CN106846272A - 一种点云模型的去噪精简方法 - Google Patents
一种点云模型的去噪精简方法 Download PDFInfo
- Publication number
- CN106846272A CN106846272A CN201710037732.1A CN201710037732A CN106846272A CN 106846272 A CN106846272 A CN 106846272A CN 201710037732 A CN201710037732 A CN 201710037732A CN 106846272 A CN106846272 A CN 106846272A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- data
- cloud model
- formula
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 23
- 230000000694 effects Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 8
- 238000013316 zoning Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000003319 supportive effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 30
- 238000010586 diagram Methods 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000000265 homogenisation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开的一种点云模型的去噪精简方法,具体按照以下步骤实施:步骤1,采集图像并对图像进行预处理;步骤2,对步骤1中得到的三维点云模型图片进行大尺度噪声的去除;步骤3,采用移动最小二乘去除小尺度噪声;步骤4:对经步骤3去噪后的点云数据进行基于体素栅格下采样,得到精简后的点云模型。解决了现有技术占用内存大,处理时间长影响计算机运行的问题。
Description
技术领域
本发明属于三维点云重建技术领域,具体涉及一种点云模型的去噪精简方法。
背景技术
由于人为等随机因素或扫描设备本身的缺陷以及点云模型特征的多样性与噪声本身的复杂性,使得获取的数据不可避免地带有噪声,而噪声的存在严重影响了后续建模的精度以及相关处理的效率。同时,随着三维数据扫描设备精度的不断提高,以及点云数据在大规模复杂场景建模中的广泛应用,采集到的点云数据往往过密,而我们重建出一个完整的点云产品又需要多幅不同角度点云数据合并而成,造成数据量庞大,如果直接对采集来的数据进行重建,必然会影响重建效率以及模型的光顺性,同时计算机储存、显示这类点云,占用空间内存大,处理时间长,严重影响计算机的运行。
发明内容
本发明的目的是提供一种点云模型的去噪精简方法,解决了现有技术占用内存大,处理时间长影响计算机运行的问题。
本发明的技术方案是:一种点云模型的去噪精简方法,其特征在于,具体按照以下步骤实施:
步骤1,采集图像并对图像进行预处理;
步骤2,对步骤1中得到的三维点云模型图片进行大尺度噪声的去除;
步骤3,采用移动最小二乘去除小尺度噪声;
步骤4:对经步骤3去噪后的点云数据进行基于体素栅格下采样,得到精简后的点云模型。
本发明的特点还在于,
步骤1具体为:
步骤1.1,通过视觉传感器获取原始三维点云模型图像,
步骤1.2,将步骤1.1采集获取的三维点云模型图像进行预处理,利用直通滤波方法进行分割提取,得到三维点云模型图像。
步骤2具体为,步骤2.1:采用统计滤波去除部分大尺度噪声点;
步骤2.2:为了更加全面的去除大尺度噪声点,同时采用半径滤波去除大尺度噪声点。
步骤2.1具体为:
对三维点云模型中每个数据点qn,假设qn到任意点的距离为di,qn表示为三维点云模型中的第n个数据点,n=1,2,3...S,根据公式(1)计算qn到它所有k个邻近点的平均距离avrn,计算出的avrn采用高斯分布进行表示,其均值为μ和标准差为σ,
设定的标准范围span,用于判断模型中的数据点是否为噪声点,其中标准范围按照公式(2)进行计算,
span=μ±g·σ(g=0,1,2,...) (2)
其中,μ值与σ值由步骤1.1可见。
对比平均距离avrn和标准范围span,对相应的点进行选择,即,
当点qn对应的平均距离avrn大于标准范围span时,则删除该点qn;当点qn对应的平均距离avrn小于等于标准范围span时,则保留该点qn。
步骤2.2具体为:
设以三维点云模型中的数据点qn为中心,r为半径的球体范围内的近邻数目为m,设定的最少近邻数目为M,其中,M=(2%-5%)·n,
对比m和M之间的关系,判定是否保留对应的点qn;
当m大于M,则保留该点qn;
