAC 算法作为随机参数的估计算法[2]，由 Fishier 等人于 1981 提出，该算法在直线拟合、平面拟合、计算图形方面应用广泛，在点云分割中，该算法通常用于提取平面点云[3]。
2.1.2 深度学习领域点云切割方法
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
