CN102629367B - 基于KDTree的点云数据双边滤波去噪的方法 - Google Patents
基于KDTree的点云数据双边滤波去噪的方法 Download PDFInfo
- Publication number
- CN102629367B CN102629367B CN201210013723.6A CN201210013723A CN102629367B CN 102629367 B CN102629367 B CN 102629367B CN 201210013723 A CN201210013723 A CN 201210013723A CN 102629367 B CN102629367 B CN 102629367B
- Authority
- CN
- China
- Prior art keywords
- point
- filtering
- data
- data point
- kdtree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种利用地面激光扫描技术进行测量对象表面重建时基于KDTree的点云数据双边滤波去噪的方法,在双边滤波算法中,通过KDTree来建立散乱点云数据点的领域,有了数据点的领域点集,利用逆迭代法求领域点得法向量ni,再计算滤波函数参数及滤波高斯参数得到双边滤波权因子λ,最终得到滤波后的新数据点p'i=pi+λni。本发明的双边滤波方法用于滤除点云数据的噪声,方法简单有效,并且运算速度快,能够在保持特征的同时去除噪声,适用于处理小范围的噪声。
Description
技术领域
本发明涉及到测绘科学与技术、逆向工程、古建数字保护领域,具体涉及利用地面激光扫描技术进行对象表面重建时,基于KDTree的点云数据双边滤波去噪的方法。
背景技术
地面三维激光扫描技术是三维激光扫描技术的非常重要组成部分,在测绘领域有广泛的应用。TLS获取的原始点云数据是密集、离散分布的,又是海量数据的集合,同时存在大量噪声与冗余数据。针对TLS的海量点云数据的去噪,需要有一套行之有效的优化方法,才能达到精化、压缩与平滑点云数据的目的。
对TLS采集的点云数据可以删除肉眼能识别的噪声点,但物体点云的表面仍然有“浮点”、“坏点”无法去除,需要进行滤波。其中研究比较成熟的方法如中值、均值、高斯及平均曲率流滤波对于海量点云数据的滤波来说,消耗的时间难以承受,效率低;拉普拉斯、维纳与卡尔曼滤波会使模型产生不同程度的收缩,导致模型变形;小波去噪、均值漂移算法效果好,但算法复杂,实现较难。相比较而言,本发明采用的双边滤波算法很好地保持了点云数据所表达的实体表面特征信息,方法简单有效,并且运算速度快。为了克服不能处理大范围噪声的局限,可先通过交互去噪处理大量的噪声,在此基础上,结合KDTree建立点与点拓扑关系,快速搜索最近邻域点,运用双边滤波法去噪,加速滤波速度和效果。
发明内容
本发明所要解决的技术问题是提供一种将双边滤波方法用于三维点云数据的滤波,主要是处理点云数据中的噪声,即基于KDTree的点云数据双边滤波去噪的方法。
本发明采用的技术方案是:
利用地面激光扫描技术进行测量对象表面重建时基于KDTree的点云数据双边滤波去噪的方法,其特征在于,其具体步骤为:
① 在地面三维激光扫描技术中的三维点云数据的滤波中,定义
上式中p′为数据点p滤波后的新数据点,λ为双边滤波权因子,n为数据点p的法向,双边滤波权因子λ定义如下
式中N(pi)是数据点pi的邻居点,光顺滤波是标准高斯滤波,表示为
特征保持权重函数类似于光顺滤波,可定义为
其中,参数σc是数据点pi到邻居点的距离对该点的影响因子;参数σs是数据点pi到邻近点的距离向量,在该点法向ni上的投影对数据点qi的影响因子;
② 散乱数据点的法矢量估计,可以利用数据点领域内的点集进行最小二乘平面拟合,以拟合平面的法矢量作为该点的法矢量;设P为散乱点云中的一个数据点,其领域点集记为k-N(P),即包含与P距离最近的k个数据点;令拟合平面的法矢量为N,构造目标函数D表示k-N (P)中的点Q到拟合平面的距离:
式(5)的求解可转化求下面矩阵M的特征值问题:
利用数值方法可以得到矩阵M的最小特征值,最小特征值对应的特征向量单位化后就是拟合平面的法矢量N,即散乱数据点P的单位法矢量;它们分别表示数据点切平面方向和法向方向上的高斯滤波常量系数,反映了对任一数据点p实施双边滤波操作时的切向和法向影响范围;可以设置相邻两个数据点的N1·N2≈±1 的条件,克服法矢量二义性的问题(即法矢量的指向可能不是曲面的同侧);
③ 读取点云数据,通过KDTree找到每一个数据点pi的m 个近邻点kij , j = 0,···, m-1;
④ 按散乱点法向估计的方法计算每个数据点pi的法向量ni;
⑤ 计算每个邻近点kij的滤波函数参数x = ‖pi - kij‖,表示点pi到邻近点kij的距离;求特征保持权重函数的参数y =〈ni , pi - kij〉,表示点pi与邻近点的距离向量pi - kij与该点法向的内积;
⑥ 按照式(3)和(4)求出滤波高斯函数HC( x )和HS( y);
⑦ 计算双边滤波权因子λ,将HC( x )和HS( y)代入式(2)求解;
⑧ 得到滤波后的新数据点p′i=pi+λni;
⑨ 当所有的数据点都经过更新后,双边滤波结束,把得到的优质数据源提供给三维重建技术,用于测量对象表面的三维重建。