当m小于等于M,则删除该点qn。
步骤3具体为:
步骤3.1,将三维点云模型表面数据依次投影到平面坐标系,所得平面数据集合为区域U,设区域U上的拟合函数为公式(3),
其中,
j为区域U上第j个数据点(j=1,2...,N).m是基函数的个数;
FT(x,y)=[F0(x,y),F1(x,y),...,Fm(x,y)],Fj(x,y)是基函数,
a(x,y)=[a0(x,y),a1(x,y),...,am(x,y)]T,aj(x,y)为相应待求系数,
FT(x,y)a(x,y)为矩阵表示形式;
且,常用的线性基函数有:FT(x,y)=[1,x,y];
常用的二次基函数为FT(x,y)=[1,x,y,x2,xy,y2];
步骤3.2,为了体现离重新估算点较近的采样点对拟合函数的影响大于较远的采样点,以区域U上各数据点的离散情况来加以表达,具体为,
在区域U上每个数据点Qj处定义一个权函数,即公式(4),
该权函数在移动最小二乘法中起着非常重要的作用,必须满足在数据点Qj周围有限区域Uj大于零,且在区域Uj之外为零即满足权函数的紧支性,区域Uj为权函数的支撑域即满足权函数的支撑性,同时,权函数会随着估算点的不同而改变。
步骤3.3,按照公式(5)计算区域Uj上的所有数据点的误差rj的加权平方和J,
其中,误差rj由公式(6)计算,
ri=s(xj,yj)-yj (6)
所有的rj组成的向量称为残差r,
且,计算加权平方和J的公式(5)用矩阵形式可表示为:
J=(Fa-Y)TW(x,y)(Fa-Y) (7)
其中,YT=(y1,y2,...yN) (8);
W(x,y)为对角矩阵,
为了求得a(x,y),我们使J取极值,即对a(x,y)求导,如公式(11),
设A(x,y)=FTW(x,y)F B(x,y)=FTW(x,y)则可简化为:
即a(x,y)=A-1(x,y)B(x,y)Y (12);
将公式(12)代入公式(3)可求得三维点云模型表面数据投影到平面坐标系中的拟合函数为公式(13),
其中,
FT(x,y)A-1(x,y)B(x,y)=λ(x,y)=[λ1(x,y),λ2(x,y),...λN(x,y)] (14)
然后根据依次计算区域Uj上的所有数据点到所求得的拟合函数曲线的距离,设为η,计算所有的η值之和为ηt,设定可接受的误差域为errorlit,errorlit一般设为ηt的1%-3%,
对比errorlit与η值的大小关系,从而判断是否保留点Qj;
当η小于等于errorlit,则保留该点Qj;
当η大于errorlit,则以离该数据点到拟合曲线的垂点来代替该点Qj;
步骤3.4,对经步骤3.1~3.3去噪后的点云数据进行去噪效果的检测,求出步骤3.2中利用公式(13)所求得的拟合函数的表面法线,来进行判断,具体来说,当数据点Qj处的法线垂直于模型表面,则视为去噪效果接好的;
当数据点Qj处的法线不垂直于模型表面,则视为应回到步骤2从新进行统计滤波和半径滤波的参数设置。
步骤4具体为,
步骤4.1,根据去噪后点云模型中所有数据的x轴、y轴、z轴的最小和最大坐标值,计算出整个点云模型的长方体包围盒边长分别为:
Lx=Xmax-Xmin,
Ly=Ymax-Ymin,,; (15)
Lz=Zmax-Zmin,,;
其中,Lx、Ly、Lz分别表示点云x轴、y轴、z轴方向最大范围,Xmax、Xmin、Ymax、Ymin、Zmax、Zmin分别为x轴、y轴、z轴方向的最大值与最小值。
步骤4.2,设定体素栅格边长为L,一般按公式(16)设置,
L=(2%-10%)Lmin (16)
其中,Lmin为Lx、Ly、Lz中的最小值。以小立方体栅格为结构元素,遍历整个模型表面,每个小立方体栅格中的点云数据个数为m,以小立方体栅格的重心代表这个小立方体栅格所有数据点,实现点云精简。
小立方体栅格的重心可按公式(17)计算为:
本发明的有益效果在于,在点云模型去噪中有效去除不同尺度噪声,同时在不破坏点云本身几何结构的前提下,保证了点云精简的均匀化,而且执行速度快,降低了后续点云模型重建的时间复杂度。
附图说明
图1为本发明三维点云模型去噪精简方法流程图;
图2为本发明中统计滤波示意图;
图3为本发明中半径滤波示意图;
图4为采用本发明的方法的去噪前后法线变化示意图;
图5为采用本发明的方法的体素栅格精简示意图;
图6为本发明使用的45°原始点云模型以及目标模型;
图7为45°点云模型经直通滤波后的正面图、侧面图、局部放大;
图8为45°点云模型再经统计滤波结合半径滤波后的正面、侧面、局部放大图;
图9为45°点云模型再经移动最小二乘滤波后的正面、侧面、局部放大图;
图10为45°点云模型再经体素栅格精简前后对比图以及局部放大图;
图11为本发明使用的0°原始点云模型以及目标模型;
图12为0°点云模型经直通滤波后的正面图、侧面图、局部放大;
图13为0°点云模型再经统计滤波结合半径滤波后的正面、侧面、局部放大图;
图14为0°点云模型再经移动最小二乘滤波后的正面、侧面、局部放大图;
图15为0°点云模型再经体素栅格精简前后对比图以及局部放大图。
具体实施方式
