CN107392875A - 一种基于k近邻域划分的点云数据去噪方法 - Google Patents
一种基于k近邻域划分的点云数据去噪方法 Download PDFInfo
- Publication number
- CN107392875A CN107392875A CN201710648346.6A CN201710648346A CN107392875A CN 107392875 A CN107392875 A CN 107392875A CN 201710648346 A CN201710648346 A CN 201710648346A CN 107392875 A CN107392875 A CN 107392875A
- Authority
- CN
- China
- Prior art keywords
- point
- mrow
- cloud data
- msub
- cloud
- 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 31
- 241001269238 Data Species 0.000 claims description 12
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000013499 data model Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004919 topotaxy Methods 0.000 description 1
Classifications
-
- G06T5/70—
-
- 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
Abstract
本发明公开了一种基于k近邻域划分的点云数据去噪方法：利用单元格法对点云数据进行空间划分；获得点云数据的邻域信息，完成点云数据k近邻域搜索；计算点云数据中两个点的平均距离；计算点云数据中的任一点对其k近邻域的点的影响力的值；遍历点云数据，计算点云数据影响力值的平均值，在此基础上设定与影响力比较的阈值；将设定的阈值与点云数据的影响力的值进行比较判断这个点是否是噪声点；将噪声点去除，得到去燥后的点云数据。本发明将利用单元格法完成点云数据的空间划分确定任意点的k近邻域信息与高斯影响函数作为影响力评价函数相结合，能够有效地去除点云模型中的噪声点，同时保留原模型的特征信息，计算效率也得到提高。
Description
技术领域
本发明属于点云数据处理领域，具体是指一种基于k近邻域划分的点云数据去噪方法。
背景技术
随着各种测量方式与扫描技术的应用与发展，人们能够直接地获取精度和密度都很高的物体表面数字信息，三维信息获取技术也逐步发展并融入到许多应用领域。获取三维信息的一项重要手段就是三维激光扫描仪。三维扫描技术的不断发展使其成为快速、精确地建立三维模型的重要手段之一。相比其他传统的测量技术，三维激光扫描技术扫描速度快精度高，能够实现对复杂物体的测量。三维激光扫描仪按照一定的采样密度获取的表征被测物体表面信息的数据点称为点云数据。点云数据获取的方式是多种多样的，由于在实际的测量过程中存在人为因素以及扫描设备本身存在的缺陷，所得数据中不可避免会引入不合理的噪声点，而噪声的存在会对后续建模的精度以及相关处理的效率产生一些影响。
由于三维模型具有多样性，噪声也具有一定的复杂性，在对模型进行去噪的同时保留原模型的特征，生成一个表明光滑并且与原模型保持特征的一致性，仍然是一个具有一定难度的研究问题。传统的去噪方法是：先构造点云数据之间的拓扑连接关系，在此基础上再对网格曲面进行光顺去噪，最终得到光滑的模型。但这种方法由于要不断地维护巨大的拓扑连接信息，需要耗费大量的时间与内存。
发明内容
针对传统的点云数据去噪的局限性，本发明提供了一种基于k近邻域划分的点云数据去噪方法，具体包括如下步骤：
步骤1，利用单元格法对点云数据进行空间划分；
步骤2，获得点云数据的邻域信息，完成点云数据k近邻域搜索；
步骤3，计算点云数据中两个点的平均距离；引入高斯函数作为权重函数，计算点云数据中的任一点对其k近邻域的点的影响力的值；
步骤4，遍历点云数据，计算点云数据影响力值的平均值在此基础上设定与影响力比较的阈值；将设定的阈值与点云数据的影响力的值进行比较，如果影响力的值大于这个阈值，则认为这个点是原始模型上的信息点，反之，则认为这个点是噪声点；
步骤5：将噪声点去除，得到去燥后的点云数据。
进一步的，所述步骤1的对点云数据进行空间划分是利用的单元格法，具体包括：
步骤11，确定点云数据的最小包围盒：遍历全部的点云数据，读入点的坐标，找出点云数据在X、Y、Z三个坐标轴方向上的最大值以及最小值，分别用xmax、xmin、ymax、ymin、zmax、zmin表示，同时记录点云总的数目，用N表示；以A(xmin,ymin,zmin)、B(xmin,ymax,zmin)、C(xmax,ymax,zmin)、D(xmax,ymin,zmin)、E(xmin,ymin,zmax)、F(xmin,ymax,zmax)、G(xmax,ymax,zmax)、H(xmax,ymin,zmax)为顶点，构建一个能够包围全部点云数据的立方体，该立方体即是点云数据的最小包围盒；
