CN106846272A - 一种点云模型的去噪精简方法 - Google Patents

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

一种点云模型的去噪精简方法

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q_n，假设q_n到任意点的距离为d_i，q_n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q_n到它所有k个邻近点的平均距离avr_n，计算出的avr_n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avr_n和标准范围span，对相应的点进行选择，即，

当点q_n对应的平均距离avr_n大于标准范围span时，则删除该点q_n；当点q_n对应的平均距离avr_n小于等于标准范围span时，则保留该点q_n。

步骤2.2具体为：

设以三维点云模型中的数据点q_n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q_n；

当m大于M，则保留该点q_n；

当m小于等于M，则删除该点q_n。

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；

F^T(x,y)＝[F₀(x,y),F₁(x,y),...,F_m(x,y)],F_j(x,y)是基函数，

a(x,y)＝[a₀(x,y),a₁(x,y),...,a_m(x,y)]^T,a_j(x,y)为相应待求系数，

F^T(x,y)a(x,y)为矩阵表示形式；

且，常用的线性基函数有：F^T(x,y)＝[1,x,y]；

常用的二次基函数为F^T(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Q_j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Q_j周围有限区域U_j大于零，且在区域U_j之外为零即满足权函数的紧支性，区域U_j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U_j上的所有数据点的误差r_j的加权平方和J，

其中，误差r_j由公式(6)计算，

r_i＝s(x_j,y_j)-y_j (6)

所有的r_j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，Y^T＝(y₁，y₂,...y_N) (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)＝F^TW(x,y)F B(x,y)＝F^TW(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，

F^T(x,y)A^-1(x,y)B(x,y)＝λ(x,y)＝[λ₁(x,y),λ₂(x,y),...λ_N(x,y)] (14)

然后根据依次计算区域U_j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η_t，设定可接受的误差域为errorlit,errorlit一般设为η_t的1％-3％，

对比errorlit与η值的大小关系，从而判断是否保留点Q_j；

当η小于等于errorlit，则保留该点Q_j；

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Q_j；

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Q_j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Q_j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：

L_x＝X_max-X_min,

L_y＝Y_max-Y_min，,； (15)

L_z＝Z_max-Z_min，,；

其中，L_x、L_y、L_z分别表示点云x轴、y轴、z轴方向最大范围，X_max、X_min、Y_max、Y_min、Z_max、Z_min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L_x、L_y、L_z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q_n，假设q_n到任意点的距离为d_i，q_n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q_n到它所有k个邻近点的平均距离avr_n，计算出的avr_n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avr_n和标准范围span，对相应的点进行选择，即，

当点q_n对应的平均距离avr_n大于标准范围span时，则删除该点q_n；当点q_n对应的平均距离avr_n小于等于标准范围span时，则保留该点q_n；

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avr_n(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q_n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q_n；

当m大于M，则保留该点q_n；

当m小于等于M，则删除该点q_n；

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；

F^T(x,y)＝[F₀(x,y),F₁(x,y),...,F_m(x,y)],F_j(x,y)是基函数，

a(x,y)＝[a₀(x,y),a₁(x,y),...,a_m(x,y)]^T,a_j(x,y)为相应待求系数，

F^T(x,y)a(x,y)为矩阵表示形式；

且，常用的线性基函数有：F^T(x,y)＝[1,x,y]；

常用的二次基函数为F^T(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Q_j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Q_j周围有限区域U_j大于零，且在区域U_j之外为零即满足权函数的紧支性，区域U_j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U_j上的所有数据点的误差r_j的加权平方和J，

其中，误差r_j由公式(6)计算，

r_i＝s(x_j,y_j)-y_j (6)

所有的r_j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，Y^T＝(y₁，y₂,...y_N) (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)＝F^TW(x,y)F B(x,y)＝F^TW(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，

F^T(x,y)A^-1(x,y)B(x,y)＝λ(x,y)＝[λ₁(x,y),λ₂(x,y),...λ_N(x,y)] (14)

然后根据依次计算区域U_j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η_t，设定可接受的误差域为errorlit,errorlit一般设为η_t的1％-3％，

对比errorlit与η值的大小关系，从而判断是否保留点Q_j；

当η小于等于errorlit，则保留该点Q_j；

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Q_j。

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Q_j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Q_j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：

L_x＝X_max-X_min,

L_y＝Y_max-Y_min，,； (15)

L_z＝Z_max-Z_min，,；

其中，L_x、L_y、L_z分别表示点云x轴、y轴、z轴方向最大范围，X_max、X_min、Y_max、Y_min、Z_max、Z_min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L_x、L_y、L_z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q_n，假设q_n到任意点的距离为d_i，q_n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q_n到它所有k个邻近点的平均距离avr_n，计算出的avr_n采用高斯分布进行表示，其均值为μ和标准差为σ，