下面结合具体实施方式对本发明进行详尽说明。
本发明一种点云模型的去噪精简方法,如图1所示,具体按照以下步骤实施:
步骤1,采集图像并对图像进行预处理,具体为,
步骤1.1,通过kinect视觉传感器获取原始三维点云模型图像,
步骤1.2,将步骤1.1采集获取的三维点云模型图像进行预处理,利用直通滤波方法进行分割提取,得到三维点云模型图像。
步骤2:对步骤1中得到的三维点云模型图片进行大尺度噪声的去除,其具体实现方法如下:
步骤2.1:采用统计滤波去除部分大尺度噪声点。对三维点云模型中每个数据点qn,假设qn到任意点的距离为di,qn表示为三维点云模型中的第n个数据点,n=1,2,3...S,根据公式(1)计算qn到它所有k个邻近点的平均距离avrn,计算出的avrn采用高斯分布进行表示,其均值为μ和标准差为σ,
设定的标准范围span,用于判断模型中的数据点是否为噪声点,其中标准范围按照公式(2)进行计算,
span=μ±g·σ(g=0,1,2,...) (2)
其中,μ值与σ值由步骤1.1可见。
对比平均距离avrn和标准范围span,对相应的点进行选择,即,
当点qn对应的平均距离avrn大于标准范围span时,则删除该点qn;当点qn对应的平均距离avrn小于等于标准范围span时,则保留该点qn;
参见图2,以k=4为例,随机选取模型中一个数据点,计算其周围的4个邻近点的平均距离avrn(黑圆表示),设定的标准范围(绿圆表示),根据上述判定规则可知,只有b点被删除。
步骤2.2:为了更加全面的去除大尺度噪声点,同时采用半径滤波去除大尺度噪声点。
设以三维点云模型中的数据点qn为中心,r为半径的球体范围内的近邻数目为m,设定的最少近邻数目为M,其中,M=(2%-5%)·n,
对比m和M之间的关系,判定是否保留对应的点qn;
当m大于M,则保留该点qn;
当m小于等于M,则删除该点qn;
参见图3,在设定半径(绿圆表示)指定条件至少要有3个邻居时,则只有f点会被删除,如果指定至少要有5个邻居,e和f点都将被删除
步骤3,采用移动最小二乘去除小尺度噪声。具体步骤如下:
步骤3.1,将三维点云模型表面数据依次投影到平面坐标系,所得平面数据集合为区域U,设区域U上的拟合函数为公式(3),
其中,
j为区域U上第j个数据点(j=1,2...,N).m是基函数的个数;
FT(x,y)=[F0(x,y),F1(x,y),...,Fm(x,y)],Fj(x,y)是基函数,
a(x,y)=[a0(x,y),a1(x,y),...,am(x,y)]T,aj(x,y)为相应待求系数,
FT(x,y)a(x,y)为矩阵表示形式;
且,常用的线性基函数有:FT(x,y)=[1,x,y];
常用的二次基函数为FT(x,y)=[1,x,y,x2,xy,y2]。
步骤3.2:为了体现离重新估算点较近的采样点对拟合函数的影响大于较远的采样点,以区域U上各数据点的离散情况来加以表达,具体为,
在区域U上每个数据点Qj处定义一个权函数,即公式(4),
该权函数在移动最小二乘法中起着非常重要的作用,必须满足在数据点Qj周围有限区域Uj大于零,且在区域Uj之外为零即满足权函数的紧支性,区域Uj为权函数的支撑域即满足权函数的支撑性,同时,权函数会随着估算点的不同而改变。
步骤3.3,按照公式(5)计算区域Uj上的所有数据点的误差rj的加权平方和J,
其中,误差rj由公式(6)计算,
ri=s(xj,yj)-yj (6)
所有的rj组成的向量称为残差r,
且,计算加权平方和J的公式(5)用矩阵形式可表示为:
J=(Fa-Y)TW(x,y)(Fa-Y) (7)
其中,YT=(y1,y2,...yN) (8);
W(x,y)为对角矩阵,
为了求得a(x,y),我们使J取极值,即对a(x,y)求导,如公式(11),
设A(x,y)=FTW(x,y)F B(x,y)=FTW(x,y)则可简化为:
即a(x,y)=A-1(x,y)B(x,y)Y (12);
将公式(12)代入公式(3)可求得三维点云模型表面数据投影到平面坐标系中的拟合函数为公式(13),
其中,
FT(x,y)A-1(x,y)B(x,y)=λ(x,y)=[λ1(x,y),λ2(x,y),...λN(x,y)] (14)
然后根据依次计算区域Uj上的所有数据点到所求得的拟合函数曲线的距离,设为η,计算所有的η值之和为ηt,设定可接受的误差域为errorlit,errorlit一般设为ηt的1%-3%,
对比errorlit与η值的大小关系,从而判断是否保留点Qj;
当η小于等于errorlit,则保留该点Qj;
当η大于errorlit,则以离该数据点到拟合曲线的垂点来代替该点Qj。
步骤3.4,对经步骤3.1~3.3去噪后的点云数据进行去噪效果的检测,求出步骤3.2中利用公式(13)所求得的拟合函数的表面法线,来进行判断,具体来说,当数据点Qj处的法线垂直于模型表面,则视为去噪效果接好的;
当数据点Qj处的法线不垂直于模型表面,则视为应回到步骤2从新进行统计滤波和半径滤波的参数设置。
步骤4,对经步骤3去噪后的点云数据进行基于体素栅格下采样,得到精简后的点云模型。具体方法如下:
步骤4.1,根据去噪后点云模型中所有数据的x轴、y轴、z轴的最小和最大坐标值,计算出整个点云模型的长方体包围盒边长分别为:
Lx=Xmax-Xmin,
Ly=Ymax-Ymin,,; (15)
Lz=Zmax-Zmin,,;
其中,Lx、Ly、Lz分别表示点云x轴、y轴、z轴方向最大范围,Xmax、Xmin、Ymax、Ymin、Zmax、Zmin分别为x轴、y轴、z轴方向的最大值与最小值。
步骤4.2,设定体素栅格边长为L,一般按公式(16)设置,
L=(2%-10%)Lmin (16)
其中,Lmin为Lx、Ly、Lz中的最小值。以小立方体栅格为结构元素,遍历整个模型表面,每个小立方体栅格中的点云数据个数为m,以小立方体栅格的重心代表这个小立方体栅格所有数据点,实现点云精简。
小立方体栅格的重心可按公式(17)计算为:
例如图5中,若体素栅格边长L设置为左边立方体大小,则以栅格重心u点取代左边栅格内所有的数据点,若体素栅格边长设置为右边立方体大小,并以栅格重心v点取代右边栅格内所有的数据点。
与现有技术相比,本发明具有以下技术效果:
1、本发明综合运用多种滤波算法,将多种滤波方法的优点融为一体,采用直通滤波去除扫描的原始数据,将目标模型分割出来,采用半径滤波与统计滤波消除了偏离点云模型较远的大尺度噪声点,采用最小二乘方法去除粘连于模型表面的小尺度噪声点,除此之外,采用最小二乘法线估计进行去噪效果检测与参数修正。由实验结果可发现,该算法具有较好的去噪效果。
2、为了提高计算机的处理速度与后续的点云模型重建效率,本发明采用体素栅格精简,在充分保留点云数据几何特征的前提下,能有效滤除部分点云数据冗余量,且精简结果比较均匀,避免了大规模精简所出现的空白区域。
表1为45°点云模型使用提出算法各模块运行时间与点云数据量变化情况,表2为0°点云模型使用提出算法各模块运行时间与点云数据量变化情况;图6~图9表示45°点云模型运用该算法去噪的结果图,由图很显然点云模型中不同尺度噪声点被去除,且避免了双边滤波出现的点云模型表面的过光顺情况。图11表示45°点云模型运用该算法精简的结果图,由图清楚的看到在不破坏点云本身几何结构的前提下,保证了点云精简的均匀化,避免了随机采样精简出现的大规模空白区域区域。表1表示45°点云模型运用该算法过程中每个阶段点云数量的变化情况,以及该算法每个模块运行时间长短,同理,图11~图15与表2表示0°点云模型运用该算法去噪与精简的结果图以及点云数量与算法执行时间变化情况。
表1算法各模块运行时间与点云数据量变化情况
表2算法各模块运行时间与点云数据量变化情况
Claims (7)
1.一种点云模型的去噪精简方法,其特征在于,具体按照以下步骤实施:
步骤1,采集图像并对图像进行预处理;
步骤2,对步骤1中得到的三维点云模型图片进行大尺度噪声的去除;
步骤3,采用移动最小二乘去除小尺度噪声;
步骤4:对经步骤3去噪后的点云数据进行基于体素栅格下采样,得到精简后的点云模型。
2.根据权利要求1所述的一种点云模型的去噪精简方法,其特征在于,所述的步骤1具体为:
步骤1.1,通过视觉传感器获取原始三维点云模型图像,
步骤1.2,将步骤1.1采集获取的三维点云模型图像进行预处理,利用直通滤波方法进行分割提取,得到三维点云模型图像。
3.根据权利要求1所述的一种点云模型的去噪精简方法,其特征在于,所述的步骤2具体为:
步骤2.1:采用统计滤波去除部分大尺度噪声点;
步骤2.2:为了更加全面的去除大尺度噪声点,同时采用半径滤波去除大尺度噪声点。
4.根据权利要求3所述的一种点云模型的去噪精简方法,其特征在于,所述的步骤2.1具体为:
对三维点云模型中每个数据点qn,假设qn到任意点的距离为di,qn表示为三维点云模型中的第n个数据点,n=1,2,3…S,根据公式(1)计算qn到它所有k个邻近点的平均距离avrn,计算出的avrn采用高斯分布进行表示,其均值为μ和标准差为σ,
设定的标准范围span,用于判断模型中的数据点是否为噪声点,其中标准范围按照公式(2)进行计算,
span=μ±g·σ(g=0,1,2,…) (2)
其中,μ值与σ值由步骤1.1可见;
对比平均距离avrn和标准范围span,对相应的点进行选择,即,
当点qn对应的平均距离avrn大于标准范围span时,则删除该点qn;当点qn对应的平均距离avrn小于等于标准范围span时,则保留该点qn。
5.根据权利要求3所述的一种点云模型的去噪精简方法,其特征在于,所述的步骤2.2具体为:
设以三维点云模型中的数据点qn为中心,r为半径的球体范围内的近邻数目为m,设定的最少近邻数目为M,其中,M=(2%-5%)·n,
对比m和M之间的关系,判定是否保留对应的点qn;
当m大于M,则保留该点qn;
当m小于等于M,则删除该点qn。
6.根据权利要求1所述的一种点云模型的去噪精简方法,其特征在于,所述的步骤3具体为:
步骤3.1,将三维点云模型表面数据依次投影到平面坐标系,所得平面数据集合为区域U,设区域U上的拟合函数为公式(3),
其中,