步骤12，利用下式计算最小包围盒的体积V，估算小立方单元格的边长L，确定小立方单元格的数目ncube；
V＝(xmax-xmin)×(ymax-ymin)×(zmax-zmin)
式中，Num为小立方单元格里所要包含的点的数量，取8--20；β为为小立方单元格单元格的边长调节系数，动态地调整小立方单元格的边长，β的值根据点云模型的密度及边长L来确定；表示向上取整；
步骤13，划分三维空间，计算所述最小包围盒在X、Y、Z方向上的划分个数；
式中，mx、my、mz分别为最小包围盒在X、Y、Z方向上划分的个数；
步骤14，确定任意一个点云数据所在的小立方单元格，并记录其索引；
式中，t、j、k为小立方单元格的空间位置的标号；xi,yi,zi为点云中任一点p(xi,yi,zi)的三维坐标。
进一步的，所述所述步骤12中，β取0.8-1.2。
进一步的，所述所述步骤2的获得点云数据的邻域信息完成点云数据k近邻域搜索包括：
步骤21，根据点云中任一点p(xi,yi,zi)所在小立方单元格的索引，找到它所在的小立方单元格cube[t][j][k]；
步骤22，在当前索引确定的小立方单元格以及与它相邻的26个小立方单元格中搜索当前点p(xi,yi,zi)的k个最近的点；具体是：计算这26个小立方格中的点与当前点p(xi,yi,zi)的距离，由小到大选取k个距离值最小的点作为当前点p(xi,yi,zi)的最邻近点，并将其他被计算过距离的点标记为已经遍历的点云；k取8-20范围内的整数；
步骤23，如果在步骤22中得到的与当前的小立方单元格的最邻近点不足k个，则将搜索邻域扩大到与其相邻98个小立方体单元格；然后在其中继续查找，直到得到k个最邻近点，并将被计算过距离的点标记为已经遍历的点云；
步骤25，如果步骤24中得到的与当前的小立方单元格的最邻近点仍然不足k个，则将步骤23中扩大一层后的搜索邻域中包括的点作为当前点p(xi,yi,zi)的k近邻域点；此时，k近邻域点仅仅是个名称，其包含的近邻域点少于k个。
进一步的，所述所述步骤3的计算整个点云数据中两个点的平均距离；引入高斯影响函数作为权重函数，计算目标点云数据对其邻域点的影响力的值包括：
步骤31，遍历点云数据，计算两个点pi、pj的平均距离Dmean；
式中，pi表示点云中任一点p(xi,yi,zi)，i＝1,2，…，n，n为点云中包含的点数目；Nb(pi)表示pi的邻域；pj表示pi的k近邻域中任一点；
步骤32，确定高斯函数中的参数σ；
T∈{1/16,1/8,1/4,1/2,1,2,4,8,16}；
步骤33，根据步骤32得到的参数σ，计算点云中任一点pi对其k近邻域的点的影响值；
式中，pi表示点云中任一点p(xi,yi,zi)，i＝1,2，…，n，n为点云中包含的点数目；Nb(pi)表示pi的邻域；pj表示pi的k近邻域中任一点。
进一步的，所述步骤4的计算点云数据影响力值的平均值是指所有点云数据的影响力值D(Pi)的加和平均值。
进一步的，所述步骤4中，所述设定与影响力比较的阈值
本发明将利用单元格法完成点云数据的空间划分确定任意点的k近邻域信息与高斯影响函数作为影响力评价函数相结合，实现对点云数据的去噪处理。点云数据模型相比网格模型结构简单，直接基于原始点云模型进行去噪处理是十分必要的，该方法克服了传统的点云数据去噪的弊端，不需要建立点云数据的拓扑连接关系，具有一定的自适应性，能够有效地去除点云模型中的噪声点，同时能够保留原模型的特征信息。同时，计算效率得到提高。
附图说明
图1为本发明的算法的流程图；
图2为实施例中点云数据模型去噪之前与去噪后的效果对比图；
图3为实施例中同一模型不同视角(角度)的点云数据去噪前后效果对比图。
以下结合实例说明本发明的路面裂缝识别技术的实施效果。
具体实施方式
本发明的原理分析如下：
散乱点云数据没有一定的分布规律，不能直接获得点与点之间的拓扑关系，因此有必要建立数据点之间的空间拓扑关系。本发明利用单元格法确定点云数据的k近邻域，明确点云数据的局部特征信息分布；然后选取高斯影响函数，对点云数据对其邻域点的影响力进行评价，将得到的影响到力的值与设定阈值进行比较，进一步判断某个数据点是否是噪声点。
一种基于k近邻域划分的点云数据去噪方法，具体包括如下步骤：
步骤1，利用单元格法对点云数据进行空间划分；具体包括：
步骤11，确定点云数据的最小包围盒：遍历全部的点云数据，读入点的坐标，找出点云数据在X、Y、Z三个坐标轴方向上的最大值以及最小值，分别用xmax、xmin、ymax、ymin、zmax、zmin表示，同时记录点云总的数目，用N表示；以A(xmin,ymin,zmin)、B(xmin,ymax,zmin)、C(xmax,ymax,zmin)、D(xmax,ymin,zmin)、E(xmin,ymin,zmax)、F(xmin,ymax,zmax)、G(xmax,ymax,zmax)、H(xmax,ymin,zmax)为顶点，构建一个能够包围全部点云数据的立方体，该立方体即是点云数据的最小包围盒；