所述基于KDTree的点云数据双边滤波去噪的方法,其特征在于,所述的KDTree为二叉树,每个节点对应一个长方体盒和一个分割平面,分割平面与一个坐标轴平行,分割平面将长方体盒分割成两个子长方体盒,构成KDTree的两个子节点;基于这样的结构,KDTree非常适合与存储空间中的位置和大小信息,将离散的点云数据存储到KDTree中,可以利用KDTree的这个性质,更好的组织点云的存储结构,达到建立点的拓扑关系,快速遍历领域点集的目的。
所述基于KDTree的点云数据双边滤波去噪的方法,其特征在于,求得矩阵M的最小特征值的数值方法是逆迭代法。
本发明的有益效果在于:
本发明的双边滤波方法用于滤除点云数据的噪声,方法简单有效,并且运算速度快,能够在保持特征的同时去除噪声,适用于处理小范围的噪声。
附图说明
图1为本发明的点云数据双边滤波去噪的流程图。
图2为某历史古建筑单站扫描原始点云图。
图3为交互方法去噪后剩下的噪声点的点云图。
图4为按本发明的方法实现滤波去噪后的最终点云图。
具体实施方式
如图1所示,利用地面激光扫描技术进行测量对象表面重建时基于KDTree的点云数据双边滤波去噪的方法,具体步骤为:
① 在地面三维激光扫描技术中的三维点云数据的滤波中,定义
上式中为数据点p滤波后的新数据点,λ为双边滤波权因子,n为数据点p的法向,双边滤波权因子λ定义如下
式中N(pi)是数据点pi的邻居点,光顺滤波是标准高斯滤波,表示为
特征保持权重函数类似于光顺滤波,可定义为
其中,参数σc是数据点pi到邻居点的距离对该点的影响因子;参数σs是数据点pi到邻近点的距离向量,在该点法向ni上的投影对数据点qi的影响因子;
② 散乱数据点的法矢量估计,可以利用数据点领域内的点集进行最小二乘平面拟合,以拟合平面的法矢量作为该点的法矢量;设P为散乱点云中的一个数据点,其领域点集记为k-N(P),即包含与P距离最近的k个数据点;令拟合平面的法矢量为N,构造目标函数D表示k-N (P)中的点Q到拟合平面的距离:
式(5)的求解可转化求下面矩阵M的特征值问题:
利用数值方法可以得到矩阵M的最小特征值,最小特征值对应的特征向量单位化后就是拟合平面的法矢量N,即散乱数据点P的单位法矢量;它们分别表示数据点切平面方向和法向方向上的高斯滤波常量系数,反映了对任一数据点p实施双边滤波操作时的切向和法向影响范围;可以设置相邻两个数据点的N1·N2≈±1 的条件,克服法矢量二义性的问题(即法矢量的指向可能不是曲面的同侧);
③ 读取点云数据,通过KDTree找到每一个数据点pi的m 个近邻点kij , j = 0,…, m-1;
④ 按散乱点法向估计的方法计算每个数据点pi的法向量ni;
⑤ 计算每个邻近点kij的滤波函数参数x = ‖pi - kij‖,表示点pi到邻近点kij的距离;求特征保持权重函数的参数y =〈ni , pi - kij〉,表示点pi与邻近点的距离向量pi - kij与该点法向的内积;
⑥ 按照式(3)和(4)求出滤波高斯函数HC( x )和HS( y);
⑦ 计算双边滤波权因子λ,将HC( x )和HS( y)代入式(2)求解;
⑧ 得到滤波后的新数据点p′i=pi+λni;
⑨ 当所有的数据点都经过更新后,双边滤波结束,把得到的优质数据源提供给三维重建技术。
所述的KDTree为二叉树,每个节点对应一个长方体盒和一个分割平面,分割平面与一个坐标轴平行,分割平面将长方体盒分割成两个子长方体盒,构成KDTree的两个子节点;基于这样的结构,KDTree非常适合与存储空间中的位置和大小信息,将离散的点云数据存储到KDTree中,可以利用KDTree的这个性质,更好的组织点云的存储结构,达到建立点的拓扑关系,快速遍历领域点集的目的。
求得矩阵M的最小特征值的数值方法是逆迭代法。
Claims (2)
1.利用地面激光扫描技术进行测量对象表面重建时基于KDTree的点云数据双边滤波去噪的方法,其特征在于,具体步骤为:
①在地面三维激光扫描技术中的三维点云数据的滤波中,定义
p′=p+λn (1)
上式中p′为数据点p滤波后的新数据点,λ为双边滤波权因子,n为数据点p的法向,双边滤波权因子λ定义如下
式中N(pi)是数据点pi的邻居点,光顺滤波是标准高斯滤波,表示为
特征保持权重函数类似于光顺滤波,可定义为
其中,参数σc是数据点pi到邻居点的距离对该点的影响因子;参数σs是数据点pi到邻近点的距离向量,在该点法向ni上的投影对数据点qi的影响因子;
②散乱数据点的法矢量估计,可以利用数据点领域内的点集进行最小二乘平面拟合,以拟合平面的法矢量作为该点的法矢量;设P为散乱点云中的一个数据点,其领域点集记为k-N(P),即包含与P距离最近的k个数据点;令拟合平面的法矢量为N,构造目标函数D表示k-N(P)中的点Q到拟合平面的距离:
式(5)的求解可转化求下面矩阵M的特征值问题:
利用数值方法可以得到矩阵M的最小特征值,最小特征值对应的特征向量单位化后就是拟合平面的法矢量N,即散乱数据点P的单位法矢量;
③读取点云数据,通过KDTree找到每一个数据点pi的m个近邻点kij,j=0,…,m-1;
④按散乱点法向估计的方法计算每个数据点pi的法向量ni;
⑤计算每个邻近点kij的滤波函数参数x=‖pi-kij‖,表示点pi到邻近点kij的距离;求特征保持权重函数的参数y=〈ni,pi-kij〉,表示点pi与邻近点的距离向量pi-kij与该点法向的内积;
⑥按照式(3)和(4)求出滤波高斯函数HC(x)和HS(y);
⑦计算双边滤波权因子λ,将HC(x)和HS(y)代入式(2)求解;