j为区域U上第j个数据点(j=1,2…,N).m是基函数的个数;
FT(x,y)=[F0(x,y),F1(x,y),…,Fm(x,y)],Fj(x,y)是基函数,
a(x,y)=[a0(x,y),a1(x,y),…,am(x,y)]T,aj(x,y)为相应待求系数,
FT(x,y)a(x,y)为矩阵表示形式;
且,常用的线性基函数有:FT(x,y)=[1,x,y];
常用的二次基函数为FT(x,y)=[1,x,y,x2,xy,y2];
步骤3.2,为了体现离重新估算点较近的采样点对拟合函数的影响大于较远的采样点,以区域U上各数据点的离散情况来加以表达,具体为,
在区域U上每个数据点Qj处定义一个权函数,即公式(4),
该权函数在移动最小二乘法中起着非常重要的作用,必须满足在数据点Qj周围有限区域Uj大于零,且在区域Uj之外为零即满足权函数的紧支性,区域Uj为权函数的支撑域即满足权函数的支撑性,同时,权函数会随着估算点的不同而改变;
步骤3.3,按照公式(5)计算区域Uj上的所有数据点的误差rj的加权平方和J,
其中,误差rj由公式(6)计算,
ri=s(xj,yj)-yj (6)
所有的rj组成的向量称为残差r,
且,计算加权平方和J的公式(5)用矩阵形式可表示为:
J=(Fa-Y)TW(x,y)(Fa-Y) (7)
其中,YT=(y1,y2,...yN) (8);
W(x,y)为对角矩阵,
为了求得a(x,y),我们使J取极值,即对a(x,y)求导,如公式(11),
设A(x,y)=FTW(x,y)F B(x,y)=FTW(x,y)则可简化为:
即a(x,y)=A-1(x,y)B(x,y)Y (12);
将公式(12)代入公式(3)可求得三维点云模型表面数据投影到平面坐标系中的拟合函数为公式(13),
其中,
FT(x,y)A-1(x,y)B(x,y)=λ(x,y)=[λ1(x,y),λ2(x,y),...λN(x,y)] (14)
然后根据依次计算区域Uj上的所有数据点到所求得的拟合函数曲线的距离,设为η,计算所有的η值之和为ηt,设定可接受的误差域为errorlit,errorlit一般设为ηt的1%-3%,
对比errorlit与η值的大小关系,从而判断是否保留点Qj;
当η小于等于errorlit,则保留该点Qj;
当η大于errorlit,则以离该数据点到拟合曲线的垂点来代替该点Qj;
步骤3.4,对经步骤3.1~3.3去噪后的点云数据进行去噪效果的检测,求出步骤3.2中利用公式(13)所求得的拟合函数的表面法线,来进行判断,具体来说,当数据点Qj处的法线垂直于模型表面,则视为去噪效果接好的;
当数据点Qj处的法线不垂直于模型表面,则视为应回到步骤2从新进行统计滤波和半径滤波的参数设置。
7.根据权利要求1所述的,其特征在于,所述的步骤4具体为,
步骤4.1,根据去噪后点云模型中所有数据的x轴、y轴、z轴的最小和最大坐标值,计算出整个点云模型的长方体包围盒边长分别为:
其中,Lx、Ly、Lz分别表示点云x轴、y轴、z轴方向最大范围,Xmax、Xmin、Ymax、Ymin、Zmax、Zmin分别为x轴、y轴、z轴方向的最大值与最小值;
步骤4.2,设定体素栅格边长为L,一般按公式(16)设置,
L=(2%-10%)Lmin (16)
其中,Lmin为Lx、Ly、Lz中的最小值;以小立方体栅格为结构元素,遍历整个模型表面,每个小立方体栅格中的点云数据个数为m,以小立方体栅格的重心代表这个小立方体栅格所有数据点,实现点云精简;
小立方体栅格的重心可按公式(17)计算为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710037732.1A CN106846272A (zh) | 2017-01-18 | 2017-01-18 | 一种点云模型的去噪精简方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710037732.1A CN106846272A (zh) | 2017-01-18 | 2017-01-18 | 一种点云模型的去噪精简方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106846272A true CN106846272A (zh) | 2017-06-13 |
Family
ID=59123411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710037732.1A Pending CN106846272A (zh) | 2017-01-18 | 2017-01-18 | 一种点云模型的去噪精简方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106846272A (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107452032A (zh) * | 2017-07-28 | 2017-12-08 | 电子科技大学 | 人体背部深度图像预处理方法 |