步骤12，利用下式计算最小包围盒的体积V，估算小立方单元格的边长L，确定小立方单元格的数目ncube；
V＝(xmax-xmin)×(ymax-ymin)×(zmax-zmin)
式中，Num为小立方单元格里所要包含的点的数量，取8--20；β为为小立方单元格单元格的边长调节系数，动态地调整小立方单元格的边长，β的值根据点云模型的密度及边长L来确定，本发明中β取0.8-1.2；表示向上取整。
步骤13，划分三维空间，计算所述最小包围盒在X、Y、Z方向上的划分个数；
式中，mx、my、mz分别为最小包围盒在X、Y、Z方向上划分的个数。
步骤14，确定任意一个点云数据所在的小立方单元格，并记录其索引；
式中，t、j、k为小立方单元格的空间位置的标号；xi,yi,zi为点云中任一点p(xi,yi,zi)的三维坐标；
步骤2，获得点云数据的邻域信息，完成点云数据k近邻域搜索；具体包括：
步骤21，根据点云中任一点p(xi,yi,zi)所在小立方单元格的索引，找到它所在的小立方单元格cube[t][j][k]；
步骤22，在当前索引确定的小立方单元格以及与它相邻的第一层(即层数n＝1，则相邻小立方单元格个数＝(2n+1)3-(2n-1)3＝26)的所有小立方单元格中搜索当前点p(xi,yi,zi)的k个最近的点；具体是：计算这26个小立方格中的点与当前点p(xi,yi,zi)的距离，由小到大选取k个距离值最小的点作为当前点p(xi,yi,zi)的最邻近点，并将其他被计算过距离的点标记为已经遍历的点云；其中，为了保证每个采样点及其邻近点所重建的局部曲面是单凸或单凹的，k取8-20范围内的整数；
步骤23，如果在步骤22中得到的与当前的小立方单元格的最邻近点不足k个，则将搜索邻域扩大一层(即层数n＝2，则与其相邻小立方体单元格个数为98个)；然后在当前的小立方单元格相邻的所有小立方体单元格中继续查找，直到得到k个最邻近点，并将被计算过距离的点标记为已经遍历的点云；
步骤25，如果步骤24中得到的与当前的小立方单元格的最邻近点仍然不足k个，则将步骤23中扩大一层后的搜索邻域中包括的点作为当前点p(xi,yi,zi)的k近邻域点；此时，k近邻域点仅仅是个名称，其包含的近邻域点少于k个。
优选的，步骤3，计算点云数据中两个点的平均距离；引入高斯函数作为权重函数，计算点云数据中的任一点对其k近邻域的点的影响力的值；具体包括：
步骤31，遍历点云数据，计算两个点pi、pj的平均距离Dmean；
式中，pi表示点云中任一点p(xi,yi,zi)，i＝1,2，…，n，n为点云中包含的点数目；Nb(pi)表示pi的邻域；pj表示pi的k近邻域中任一点；
步骤32，确定高斯函数中的参数σ；
T∈{1/16,1/8,1/4,1/2,1,2,4,8,16}，T为一个参数，根据含有噪声的点云模型来选择，经研究表明，T取{1/16,1/8,1/4,1/2,1,2,4,8,16}范围内的值时密度熵最小，去噪效果最好，稳定性越强。
步骤33，根据步骤32得到的参数σ，计算点云中任一点pi对其k近邻域的点的影响值；
式中，pi表示点云中任一点p(xi,yi,zi)，i＝1,2，…，n，n为点云中包含的点数目；Nb(pi)表示pi的邻域；pj表示pi的k近邻域中任一点；
步骤4：遍历点云数据，计算点云数据影响力值的平均值在此基础上设定与影响力比较的阈值；将设定的阈值与点云数据的影响力的值进行比较，如果影响力的值大于这个阈值，则认为这个点是原始模型上的信息点，反之，则认为这个点是噪声点。所述步骤4的计算点云数据影响力值的平均值是指所有点云数据的影响力值D(Pi)的加和平均值；所述设定与影响力比较的阈值
步骤5：将噪声点去除，得到去燥后的点云数据。
实施例：
本文提供一种基于k近邻域划分的点云数据去噪方法，具体包括如下步骤：
步骤1：利用单元格法对点云数据进行空间划分。包括如下步骤：
步骤11：确定点云数据的最小包围盒：遍历全部的点云数据，读入点的坐标，找出点云数据在X、Y、Z三个坐标轴方向上的最大值以及最小值，分别用xmax、xmin、ymax、ymin、zmax、zmin表示，同时记录点云总的数目，用N表示；以A(xmin,ymin,zmin)、B(xmin,ymax,zmin)、C(xmax,ymax,zmin)、D(xmax,ymin,zmin)、E(xmin,ymin,zmax)、F(xmin,ymax,zmax)、G(xmax,ymax,zmax)、H(xmax,ymin,zmax)为顶点，构建一个能够包围全部点云数据的立方体，该立方体即是点云数据的最小包围盒；
步骤12：利用下式计算最小包围盒的体积V，估算小立方单元格的边长L，确定小立方单元格的数目ncube；
V＝(xmax-xmin)×(ymax-ymin)×(zmax-zmin)
