CN104251662B - 有序点云阈值自适应抑噪技术 - Google Patents
有序点云阈值自适应抑噪技术 Download PDFInfo
- Publication number
- CN104251662B CN104251662B CN201310271977.2A CN201310271977A CN104251662B CN 104251662 B CN104251662 B CN 104251662B CN 201310271977 A CN201310271977 A CN 201310271977A CN 104251662 B CN104251662 B CN 104251662B
- Authority
- CN
- China
- Prior art keywords
- point
- row
- processing
- processing module
- neighbor
- 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.)
- Active
Links
Landscapes
- Image Processing (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明针对静态三维激光扫描仪的有序点云噪声,提出了解决方案。由于各种主观和客观的原因,点云数据不可避免的存在噪声。分析静态三维激光扫描仪的扫描原理,结合数字图象处理技术,引入测绘中定权的方法,综合提出了阈值自适应抑躁技术。本发明主要分为两大部分,线处理和面处理两大部分。在面处理部分,通过阈值分段的方法,既能在平面部分最好的消除毛刺,又能在弧面部分保留特征。本发明具有较好鲁棒性,阈值随距离和实际情况自适应调整,并且在处理的时候剔除了粗差,使处理结果更准确,而且本发明算法简单,速度快,精度高。
Description
一、技术领域
本发明综合考虑了扫描距离,扫描物体形状和测距精度几个方面的问题,算法简单,高效,抑躁效果明显,光顺效果好,主要用于脉冲式三维激光扫描仪在扫描过程中去噪。
二、背景技术
测量中,由于被测物体的位置,物体表面的粗糙度和波纹等反射特征,物体颜色和对比度,环境的光照条件和仪器本身的系统误差等原因,噪声的产生不可避免,而噪声对实体的构造有很大影响,不进行噪声点的消除,构建出来的实体模型和实际情况大相径庭,故在点云操作之前,应进行消噪声处理。
目前,有序点云,算法有很多,维纳滤波,最小二乘滤波,或者孤立点排除法,邻域平均法,也可采用局部算子对其进行局部滤波处理,标准高斯,平均或中值滤波算法,其中高斯滤波能较好的保持原数据形貌,中值滤波消除毛刺效果较好。
目前主要采用的方法如下:
(1)通过操作人员人工判断特别异常的点,并手动删除;由于对于数据量特别大的时候,这显然不科学。所以意义不是很大。
(2)高斯滤波、平均滤波或中值滤波算法。高斯滤波器在指定域内的权重为高斯分布,其平均效果较小,故在滤波的同时能较好地保持点云数据的形貌;平均滤波器使用的数据点是窗口中所有点云数据点的平均值;而中值滤波器使用的数据点的则是窗口内各点的统计中值,中值滤波器消除点云数据毛刺效果较好;
(3)曲线分段去噪法的原理是基于曲率的变化,该算法需要找到分段点,寻找的方法是依据曲率的变化,对于每一个分段区间,进行各自的曲线拟合,根据扫描线来一行一行地进行去噪处理,极大地增加了删除测量误差点的准确度,这样就使拟合后的曲线的光滑性和真实性大大增强。曲线分段去噪法对曲率变化较小的情况较为适用。
(4)角度法和弦高差法去噪。角度法的基本原理是计算沿扫描线方向的检查点与检查点的前后两点所形成的夹角,如果此夹角小于一个阀值,则这个检查点就认定为一个三维激光扫描数据噪点;弦高差法首先把连接检查点pi和检查点pi的前一点pi-1,还要连接检查点pi和检查点pi的后一点pi+1,计算出给定的检查点pi到连线pi-pi+1的距离e,如果小于一个给定的阀值,则认为点pi是一个三维激光扫描数据噪点,角度法和弦高差法去噪角度法对于较大密度的三维激光扫描数据比较适合。
但这些方法都存在不足:
(1)维纳滤波器和高斯滤波器,这些滤波器对点云数据的高频信息处理的并不好,容易造成边缘模糊;
(2)中值滤波和均值滤波虽然剔除毛刺效果好,但会平滑掉高频信息,容易丢失特征;
(3)曲线分段拟合,由于要进行拟合算法,消耗时间,同时,如果测距精度不好,容易出现,衔接处错位的危险。
消除噪声的难点:
(1)效率,效率要高,三维激光扫描仪扫描的点云数据数据量超大,基本都是百万,千万以上,如此庞大的数据,进行处理,就必须考虑效率。
(2)保留特征,既要抑制噪声,又不能模糊掉特征,对特征和噪声的识别技术一定要有理有据,根据仪器的性能和参数来识别。
(3)提高模型精度,提高光顺度。
三、发明内容
本发明的目的就是要弥补上述算法的缺点,通过阈值自适应调整和阈值分段等方法自适应分类处理点云数据。在保证速度的基础上,保留特征,提高精度和光顺度。本发明主要分为两个部分:线处理部分和面处理部分。在这两个部分都涉及到粗差的识别和定权:
1.粗差的判别阈值:根据点间隔和单点测距精度来设定。设测距精度为a,点间隔为pointDis,根据三维激光扫描仪采集数据的特点可知,点间隔和编码器的线数以及编码器的插值相关,所以近处的点点间隔小,距离越远,点间隔越大。故阈值也是变化的。
pointDis=2*pi*R/lineCount(R,为此点离坐标中心的斜距,lineCount为角度编码器的线数)。误差限e=a+pointDis,设定极限误差u为粗差判别阈值,即为误差限的3倍(u=3*e)。
2.距离灰度定权:来源于数字图象处理技术中的双边滤波和测绘中的定权方法。双边滤波(Bilateral filter),是一种可以保边去噪的滤波器。之所以可以达到此去噪效果,是因为滤波器是由两个函数构成。一个函数是由几何空间距离决定滤波器系数;另一个由像素差值决定滤波器系数,在这里我们将用灰度值之差来决定滤波器的系数。在点云数据的边缘或边界,距离较远的点不会影响到边缘或边界的数据点,这样就保证了边缘或边界附近的数据点的不会被删除。并且灰度相似度越高,影响越大,保证了噪声的抑制效果。
3.平面和弧面判别:
3*3领域处理:处理点point(i,j);
在实际扫描出来的图形中,通常分割到最小的时候,基本都是弧面和平面。当区分出平面和弧面的时候,可以分别选择处理方法,能更好的符合实际情况,既能最大的实现光顺和平滑,通过前后左右的关系,抑制噪声,又能兼顾细节,不会造成高频信号和尖锐特征的丢失。采用阈值分段的方法,判别此9个点的图形是平面还是弧面。理论上,设定Ls=|point(i,j).L-point(i-1,j).L|(Ls为相邻点之间的斜距之差的绝对值,point(i,j).L是点的距离),9个点,共有8个Ls。
理论上:
1)8个Ls均为零时,是不具备误差的平面,绝对平面,
2)在忽略误差的情况,3个Ls等于e(误差限),是对折面,
3)其余情况为弧面。
实际情况,不存在绝对平面和绝对折面,所以要根据阈值分段来判断:
1)剔除孤立点:若有5个Ls都大于阈值u,则将此点判断为孤立点,将其斜距值设定为0,既占位,不会形成领域不完整,又达到删除点的目的;
2)若8个Ls中有5段斜距差都小于阈值u,此时此点被判断为需处理点,距离差大于阈值的相邻点不参与计算,距离差小于阈值的点记为参与点,
3)根据阈值分段,来判断此面领域,是平面还是弧面,并选取不同的方式去处理,设u1=(1/3)*u,u2=u;如Ls在区间[0,u1]之中,则判断为平面,若Ls在区间[u1,u2]中,则判断为弧面。由于均值滤波剔除毛刺效果最好,采用均值滤波处理此点:
若判断为弧面,我们采用距离灰度定权处理的方法,对于权重W,我们充分考虑距离和灰度,因为距离越近,权重就应该越大,灰度越相似,权重就越大,所以对于权重W的确定由此二者共同确定。
四、具体实施方式
线处理部分:
1.依次读入第一列数据point(n1,1);此列数据共有n1个数据,5个邻近点处理:point(i-2),point(i-1),point(i),point(i+1),point(i+2),处理当前点point(i)(i=1,2,3,.......n1);
2.判断此点是否为粗差点,计算前后两点的斜距差,如果超出了阈值,则判断为粗差,设定当前点的斜距为零,point(i).L=0;若不是,滤波计算,用新值替换旧值,达到抑制噪声和光顺的目的,
其中 x为邻近点离处理点的斜距差,y为邻近点的灰度差;理论依据为:距离越近的点,对数据点影响越大;灰度越相似的点,对此点的影响越大。且i=i+1,完成循环,直到i=n1-2,处理完第一列数据;
3.读入第二列,和第三列数据,重复1,2步骤,完成前三列数据的线处理;此阶段,初步剔除掉了孤立点,并且实现了第一次抑躁算法,转入面处理部分;
面处理部分:
4.读入point(i-1,j-1),point(i,j-1),point(i+1,j-1),point(i-1,j),point(i,j),point(i+1,j),point(i-1,j+1),point(i,j+1),point(i+1,j+1),3*3领域,九个数据点,处理point(i,j);
5.首先判断此点是否是粗差点,计算邻近点到处理点的距离差,统计超限个数,如果个数超过阈值,则判断为粗差点,设定此点的斜距值为0,i=i+1,继续计算下一个点;若不是,则判断是否是平面,是平面就采用均值滤波处理:
point(i+k1,j+k2)为参与点,n为参与点的总个数;若不是平面,则采用距离灰度定权处理:
point(i+k1,j+k2)为参与点。其中x为邻近点离处理点的斜距差,y为邻近点的灰度差;理论依据为:距离越近的点,对数据点影响越大;灰度越相似的点,对此点的影响越大。且i=i+1,继续处理下一个点,直到此列数据处理完。在这一步骤当中,处理点受周边点的约束,进行了微调,达到了第二次抑躁和光顺的作用。
6.输出第一列,第二列变为第一列,第三列变为第二列,输入新的一列变为第三列,对第三列进行1,2步骤,处理完后,重新构成三列,重复4,5步骤,每次都输出第一列,边处理边输出,提高处理和输出速度;
7.当所有的点都进行更新后,结束。
Claims (3)
1.一种有序点云阈值自适应抑噪方法,包括线处理模块和面处理模块,其中线处理模块部分包括步骤:
(1)依次读入第一列数据point(n1,1),此列数据共有n1个数据,5个邻近点处理:point(i-2),point(i-1),point(i),point(i+1),point(i+2),处理当前点point(i)(i=1,2,3,.......n1);
(2)判断此点是否为粗差点,计算前后两点的斜距差,如果超出了阈值,则判断为粗差,设定当前点的斜距为零,point(i).L=0;若不是,滤波计算,用新值替换旧值;
(3)读入第二列,和第三列数据,重复1,2步骤,完成前三列数据的线处理;在实现第一次抑噪后,转入面处理模块部分,其中面处理模块部分包括步骤:(1)读入point(i-1,j-1),point(i,j-1),point(i+1,j-1),point(i-1,j),point(i,j),point(i+1,j),point(i-1,j+1),point(i,j+1),point(i+1,j+1),3*3领域,九个数据点,处理point(i,j);
(2)首先判断此点是否是粗差点,计算邻近点到处理点的距离差,统计超限个数,如果个数超过阈值,则判断为粗差点,设定此点的斜距值为0,i=i+1,继续计算下一个点;若不是,则判断是否是平面,是平面就采用均值滤波处理;
(3)输出第一列,第二列变为第一列,第三列变为第二列,输入新的一列变为第三列,对第三列进行1,2步骤,处理完后,重新构成三列,重复1,2步骤,每次都输出第一列,边处理边输出,提高处理和输出速度;
(4)当所有的点都进行更新后,结束任务,其中线处理模块部分第(2)步中采用公式为其中x为邻近点离处理点的斜距差,y为邻近点的灰度差。
2.根据权利要求1所述的方法,其中面处理模块部分第(2)步平面滤波处理采用的公式为point(i+k1,j+k2)为参与点,n为参与点的总个数。
3.根据权利要求1所述的方法,其中面处理模块部分步骤(2)中,若不是平面,则采用距离灰度定权处理,采用公式为:point(i+k1,j+k2)为参与点,其中x为邻近点离处理点的斜距差,y为邻近点的灰度差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310271977.2A CN104251662B (zh) | 2013-06-27 | 2013-06-27 | 有序点云阈值自适应抑噪技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310271977.2A CN104251662B (zh) | 2013-06-27 | 2013-06-27 | 有序点云阈值自适应抑噪技术 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104251662A CN104251662A (zh) | 2014-12-31 |
CN104251662B true CN104251662B (zh) | 2017-10-31 |
Family
ID=52186782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310271977.2A Active CN104251662B (zh) | 2013-06-27 | 2013-06-27 | 有序点云阈值自适应抑噪技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104251662B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107367738B (zh) * | 2017-04-27 | 2020-10-27 | 北京石油化工学院 | 危化品仓储障碍物监测方法、装置与系统 |
CN107767375B (zh) * | 2017-11-02 | 2021-06-29 | 广东电网有限责任公司电力科学研究院 | 一种点云质量评估方法及装置 |
JP7227227B2 (ja) * | 2018-04-12 | 2023-02-21 | 株式会社小糸製作所 | オブジェクト識別システム、自動車、車両用灯具 |
CN109359614B (zh) * | 2018-10-30 | 2021-06-11 | 百度在线网络技术(北京)有限公司 | 一种激光点云的平面识别方法、装置、设备和介质 |
US11138694B2 (en) * | 2018-12-05 | 2021-10-05 | Tencent America LLC | Method and apparatus for geometric smoothing |
CN110335209B (zh) * | 2019-06-11 | 2021-09-14 | 北京建筑大学 | 一种相位式三维激光点云噪声滤除方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944174A (zh) * | 2012-11-28 | 2013-02-27 | 北京矿冶研究总院 | 一种点云数据的处理方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4003869B2 (ja) * | 2002-04-05 | 2007-11-07 | 独立行政法人科学技術振興機構 | 地球観測衛星データのノイズ除去処理方法、ノイズ除去処理プログラム、ノイズ除去処理プログラムを記録した記録媒体 |