CN107481228A (zh) * | 2017-07-28 | 2017-12-15 | 电子科技大学 | 基于计算机视觉的人体背部脊柱侧弯角度测量方法 |
CN107507267A (zh) * | 2017-07-28 | 2017-12-22 | 电子科技大学 | 人体背部三维重构方法 |
CN107883873A (zh) * | 2017-11-07 | 2018-04-06 | 北京工业大学 | 基于3d扫描的装配部件误差在线检测系统及方法 |
CN107967675A (zh) * | 2017-12-25 | 2018-04-27 | 浙江大学 | 一种基于自适应投影移动最小二乘的结构化点云去噪方法 |
CN108198244A (zh) * | 2017-12-20 | 2018-06-22 | 中国农业大学 | 一种苹果叶片点云精简方法及装置 |
CN108898672A (zh) * | 2018-04-27 | 2018-11-27 | 厦门维斯云景信息科技有限公司 | 一种制作三维高清道路图车道线的半自动点云方法 |
CN109118582A (zh) * | 2018-09-19 | 2019-01-01 | 东北大学 | 一种商品三维重建系统及重建方法 |
CN109146817A (zh) * | 2018-08-23 | 2019-01-04 | 西安工业大学 | 一种非迭代单一物体散乱点云数据的噪声处理方法 |
CN109556540A (zh) * | 2018-11-07 | 2019-04-02 | 西安电子科技大学 | 一种非接触式基于3d图像的物体平面度检测方法、计算机 |
CN109741265A (zh) * | 2018-11-20 | 2019-05-10 | 哈尔滨理工大学 | 一种基于特征选择的脊柱ct图像双边滤波去噪方法 |
CN110188663A (zh) * | 2019-05-28 | 2019-08-30 | 禾多科技(北京)有限公司 | 检测定位车辆点云质量的方法 |
CN111259958A (zh) * | 2020-01-15 | 2020-06-09 | 北京市商汤科技开发有限公司 | 物体识别方法及装置、存储介质 |
CN111268566A (zh) * | 2020-03-30 | 2020-06-12 | 北京国泰星云科技有限公司 | 一种基于激光的集装箱卡车车道上的自动着箱系统及方法 |
CN111383195A (zh) * | 2020-03-11 | 2020-07-07 | 南京工程学院 | 一种基于球模型的散乱点云数据快速精简去噪方法 |
CN111507919A (zh) * | 2020-04-16 | 2020-08-07 | 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 |
CN111696210A (zh) * | 2020-04-22 | 2020-09-22 | 北京航天控制仪器研究所 | 一种基于三维点云数据特征轻量化的点云重构方法及系统 |
CN111915724A (zh) * | 2020-08-21 | 2020-11-10 | 青岛联合创智科技有限公司 | 一种点云模型切片形状计算方法 |
CN113168730A (zh) * | 2019-01-31 | 2021-07-23 | 西门子股份公司 | 模型简化特征的识别方法、装置和设备 |
CN113272867A (zh) * | 2019-01-09 | 2021-08-17 | 三星电子株式会社 | 占用图精度的自适应选择 |
WO2023087526A1 (zh) * | 2021-11-18 | 2023-05-25 | 上海仙途智能科技有限公司 | 用于点云去噪的方法、电子设备及存储介质 |
CN117456131A (zh) * | 2023-12-26 | 2024-01-26 | 深圳市信润富联数字科技有限公司 | 缺陷场景下点云的降采样方法及装置 |
CN117481695A (zh) * | 2023-12-28 | 2024-02-02 | 江苏霆升科技有限公司 | 一种基于imu配准的心腔内超声导管三维建模方法及装置 |
CN117951240A (zh) * | 2024-03-27 | 2024-04-30 | 国能龙源环保有限公司 | 全局三维点云地图存储和实时体素检索方法、装置及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096268A (zh) * | 2015-07-13 | 2015-11-25 | 西北农林科技大学 | 一种点云去噪平滑方法 |
-
2017
- 2017-01-18 CN CN201710037732.1A patent/CN106846272A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096268A (zh) * | 2015-07-13 | 2015-11-25 | 西北农林科技大学 | 一种点云去噪平滑方法 |