式中，Num为小立方单元格里所要包含的点的数量，取8--20；β为为小立方单元格单元格的边长调节系数，动态地调整小立方单元格的边长，β的值根据点云模型的密度及边长L来确定，本发明中β取0.8-1.2；表示向上取整。
步骤13：划分三维空间，计算所述最小包围盒在X、Y、Z方向上的划分个数；
式中，mx、my、mz分别为最小包围盒在X、Y、Z方向上划分的个数。
步骤14：确定任意一个点云数据所在的小立方单元格，并记录其索引；
式中，t、j、k为小立方单元格的空间位置的标号；xi,yi,zi为点云中任一点p(xi,yi,zi)的三维坐标。
步骤2：获得点云数据的邻域信息，完成点云数据k近邻域搜索；包括如下步骤：
步骤21，根据点云中任一点p(xi,yi,zi)所在小立方单元格的索引，找到它所在的小立方单元格cube[t][j][k]；
步骤22，在当前索引确定的小立方单元格以及与它相邻的第26个小立方单元格中搜索当前点p(xi,yi,zi)的k个最近的点；具体是：计算这26个小立方格中的点与当前点p(xi,yi,zi)的距离，由小到大选取k个距离值最小的点作为当前点p(xi,yi,zi)的最邻近点，并将其他被计算过距离的点标记为已经遍历的点云；其中，为了保证每个采样点及其邻近点所重建的局部曲面是单凸或单凹的，k取8-20范围内的整数；
步骤23，如果在步骤22中得到的与当前的小立方单元格的最邻近点不足k个，则将搜索邻域扩大一层，即与其相邻小立方体单元格个数为98个；然后在当前的小立方单元格相邻的所有小立方体单元格中继续查找，直到得到k个最邻近点，并将被计算过距离的点标记为已经遍历的点云；
步骤25，如果步骤24中得到的与当前的小立方单元格的最邻近点仍然不足k个，则将步骤23中扩大一层后的搜索邻域中包括的点作为当前点p(xi,yi,zi)的k近邻域点；此时，k近邻域点仅仅是个名称，其包含的近邻域点少于k个。
步骤3：计算点云数据中两个点的平均距离；引入高斯函数作为权重函数，计算点云数据中的任一点对其k近邻域的点的影响力的值；包括如下步骤：
步骤31，遍历点云数据，计算两个点pi、pj的平均距离Dmean；
式中，pi表示点云中任一点p(xi,yi,zi)，i＝1,2，…，n，n为点云中包含的点数目；Nb(pi)表示pi的邻域；pj表示pi的k近邻域中任一点；
步骤32，确定高斯函数中的参数σ；
T∈{1/16,1/8,1/4,1/2,1,2,4,8,16}，T为一个参数，根据含有噪声的点云模型来选择，经研究表明，T取{1/16,1/8,1/4,1/2,1,2,4,8,16}范围内的值时密度熵最小，去噪效果最好，稳定性越强。
步骤33，根据步骤32得到的参数σ，计算点云中任一点pi对其k近邻域的点的影响值；
式中，pi表示点云中任一点p(xi,yi,zi)，i＝1,2，…，n，n为点云中包含的点数目；Nb(pi)表示pi的邻域；pj表示pi的k近邻域中任一点；
步骤4：遍历点云数据，计算所有点云数据的影响力值D(Pi)的加和平均值，记为在此基础上设定与影响力比较的阈值将设定的阈值与点云数据的影响力的值进行比较，如果影响力的值大于这个阈值，则认为这个点是原始模型上的信息点，反之，则认为这个点是噪声点。
步骤5：将噪声点去除，得到去燥后的点云数据。
为了验证本发明的可行性与有效性，申请人进行了如下实验：
对含有噪声的block模型进行处理，图2为点云数据模型去噪前后的对比图图3为不同视角的点云数据去噪前后对比图，从图中的对比效果可以看出，该去噪方法能够有效地去除模型中的噪声点，并且不会对模型的外观特征产生较大的影响。
Claims (7)
1.一种基于k近邻域划分的点云数据去噪方法，其特征在于，具体包括如下步骤：
步骤1，利用单元格法对点云数据进行空间划分；
步骤2，获得点云数据的邻域信息，完成点云数据k近邻域搜索；
步骤3，计算点云数据中两个点的平均距离；引入高斯函数作为权重函数，计算点云数据中的任一点对其k近邻域的点的影响力的值；
步骤4，遍历点云数据，计算点云数据影响力值的平均值在此基础上设定与影响力比较的阈值；将设定的阈值与点云数据的影响力的值进行比较，如果影响力的值大于这个阈值，则认为这个点是原始模型上的信息点，反之，则认为这个点是噪声点；
步骤5：将噪声点去除，得到去燥后的点云数据。
2.如权利要求1所述的基于k近邻域划分的点云数据去噪方法，其特征在于，所述步骤1的对点云数据进行空间划分是利用的单元格法，具体包括：
步骤11，确定点云数据的最小包围盒：遍历全部的点云数据，读入点的坐标，找出点云数据在X、Y、Z三个坐标轴方向上的最大值以及最小值，分别用xmax、xmin、ymax、ymin、zmax、zmin表示，同时记录点云总的数目，用N表示；以A(xmin,ymin,zmin)、B(xmin,ymax,zmin)、C(xmax,ymax,zmin)、D(xmax,ymin,zmin)、E(xmin,ymin,zmax)、F(xmin,ymax,zmax)、G(xmax,ymax,zmax)、H(xmax,ymin,zmax)为顶点，构建一个能够包围全部点云数据的立方体，该立方体即是点云数据的最小包围盒；