⑧得到滤波后的新数据点p′i=pi+λni;
⑨当所有的数据点都经过更新后,双边滤波结束,把得到的优质数据源提供给三维重建技术,用于测量对象表面的三维重建;
所述的KDTree为二叉树,每个节点对应一个长方体盒和一个分割平面,分割平面与一个坐标轴平行,分割平面将长方体盒分割成两个子长方体盒,构成KDTree的两个子节点。
2.根据权利要求1所述基于KDTree的点云数据双边滤波去噪的方法,其特征在于,求得矩阵M的最小特征值的数值方法是逆迭代法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210013723.6A CN102629367B (zh) | 2012-01-17 | 2012-01-17 | 基于KDTree的点云数据双边滤波去噪的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210013723.6A CN102629367B (zh) | 2012-01-17 | 2012-01-17 | 基于KDTree的点云数据双边滤波去噪的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102629367A CN102629367A (zh) | 2012-08-08 |
CN102629367B true CN102629367B (zh) | 2014-11-26 |
Family
ID=46587625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210013723.6A Expired - Fee Related CN102629367B (zh) | 2012-01-17 | 2012-01-17 | 基于KDTree的点云数据双边滤波去噪的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102629367B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190043250A1 (en) * | 2012-06-25 | 2019-02-07 | Yoldas Askan | Method of generating a smooth image from point cloud data |
CN104251662B (zh) * | 2013-06-27 | 2017-10-31 | 杭州中科天维科技有限公司 | 有序点云阈值自适应抑噪技术 |
CN103824270A (zh) * | 2013-09-25 | 2014-05-28 | 浙江树人大学 | 一种快速的离散三维点云滤波方法 |
CN104050639B (zh) * | 2014-06-16 | 2017-01-11 | 西安电子科技大学 | 一种基于双边滤波器的多视角密集点云数据融合方法 |
CN106530238B (zh) * | 2016-09-21 | 2019-04-26 | 燕山大学 | 一种散乱点云的保特征滤波方法 |
CN106918813B (zh) * | 2017-03-08 | 2019-04-30 | 浙江大学 | 一种基于距离统计的三维声纳点云图像增强方法 |
CN107462897B (zh) * | 2017-07-21 | 2020-01-07 | 西安电子科技大学 | 基于激光雷达的三维建图的方法 |
CN108022221A (zh) * | 2017-12-06 | 2018-05-11 | 河北工业大学 | 一种各项异性扩散滤波的三维散乱点云平滑去噪方法 |
CN110246092B (zh) * | 2019-05-02 | 2022-09-02 | 江西理工大学 | 一种顾及邻域点均值距离和斜率的三维激光点云去噪方法 |
CN110580705B (zh) * | 2019-11-08 | 2020-04-03 | 江苏省测绘工程院 | 一种基于双域图信号滤波检测建筑物边缘点的方法 |
CN111507919B (zh) * | 2020-04-16 | 2023-07-14 | 北京深测科技有限公司 | 一种三维点云数据的去噪处理方法 |
CN111754421B (zh) * | 2020-06-01 | 2023-08-18 | 西安工业大学 | 改进的导向滤波三维散乱点云快速光顺方法 |
CN111860359B (zh) * | 2020-07-23 | 2021-08-17 | 江苏食品药品职业技术学院 | 一种基于改进随机森林算法的点云分类方法 |
CN112396567B (zh) * | 2020-11-26 | 2023-06-06 | 河北工业大学 | 基于法向修正与位置滤波两步法的散乱点云去噪方法 |
CN113093217A (zh) * | 2021-02-19 | 2021-07-09 | 中铁第一勘察设计院集团有限公司 | 多线激光扫描隧道三维重构方法 |
CN112907480B (zh) * | 2021-03-11 | 2023-05-09 | 北京格灵深瞳信息技术股份有限公司 | 点云表面波纹去除方法、装置、终端及存储介质 |
CN113658077A (zh) * | 2021-08-19 | 2021-11-16 | 成都永峰科技有限公司 | 一种基于曲率的分区域双边海量点云降噪方法 |