Non-Patent Citations (3)
Title |
---|
G.R.LIU,Y.T.GU: "《无网格法理论及程序设计》", 31 March 2007 * |
吴磊: "基于Kinect的室内场景三维重建", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李鹏飞等: "点云模型的噪声分类去噪算法", 《计算机工程与应用》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107452032A (zh) * | 2017-07-28 | 2017-12-08 | 电子科技大学 | 人体背部深度图像预处理方法 |
CN107481228A (zh) * | 2017-07-28 | 2017-12-15 | 电子科技大学 | 基于计算机视觉的人体背部脊柱侧弯角度测量方法 |
CN107507267A (zh) * | 2017-07-28 | 2017-12-22 | 电子科技大学 | 人体背部三维重构方法 |
CN107883873A (zh) * | 2017-11-07 | 2018-04-06 | 北京工业大学 | 基于3d扫描的装配部件误差在线检测系统及方法 |
CN108198244B (zh) * | 2017-12-20 | 2020-11-10 | 中国农业大学 | 一种苹果叶片点云精简方法及装置 |
CN108198244A (zh) * | 2017-12-20 | 2018-06-22 | 中国农业大学 | 一种苹果叶片点云精简方法及装置 |
CN107967675A (zh) * | 2017-12-25 | 2018-04-27 | 浙江大学 | 一种基于自适应投影移动最小二乘的结构化点云去噪方法 |
CN107967675B (zh) * | 2017-12-25 | 2021-05-04 | 浙江大学 | 一种基于自适应投影移动最小二乘的结构化点云去噪方法 |
CN108898672A (zh) * | 2018-04-27 | 2018-11-27 | 厦门维斯云景信息科技有限公司 | 一种制作三维高清道路图车道线的半自动点云方法 |
CN109146817A (zh) * | 2018-08-23 | 2019-01-04 | 西安工业大学 | 一种非迭代单一物体散乱点云数据的噪声处理方法 |
CN109146817B (zh) * | 2018-08-23 | 2021-07-09 | 西安工业大学 | 一种非迭代单一物体散乱点云数据的噪声处理方法 |
CN109118582A (zh) * | 2018-09-19 | 2019-01-01 | 东北大学 | 一种商品三维重建系统及重建方法 |
CN109118582B (zh) * | 2018-09-19 | 2020-06-16 | 东北大学 | 一种商品三维重建系统及重建方法 |
CN109556540A (zh) * | 2018-11-07 | 2019-04-02 | 西安电子科技大学 | 一种非接触式基于3d图像的物体平面度检测方法、计算机 |
CN109741265A (zh) * | 2018-11-20 | 2019-05-10 | 哈尔滨理工大学 | 一种基于特征选择的脊柱ct图像双边滤波去噪方法 |
CN113272867A (zh) * | 2019-01-09 | 2021-08-17 | 三星电子株式会社 | 占用图精度的自适应选择 |
CN113168730A (zh) * | 2019-01-31 | 2021-07-23 | 西门子股份公司 | 模型简化特征的识别方法、装置和设备 |
CN110188663A (zh) * | 2019-05-28 | 2019-08-30 | 禾多科技(北京)有限公司 | 检测定位车辆点云质量的方法 |
CN110188663B (zh) * | 2019-05-28 | 2021-02-26 | 禾多科技(北京)有限公司 | 检测定位车辆点云质量的方法 |
WO2021143297A1 (zh) * | 2020-01-15 | 2021-07-22 | 北京市商汤科技开发有限公司 | 物体识别方法及装置、存储介质和计算机程序 |
CN111259958B (zh) * | 2020-01-15 | 2024-04-16 | 北京市商汤科技开发有限公司 | 物体识别方法及装置、存储介质 |
CN111259958A (zh) * | 2020-01-15 | 2020-06-09 | 北京市商汤科技开发有限公司 | 物体识别方法及装置、存储介质 |
CN111383195A (zh) * | 2020-03-11 | 2020-07-07 | 南京工程学院 | 一种基于球模型的散乱点云数据快速精简去噪方法 |