步骤12，利用下式计算最小包围盒的体积V，估算小立方单元格的边长L，确定小立方单元格的数目ncube；
V＝(xmax-xmin)×(ymax-ymin)×(zmax-zmin)
<mrow>
<mi>L</mi>
<mo>=</mo>
<mi>&beta;</mi>
<mo>&times;</mo>
<mroot>
<mfrac>
<mrow>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mi>N</mi>
</mfrac>
<mn>3</mn>
</mroot>
</mrow>
式中，Num为小立方单元格里所要包含的点的数量，取8--20；β为为小立方单元格单元格的边长调节系数，动态地调整小立方单元格的边长，β的值根据点云模型的密度及边长L来确定；表示向上取整；
步骤13，划分三维空间，计算所述最小包围盒在X、Y、Z方向上的划分个数；
式中，mx、my、mz分别为最小包围盒在X、Y、Z方向上划分的个数；
步骤14，确定任意一个点云数据所在的小立方单元格，并记录其索引；
式中，t、j、k为小立方单元格的空间位置的标号；xi,yi,zi为点云中任一点p(xi,yi,zi)的三维坐标。
3.如权利要求2所述的基于k近邻域划分的点云数据去噪方法，其特征在于，所述所述步骤12中，β取0.8-1.2。
4.如权利要求1所述的基于k近邻域划分的点云数据去噪方法，其特征在于，所述所述步骤2的获得点云数据的邻域信息完成点云数据k近邻域搜索包括：
步骤21，根据点云中任一点p(xi,yi,zi)所在小立方单元格的索引，找到它所在的小立方单元格cube[t][j][k]；
步骤22，在当前索引确定的小立方单元格以及与它相邻的26个小立方单元格中搜索当前点p(xi,yi,zi)的k个最近的点；具体是：计算这26个小立方格中的点与当前点p(xi,yi,zi)的距离，由小到大选取k个距离值最小的点作为当前点p(xi,yi,zi)的最邻近点，并将其他被计算过距离的点标记为已经遍历的点云；k取8-20范围内的整数；
步骤23，如果在步骤22中得到的与当前的小立方单元格的最邻近点不足k个，则将搜索邻域扩大到与其相邻98个小立方体单元格；然后在其中继续查找，直到得到k个最邻近点，并将被计算过距离的点标记为已经遍历的点云；
步骤25，如果步骤24中得到的与当前的小立方单元格的最邻近点仍然不足k个，则将步骤23中扩大一层后的搜索邻域中包括的点作为当前点p(xi,yi,zi)的k近邻域点；此时，k近邻域点仅仅是个名称，其包含的近邻域点少于k个。
5.如权利要求1所述的基于k近邻域划分的点云数据去噪方法，其特征在于，所述所述步骤3的计算整个点云数据中两个点的平均距离；引入高斯影响函数作为权重函数，计算目标点云数据对其邻域点的影响力的值包括：
步骤31，遍历点云数据，计算两个点pi、pj的平均距离Dmean；
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<mn>1</mn>
<mi>k</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<mi>N</mi>
<mi>b</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
式中，pi表示点云中任一点p(xi,yi,zi)，i＝1,2，…，n，n为点云中包含的点数目；Nb(pi)表示pi的邻域；pj表示pi的k近邻域中任一点；
步骤32，确定高斯函数中的参数σ；
<mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mi>T</mi>
<mo>&times;</mo>
<msubsup>
<mi>D</mi>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
T∈{1/16,1/8,1/4,1/2,1,2,4,8,16}；
步骤33，根据步骤32得到的参数σ，计算点云中任一点pi对其k近邻域的点的影响值；
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>k</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>/</mo>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</msup>
</mrow>
式中，pi表示点云中任一点p(xi,yi,zi)，i＝1,2，…，n，n为点云中包含的点数目；Nb(pi)表示pi的邻域；pj表示pi的k近邻域中任一点。
6.如权利要求1所述的基于k近邻域划分的点云数据去噪方法，其特征在于，所述步骤4的计算点云数据影响力值的平均值是指所有点云数据的影响力值D(Pi)的加和平均值。