CN117934324B (zh) * | 2024-03-25 | 2024-06-11 | 广东电网有限责任公司中山供电局 | 激光点云数据的去噪方法、装置和雷达扫描装置 |
-
2012
- 2012-01-17 CN CN201210013723.6A patent/CN102629367B/zh not_active Expired - Fee Related
Non-Patent Citations (6)
Title |
---|
基于CUDA的点云去噪算法;徐波等;《计算机工程》;20110120;第37卷(第2期);224-226 * |
徐波等.基于CUDA的点云去噪算法.《计算机工程》.2011,第37卷(第2期),224-226. * |
李元旺等.空间超限邻域点云去噪算法的研究与实现.《计算机系统应用》.2010,第19卷(第3期),35-38,52. * |
杜小燕等.点云模型的双边滤波去噪算法.《计算机应用与软件》.2010,第27卷(第7期),246. * |
点云模型的双边滤波去噪算法;杜小燕等;《计算机应用与软件》;20100715;第27卷(第7期);246 * |
空间超限邻域点云去噪算法的研究与实现;李元旺等;《计算机系统应用》;20100315;第19卷(第3期);35-38,52 * |
Also Published As
Publication number | Publication date |
---|---|
CN102629367A (zh) | 2012-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102629367B (zh) | 基于KDTree的点云数据双边滤波去噪的方法 | |
CN108198244B (zh) | 一种苹果叶片点云精简方法及装置 | |
Pingel et al. | An improved simple morphological filter for the terrain classification of airborne LIDAR data | |
Shi et al. | Adaptive simplification of point cloud using k-means clustering | |
Othmani et al. | Single tree species classification from terrestrial laser scanning data for forest inventory | |
CN103729872B (zh) | 一种基于分段重采样和表面三角化的点云增强方法 | |
CN102034104B (zh) | 三维点云中基于随机采样一致性的特征线检测方法 | |
CN104616349B (zh) | 基于局部曲面变化因子的散乱点云数据精简处理方法 | |
CN105118090B (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
Li et al. | Tree point clouds registration using an improved ICP algorithm based on kd-tree | |
CN105096268A (zh) | 一种点云去噪平滑方法 | |
CN103292792B (zh) | 一种适用海底探测与假地形处理的实测svp重构方法 | |
CN102122359B (zh) | 一种图像配准方法及装置 | |
CN102890828A (zh) | 基于法向夹角的点云数据精简方法 | |
CN102129716A (zh) | 一种用于水火弯板曲面拟合的方法 | |
CN103824323B (zh) | 一种基于单幅二维图像的三维重建方法 | |
CN105631939A (zh) | 一种基于曲率滤波的三维点云畸变校正方法及其系统 | |
CN107886569A (zh) | 一种基于离散李导数的测度可控的曲面参数化方法及系统 | |
Wu et al. | High-volume point cloud data simplification based on decomposed graph filtering | |
Guo et al. | Fast and robust bin-picking system for densely piled industrial objects | |
CN109767492A (zh) | 一种变电站三维模型的间距计算方法 | |
CN110910435B (zh) | 建筑物点云提取方法、装置、计算机设备及可读存储介质 | |
CN115656982B (zh) | 水面杂波去除方法、装置、计算机设备和存储介质 | |
CN115311418A (zh) | 一种多细节层次树木模型单体化重建方法及装置 | |
Yan et al. | Research on scattered points cloud denoising algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141126 Termination date: 20160117 |
|
EXPY | Termination of patent right or utility model |