CN111268566A (zh) * | 2020-03-30 | 2020-06-12 | 北京国泰星云科技有限公司 | 一种基于激光的集装箱卡车车道上的自动着箱系统及方法 |
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 |
CN111507919A (zh) * | 2020-04-16 | 2020-08-07 | 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 |
CN111696210A (zh) * | 2020-04-22 | 2020-09-22 | 北京航天控制仪器研究所 | 一种基于三维点云数据特征轻量化的点云重构方法及系统 |
CN111915724A (zh) * | 2020-08-21 | 2020-11-10 | 青岛联合创智科技有限公司 | 一种点云模型切片形状计算方法 |
WO2023087526A1 (zh) * | 2021-11-18 | 2023-05-25 | 上海仙途智能科技有限公司 | 用于点云去噪的方法、电子设备及存储介质 |
CN117456131A (zh) * | 2023-12-26 | 2024-01-26 | 深圳市信润富联数字科技有限公司 | 缺陷场景下点云的降采样方法及装置 |
CN117456131B (zh) * | 2023-12-26 | 2024-05-24 | 深圳市信润富联数字科技有限公司 | 缺陷场景下点云的降采样方法及装置 |
CN117481695A (zh) * | 2023-12-28 | 2024-02-02 | 江苏霆升科技有限公司 | 一种基于imu配准的心腔内超声导管三维建模方法及装置 |
CN117951240A (zh) * | 2024-03-27 | 2024-04-30 | 国能龙源环保有限公司 | 全局三维点云地图存储和实时体素检索方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106846272A (zh) | 一种点云模型的去噪精简方法 | |
CN104134234B (zh) | 一种全自动的基于单幅图像的三维场景构建方法 | |
Wu et al. | Virtual sparse convolution for multimodal 3d object detection | |
CN107330903B (zh) | 一种人体点云模型的骨架提取方法 | |
CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
CN109544677A (zh) | 基于深度图像关键帧的室内场景主结构重建方法及系统 | |
CN107886528A (zh) | 基于点云的配电线路作业场景三维重建方法 | |
CN107025323A (zh) | 一种基于模板库的变电站快速建模方法 | |
CN107742102A (zh) | 一种基于深度传感器的手势识别方法 | |
CN107316340A (zh) | 一种基于单张照片的快速人脸建模方法 | |
CN110348435B (zh) | 一种基于区域候选网络的目标检测方法及系统 | |
CN103198508A (zh) | 人脸表情动画生成方法 | |
CN107730519A (zh) | 一种人脸二维图像到人脸三维重建的方法及系统 | |
CN107369204B (zh) | 一种从单幅照片恢复出场景基本三维结构的方法 | |
CN108124489A (zh) | 信息处理方法、装置、云处理设备以及计算机程序产品 | |
CN107464258A (zh) | 一种从图像中提取三维平面的方法 | |
CN110176079A (zh) | 一种基于准共形映射的三维模型变形算法 | |
CN110544300A (zh) | 一种基于二维手绘图像特征自动生成三维模型的方法 | |
CN100487732C (zh) | 一种基于人脸照片的卡通肖像生成方法 | |
CN110348067B (zh) | 一种气流表征物理参数提取方法及系统、介质、设备 | |
CN113345089B (zh) | 一种基于电力塔点云的规则化建模方法 | |
CN113240790B (zh) | 一种基于3d模型和点云处理的钢轨缺陷图像生成方法 | |
CN107123138A (zh) | 基于vanilla‑R点对剔除策略的点云配准算法 | |
CN104992176B (zh) | 一种面向碑文的汉字提取方法 | |
CN117115359B (zh) | 一种基于深度图融合的多视图电网三维空间数据重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170613 |
|
RJ01 | Rejection of invention patent application after publication |