7.如权利要求1所述的基于k近邻域划分的点云数据去噪方法，其特征在于，所述步骤4中，所述设定与影响力比较的阈值
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710648346.6A CN107392875A (zh) | 2017-08-01 | 2017-08-01 | 一种基于k近邻域划分的点云数据去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710648346.6A CN107392875A (zh) | 2017-08-01 | 2017-08-01 | 一种基于k近邻域划分的点云数据去噪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107392875A true CN107392875A (zh) | 2017-11-24 |
Family
ID=60343607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710648346.6A Pending CN107392875A (zh) | 2017-08-01 | 2017-08-01 | 一种基于k近邻域划分的点云数据去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107392875A (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108447038A (zh) * | 2018-03-27 | 2018-08-24 | 北京工业大学 | 一种基于非局部全变分算子的网格去噪方法 |
| CN108961397A (zh) * | 2018-07-05 | 2018-12-07 | 长春工程学院 | 一种面向树木的三维点云数据的简化方法 |
| CN109145489A (zh) * | 2018-09-07 | 2019-01-04 | 百度在线网络技术（北京）有限公司 | 一种基于概率图的障碍物分布仿真方法、装置以及终端 |
| CN109344530A (zh) * | 2018-10-22 | 2019-02-15 | 上海建工四建集团有限公司 | 一种跨文件的机电系统物理连接自动修正方法和系统 |
| CN109934120A (zh) * | 2019-02-20 | 2019-06-25 | 东华理工大学 | 一种基于空间密度和聚类的分步点云噪声去除方法 |
| CN110109142A (zh) * | 2019-04-04 | 2019-08-09 | 深圳市速腾聚创科技有限公司 | 点云滤波方法、装置、计算机设备和存储介质 |
| CN110136072A (zh) * | 2018-02-08 | 2019-08-16 | 北京大学 | 点云噪声的去除方法、去噪系统、计算机设备及存储介质 |
| CN110246092A (zh) * | 2019-05-02 | 2019-09-17 | 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 |
| CN110517220A (zh) * | 2019-06-10 | 2019-11-29 | 长安大学 | 一种基于激光三维数据的集料表面数量检测方法 |
| CN110572655A (zh) * | 2019-09-30 | 2019-12-13 | 北京大学深圳研究生院 | 一种基于邻居权重的参数选取和传递的点云属性编码和解码的方法及设备 |
| CN110838115A (zh) * | 2019-11-12 | 2020-02-25 | 武汉大学 | 运用轮廓线提取和四维曲面拟合的古文物三维模型变化检测方法 |
| CN111275810A (zh) * | 2020-01-17 | 2020-06-12 | 五邑大学 | 基于图像处理的k近邻点云滤波方法、装置和存储介质 |
| CN111736167A (zh) * | 2019-03-25 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 一种获取激光点云密度的方法和装置 |
| CN113157836A (zh) * | 2021-03-12 | 2021-07-23 | 广西壮族自治区中国科学院广西植物研究所 | 一种空间点数据集周围数据提取方法、装置及存储介质 |
| CN113408544A (zh) * | 2021-05-31 | 2021-09-17 | 海南电网有限责任公司海口供电局 | 基于改进k-邻域算法的配网电力线点云提取方法及系统 |
| CN113506228A (zh) * | 2021-07-13 | 2021-10-15 | 长春工程学院 | 一种建筑物的三维点云异常点删除方法 |