CN102629367B (zh) * | 2012-01-17 | 2014-11-26 | 安徽建筑工业学院 | 基于KDTree的点云数据双边滤波去噪的方法 |
CN102880700A (zh) * | 2012-09-24 | 2013-01-16 | 常州大学 | 一种三维点模型数据去噪方法 |
-
2013
- 2013-06-27 CN CN201310271977.2A patent/CN104251662B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944174A (zh) * | 2012-11-28 | 2013-02-27 | 北京矿冶研究总院 | 一种点云数据的处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104251662A (zh) | 2014-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104251662B (zh) | 有序点云阈值自适应抑噪技术 | |
CN108132017B (zh) | 一种基于激光视觉系统的平面焊缝特征点提取方法 | |
CN108986048B (zh) | 基于线激光扫描三维点云快速复合滤波处理方法 | |
CN103793712B (zh) | 一种基于边缘几何特征的图像识别方法及系统 | |
CN104318548B (zh) | 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法 | |
CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
CN109118574A (zh) | 一种基于三维特征提取的快速逆向建模方法 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN109785245A (zh) | 一种光斑图像修整方法 | |
CN101639947A (zh) | 基于图像的植物三维形态测量与重建方法及系统 | |
CN103390280A (zh) | 基于灰度-梯度二维对称Tsallis交叉熵的快速阈值分割方法 | |
CN103234969A (zh) | 一种基于机器视觉的织物纬密度测量新方法 | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
CN111028221B (zh) | 基于直线特征检测的飞机蒙皮对缝测量方法 | |
CN110288571B (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
CN112669379B (zh) | 一种基于辅助标记点的图像特征快速提取方法 | |
CN107392954A (zh) | 一种基于序列图像的粗大误差点剔除方法 | |
CN107358628A (zh) | 基于靶标的线阵图像处理方法 | |
CN107392849A (zh) | 基于图像细分的靶标识别与定位方法 | |
CN107220964A (zh) | 一种线状特征提取用于地质危岩体稳定性评估方法 | |
CN105787912B (zh) | 一种基于分类的阶跃型边缘亚像素定位方法 | |
CN112241964B (zh) | 一种用于线结构光非接触测量的光条中心提取方法 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN104077769A (zh) | 一种图像配准中的误匹配点对剔除算法 | |
CN109101976A (zh) | 一种灭弧栅片表面缺陷的检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: Shangcheng District Wu Jiang Road Hangzhou City, Zhejiang province 310016 No. 217 near the river Times Building, B block 1501 Applicant after: HANGZHOU ZHONGKE TIANWEI TECHNOLOGY CO., LTD. Address before: 311200 international business center, 458 Jincheng Road, Xiaoshan District, Zhejiang, Hangzhou 1-1003 Applicant before: HANGZHOU ZHONGKE TIANWEI TECHNOLOGY CO., LTD. |
|
COR | Change of bibliographic data | ||
GR01 | Patent grant | ||
GR01 | Patent grant |