${\mathrm{avr}}_n=\frac{\underset{i=1}{\overset{k}{\Σ}}{d}_i}{k}---\left(1\right)$

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avr_n和标准范围span，对相应的点进行选择，即，

当点q_n对应的平均距离avr_n大于标准范围span时，则删除该点q_n；当点q_n对应的平均距离avr_n小于等于标准范围span时，则保留该点q_n。

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q_n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q_n；

当m大于M，则保留该点q_n；

当m小于等于M，则删除该点q_n。

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)，

$s(x,y)=\underset{j=0}{\overset{m}{\Σ}}{F}_j(x,y)a_j(x,y)=F^T(x,y)a(x,y)---\left(3\right)$

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；

F^T(x,y)＝[F₀(x,y),F₁(x,y),…,F_m(x,y)],F_j(x,y)是基函数，

a(x,y)＝[a₀(x,y),a₁(x,y),…,a_m(x,y)]^T,a_j(x,y)为相应待求系数，

F^T(x,y)a(x,y)为矩阵表示形式；

且，常用的线性基函数有：F^T(x,y)＝[1,x,y]；

常用的二次基函数为F^T(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Q_j处定义一个权函数，即公式(4)，

${\mathrm{\ω}}_j=\mathrm{\ω}\left(\sqrt{{(x-x_j)}^2+{(y-y_j)}^2}\right)---\left(4\right)$

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Q_j周围有限区域U_j大于零，且在区域U_j之外为零即满足权函数的紧支性，区域U_j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U_j上的所有数据点的误差r_j的加权平方和J，

$\begin{array}{c}J=\underset{j=1}{\overset{m}{\Σ}}\mathrm{\ω}\left(\sqrt{{(x-x_j)}^2+{(y-y_j)}^2}\right){\[s\left(x_j,y_j\right)-y_j\]}^2\\ =\underset{j=1}{\overset{m}{\Σ}}\mathrm{\ω}\left(\sqrt{{(x-x_j)}^2+{(y-y_j)}^2}\right){\[\underset{j=0}{\overset{m}{\Σ}}{F}_j(x_j,y_j)a_j{x}_j,y_j)-y_j\]}^2\end{array}---\left(5\right)$

其中，误差r_j由公式(6)计算，

r_i＝s(x_j,y_j)-y_j (6)

所有的r_j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，Y^T＝(y₁，y₂,...y_N) (8)；

W(x,y)为对角矩阵，

$W(x,y)=\left[\begin{array}{cccc}\mathrm{\ω}\left(\sqrt{{(x-x_1)}^2+{(y-y_1)}^2}\right)& 0& K& 0\\ 0& \mathrm{\ω}\left(\sqrt{{(x-x_2)}^2+{(y-y_2)}^2}\right)& K& 0\\ M& M& M& M\\ 0& 0& L& \mathrm{\ω}\left(\sqrt{{(x-x_N)}^2+{(y-y_N)}^2}\right)\end{array}\right]---\left(10\right);$

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)，

$\frac{\∂J}{\∂a}=F^{T}W(x,y)Fa(x,y)-F^{T}W(x,y)Y---\left(11\right)$

设A(x,y)＝F^TW(x,y)F B(x,y)＝F^TW(x,y)则可简化为：

$\frac{\∂J}{\∂a}=A(x,y)a(x,y)-B(x,y)Y=0$

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，

F^T(x,y)A^-1(x,y)B(x,y)＝λ(x,y)＝[λ₁(x,y),λ₂(x,y),...λ_N(x,y)] (14)

然后根据依次计算区域U_j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η_t，设定可接受的误差域为errorlit,errorlit一般设为η_t的1％-3％，

对比errorlit与η值的大小关系，从而判断是否保留点Q_j；

当η小于等于errorlit，则保留该点Q_j；

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Q_j；

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Q_j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Q_j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：

$\begin{array}{c}{L}_x=X_{\max }-X_{\min },\\ L_y=Y_{\max }-Y_{\min },,;\\ L_z=Z_{\max }-Z_{\min },,;\end{array}---\left(15\right)$

其中，L_x、L_y、L_z分别表示点云x轴、y轴、z轴方向最大范围，X_max、X_min、Y_max、Y_min、Z_max、Z_min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L_x、L_y、L_z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：

$\left\{\begin{array}{c}{X}_c=\frac{\underset{i=1}{\overset{m}{\Σ}}{x}_i}{m}\\ Y_c=\frac{\underset{i=1}{\overset{m}{\Σ}}{y}_i}{m}\\ Z_c=\frac{\underset{i=1}{\overset{m}{\Σ}}{z}_i}{m}\end{array}\right.---\left(17\right).$