| CN116029842A (zh) * | 2023-03-28 | 2023-04-28 | 北京环球医疗救援有限责任公司 | 一种医疗保险大数据的清洗去噪方法及系统 |
| CN116229405A (zh) * | 2023-05-05 | 2023-06-06 | 倍基智能科技(四川)有限公司 | 一种从点云数据中检测地面的方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101853485A (zh) * | 2010-06-04 | 2010-10-06 | 浙江工业大学 | 一种基于近邻传播聚类的非均匀点云简化处理方法 |
| KR20140141174A (ko) * | 2013-05-31 | 2014-12-10 | 한국과학기술원 | 3차원 객체 인식을 위한 rgb-d 영상 기반 객체 구역화 및 인식 방법 및 장치 |
-
2017
- 2017-08-01 CN CN201710648346.6A patent/CN107392875A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101853485A (zh) * | 2010-06-04 | 2010-10-06 | 浙江工业大学 | 一种基于近邻传播聚类的非均匀点云简化处理方法 |
| KR20140141174A (ko) * | 2013-05-31 | 2014-12-10 | 한국과학기술원 | 3차원 객체 인식을 위한 rgb-d 영상 기반 객체 구역화 및 인식 방법 및 장치 |
Non-Patent Citations (2)
| Title |
|---|
| 张毅，等: ""基于K-近邻点云去噪算法的研究与改进"", 《计算机应用》 * |
| 彭占伟: ""基于K近邻的点云数据处理研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136072A (zh) * | 2018-02-08 | 2019-08-16 | 北京大学 | 点云噪声的去除方法、去噪系统、计算机设备及存储介质 |
| CN110136072B (zh) * | 2018-02-08 | 2021-02-09 | 北京大学 | 点云噪声的去除方法、去噪系统、计算机设备及存储介质 |
| CN108447038A (zh) * | 2018-03-27 | 2018-08-24 | 北京工业大学 | 一种基于非局部全变分算子的网格去噪方法 |
| CN108447038B (zh) * | 2018-03-27 | 2022-03-22 | 北京工业大学 | 一种基于非局部全变分算子的网格去噪方法 |
| CN108961397A (zh) * | 2018-07-05 | 2018-12-07 | 长春工程学院 | 一种面向树木的三维点云数据的简化方法 |
| US11341297B2 (en) | 2018-09-07 | 2022-05-24 | Baidu Online Network Technology (Beijing) Co., Ltd. | Obstacle distribution simulation method, device and terminal based on a probability graph |
| CN109145489B (zh) * | 2018-09-07 | 2020-01-17 | 百度在线网络技术（北京）有限公司 | 一种基于概率图的障碍物分布仿真方法、装置以及终端 |
| CN109145489A (zh) * | 2018-09-07 | 2019-01-04 | 百度在线网络技术（北京）有限公司 | 一种基于概率图的障碍物分布仿真方法、装置以及终端 |
| CN109344530A (zh) * | 2018-10-22 | 2019-02-15 | 上海建工四建集团有限公司 | 一种跨文件的机电系统物理连接自动修正方法和系统 |
| CN109344530B (zh) * | 2018-10-22 | 2023-04-18 | 上海建工四建集团有限公司 | 一种跨文件的机电系统物理连接自动修正方法和系统 |
| CN109934120A (zh) * | 2019-02-20 | 2019-06-25 | 东华理工大学 | 一种基于空间密度和聚类的分步点云噪声去除方法 |
| CN111736167A (zh) * | 2019-03-25 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 一种获取激光点云密度的方法和装置 |
| CN111736167B (zh) * | 2019-03-25 | 2024-04-12 | 北京京东乾石科技有限公司 | 一种获取激光点云密度的方法和装置 |
