Versions Compared

Old Version 1

changes.mady.by.user Anonymous

Saved on

compared with

New Version Current

changes.mady.by.user Omar Lamrani

Saved on

Key

  • This line was added.
  • This line was removed.
  • Formatting was changed.
Info
iconfalse

/wiki/spaces/VisionLidarEN17/pages/2654818

English Version


L’outil de clusterisation détecte les objets en utilisant 2 paramètres:

  • Distance de séparation: La distance de séparation minimale entre

regroupement

  • les regroupements de points. Plus cette valeur est élevée, plus il est probable que le logiciel détecte et “fusionne”

de

  • des  regroupements de points à proximité. Une plus petite distance de séparation, par contre, pourrait séparer un objet en 2 ou plusieurs clusters.

  • Nombre de points minimum: Le nombre minimal de points pour qu’un regroupement de points soit considéré en tant que cluster. Plus cette valeur sera petite, plus il sera probable que les objets contenant peu de points seront considérés en tant que clusters.

Clusters GUI 3.pngImage Removed

Il y a aussi l’option “simplifier par grille” pour l'échantillonnage de la zone de traitement. Cette option simplifie le nuage de points à traiter, rendant la détection des clusters plus rapide puisque


Image Added


Il existe également une option de sous-échantillonnage lors de la détection des clusters. Cette option accélérera le processus de détection car moins de points seront analysés

durant

pendant la détection.

L’option de simplification

L'option de sous-échantillonnage conserve 1 point par cellule et

ne traitera pas

supprime le reste des points

durant

pendant la détection. La taille de la cellule est déterminée par la valeur inscrite

dans le champ de simplification

pour la "Simplifier par grille". Plus cette valeur

sera

est élevée, plus la taille de cellule utilisée

sera

est grande;

donc

par conséquent, moins de points seront analysés.

Un

Une taille de

cellule

sous-échantillon plus petite

considérera plus

éliminera moins de points pour la détection; ainsi détectant les

clusters

clusters avec plus

précisément

de précision tout en prenant plus de temps

pour la détection. En ne cochant pas cette option, tous les points seront analysés

de traitement.

La zone à

être analysée

analyser doit être considérée avant

que la détection prenne place -

la détection

de clusters peut prendre beaucoup de temps. L’utilisateur

. L'utilisateur peut segmenter le nuage de points

en utilisant l’outil de “Clôture”; la clusterisation fonctionne seulement

à l'aide de l'outil de clôture ou de la boîte de clipping, l'outil de clusterisation ne fonctionnera alors que sur les points visibles.

L’utilisateur peut aussi créer une extraction (voir la section 7 de ce document) d’un secteur à l’intérieur du

De plus, des classes peuvent être fermées comme le sol (ce qui est fortement recommandé) afin que les points de ces classes ne soient pas traités. L'utilisateur peut également créer une extraction d'une zone dans le nuage de points. La détection de clusters

à l’intérieur d’une extraction rendra la détection beaucoup plus rapide en raison du nombre de points à traiter qui sera diminué

dans une extraction accélère le processus de détection en raison de la quantité réduite de points considérés.

L'option "Petit cluster vers classe" permet de classer les points qui apparaîtraient dans les clusters avec moins de points que le minimum requis pour qu'ils soient conservés tels quels. Il s'agit généralement de classer un petit groupe de points comme du bruit.