분할

R2026a

딥러닝 알고리즘을 사용하여 포인트 클라우드 데이터를 군집으로 분할

의미론적 분할은 3차원 포인트 클라우드 점들의 유사한 특성을 사용하여 이 점들을 군집화하고, 각 점을 car, building, ground 또는 vegetation과 같은 클래스 레이블과 연결합니다.

모서리, 이웃 점 속성, 기하학적 모양(예: 직육면체, 평면, 원통)을 기반으로 포인트 클라우드를 분할할 수 있습니다. 분할 과정에 대한 자세한 내용은 Terrain Classification for Aerial Lidar Data 예제를 참조하십시오.

Lidar Toolbox™ 함수는 딥러닝을 사용하는 의미론적 분할도 지원합니다. 포함되어 있는 사전 훈련된 RandLA-Net, SAM(Segment Anything Model), PointSeg, SqueezeSegV2, PointNet++ CNN(컨벌루션 신경망)을 사용하거나 사용자 지정 분할 모델을 개발할 수 있습니다. RandLA-Net 신경망을 사용하는 분할 과정의 예제는 Aerial Lidar Semantic Segmentation Using RandLANet Deep Learning 항목을 참조하십시오.

Semantic segmentation in lidar point clouds.

함수

모두 확장

분할 및 군집화

`pcsegdist`
`pcsegplanes`	Segment point cloud into planar surfaces (R2024b 이후)
`segmentLidarData`
`segmentGroundSMRF`	Segment ground from lidar data using SMRF algorithm
`segmentGroundFromLidarData`
`segmentCurbPoints`	Segment curb points from organized on-road point cloud (R2022b 이후)

딥러닝을 사용한 분할

훈련 데이터 준비하기

`groundTruthLidar`	(To be removed) Object for storing labeled lidar data
`fileDatastore`	사용자 지정 파일 리더를 사용하는 데이터저장소
`pixelLabelDatastore`	Datastore for pixel label data
`combine`	여러 데이터저장소의 데이터 결합
`countEachLabel`	Count occurrence of pixel or box labels

훈련 데이터 증강 및 전처리

`transform`	데이터저장소 변환
`pctransform`	3차원 포인트 클라우드 변환
`bboxwarp`	Apply geometric transformation to bounding boxes

딥러닝 신경망 생성

`pointCloudInputLayer`	Point cloud input layer (R2022b 이후)
`squeezesegv2Network`	Create SqueezeSegV2 segmentation network for organized lidar point cloud (R2024a 이후)
`pointnetplusNetwork`	Create PointNet++ segmentation network (R2024a 이후)

포인트 클라우드 분할

`randlanet`	Segment point clouds using RandLA-Net semantic segmentation network (R2024a 이후)
`trainRandlanet`	Train RandLA-Net network to perform semantic segmentation (R2024a 이후)
`segmentAnythingAerialLidar`	Segment point cloud from prompts using Segment Anything Model (R2024b 이후)
`pcsegsam`	Segment all objects automatically in lidar point cloud using Segment Anything Model (SAM) (R2024b 이후)
`pcsemanticseg`	Point cloud semantic segmentation using deep learning (R2022b 이후)
`segmentAerialLidarVegetation`	Segment vegetation from aerial point cloud data (R2022b 이후)
`segmentAerialLidarBuildings`	Segment buildings from aerial point cloud data (R2022b 이후)
`segmentAerialLidarPowerline`	Segment powerline from aerial point cloud data (R2023b 이후)

결과 평가

`evaluateSemanticSegmentation`	Evaluate semantic segmentation data set against ground truth
`segmentationConfusionMatrix`	Confusion matrix of multi-class pixel-level image segmentation
`labeloverlay`	2차원 영상에 레이블 행렬 영역 겹치기

도움말 항목

Deep Learning with Point Clouds
Learn point cloud processing using deep learning.
Semantic Segmentation in Point Clouds Using Deep Learning
Assign class labels to each point inside a point cloud using deep learning.
PointNet++ 시작하기
PointNet++ 신경망을 정의하고 이를 사용하여 의미론적 분할을 수행합니다.
Get Started with RandLA-Net
Define a RandLA-Net network and use it to perform semantic segmentation of large-scale point clouds.
Datastores for Deep Learning (Deep Learning Toolbox)
Learn how to use datastores in deep learning applications.
딥러닝 계층 목록 (Deep Learning Toolbox)
MATLAB^®에서 제공하는 딥러닝 계층에 대해 알아봅니다.
Generate RoadRunner Scene Using Aerial Hyperspectral and Lidar Data (Automated Driving Toolbox)
Generate RoadRunner scene from aerial hyperspectral and lidar data.

추천 예제

Aerial Lidar Semantic Segmentation Using RandLANet Deep Learning

Train a RandLANet deep learning network to perform semantic segmentation on aerial lidar data.

라이브 스크립트 열기

PointNet++ 딥러닝을 사용한 항공 라이다의 의미론적 분할

이 예제에서는 항공 라이다 데이터에 대해 의미론적 분할을 수행하도록 PointNet++ 딥러닝 신경망을 훈련시키는 방법을 보여줍니다.

라이브 스크립트 열기

Code Generation for Aerial Lidar Semantic Segmentation Using PointNet++ Deep Learning

Generate CUDA® MEX code for a PointNet++ network for lidar semantic segmentation.

라이브 스크립트 열기

Lidar Point Cloud Semantic Segmentation Using PointSeg Deep Learning Network

Train a PointSeg semantic segmentation network on 3-D organized lidar point cloud data.

라이브 스크립트 열기

Lidar Point Cloud Semantic Segmentation Using SqueezeSegV2 Deep Learning Network

Train a SqueezeSegV2 semantic segmentation network on 3-D organized lidar point cloud data.

라이브 스크립트 열기

Code Generation for Lidar Point Cloud Segmentation Network

Generate CUDA® MEX code for a deep learning network for lidar semantic segmentation. This example uses a pretrained SqueezeSegV2 [1] network that can segment organized lidar point clouds belonging to three classes (background, car, and truck). For information on the training procedure for the network, see Lidar Point Cloud Semantic Segmentation Using SqueezeSegV2 Deep Learning Network. The generated MEX code takes a point cloud as input and performs prediction on the point cloud by using the DAGNetwork object for the SqueezeSegV2 network.

라이브 스크립트 열기

Data Augmentations for Lidar Object Detection Using Deep Learning

Perform typical data augmentation techniques for 3-D object detection workflows with lidar data.

라이브 스크립트 열기

Terrain Classification for Aerial Lidar Data

Segment and classify terrain in aerial lidar data as ground, building, and vegetation. The example uses a LAZ file captured by an airborne lidar system as input. First, classify the point cloud data in the LAZ file into ground and non-ground points. Then, further classify non-ground points into building and vegetation points based on normals and curvature features. This figure provides an overview of the process.

라이브 스크립트 열기

Classify Land Cover Using Hyperspectral and Lidar Data

Classify land cover using a fusion of hyperspectral and lidar data.

(Image Processing Toolbox)

Extract Individual Tree Attributes and Forest Metrics from Aerial Lidar Data

Extract individual tree attributes and forest metrics from aerial lidar data.

라이브 스크립트 열기