| CN110109142B (zh) * | 2019-04-04 | 2021-04-02 | 深圳市速腾聚创科技有限公司 | 点云滤波方法、装置、计算机设备和存储介质 |
| CN110109142A (zh) * | 2019-04-04 | 2019-08-09 | 深圳市速腾聚创科技有限公司 | 点云滤波方法、装置、计算机设备和存储介质 |
| 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 |
| CN110246092A (zh) * | 2019-05-02 | 2019-09-17 | 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 |
| CN110517220A (zh) * | 2019-06-10 | 2019-11-29 | 长安大学 | 一种基于激光三维数据的集料表面数量检测方法 |
| CN110572655A (zh) * | 2019-09-30 | 2019-12-13 | 北京大学深圳研究生院 | 一种基于邻居权重的参数选取和传递的点云属性编码和解码的方法及设备 |
| CN110838115A (zh) * | 2019-11-12 | 2020-02-25 | 武汉大学 | 运用轮廓线提取和四维曲面拟合的古文物三维模型变化检测方法 |
| CN110838115B (zh) * | 2019-11-12 | 2022-08-26 | 武汉大学 | 运用轮廓线提取和四维曲面拟合的古文物三维模型变化检测方法 |
| CN111275810A (zh) * | 2020-01-17 | 2020-06-12 | 五邑大学 | 基于图像处理的k近邻点云滤波方法、装置和存储介质 |
| WO2021142995A1 (zh) * | 2020-01-17 | 2021-07-22 | 五邑大学 | 基于图像处理的k近邻点云滤波方法、装置和存储介质 |
| CN113157836A (zh) * | 2021-03-12 | 2021-07-23 | 广西壮族自治区中国科学院广西植物研究所 | 一种空间点数据集周围数据提取方法、装置及存储介质 |
| CN113408544A (zh) * | 2021-05-31 | 2021-09-17 | 海南电网有限责任公司海口供电局 | 基于改进k-邻域算法的配网电力线点云提取方法及系统 |
| CN113506228B (zh) * | 2021-07-13 | 2022-07-22 | 长春工程学院 | 一种建筑物的三维点云异常点删除方法 |
| CN113506228A (zh) * | 2021-07-13 | 2021-10-15 | 长春工程学院 | 一种建筑物的三维点云异常点删除方法 |
| CN116029842A (zh) * | 2023-03-28 | 2023-04-28 | 北京环球医疗救援有限责任公司 | 一种医疗保险大数据的清洗去噪方法及系统 |
| CN116029842B (zh) * | 2023-03-28 | 2023-06-20 | 北京环球医疗救援有限责任公司 | 一种医疗保险大数据的清洗去噪方法及系统 |
| CN116229405A (zh) * | 2023-05-05 | 2023-06-06 | 倍基智能科技(四川)有限公司 | 一种从点云数据中检测地面的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107392875A (zh) | 一种基于k近邻域划分的点云数据去噪方法 | |
| CN105844064B (zh) | 基于激光点云数据的三维变电站半自动重建方法 | |
| CN102890828B (zh) | 基于法向夹角的点云数据精简方法 | |
| CN103247041B (zh) | 一种基于局部采样的多几何特征点云数据的分割方法 | |
| CN104318622B (zh) | 一种室内场景非均匀三维点云数据的三角网格建模方法 | |
| CN100485662C (zh) | 基于数据动态存取模型的产品点云型面特征分析方法 | |
| CN105574929A (zh) | 一种基于地面LiDAR点云数据的单株植被三维建模方法 | |
| CN106780751A (zh) | 基于改进的屏蔽泊松算法的三维点云重建方法 | |
| CN103701466A (zh) | 基于特征保留的散乱点云压缩算法 | |
| CN106600617A (zh) | 基于曲率从Lidar点云数据提取建筑物轮廓线的方法 | |
| CN103258345A (zh) | 一种基于地面激光雷达三维扫描的树木枝干参数提取方法 | |
| CN107093205A (zh) | 一种基于无人机图像的三维空间建筑物窗户检测重建方法 | |
| CN104200212A (zh) | 一种基于机载LiDAR数据的建筑物外边界线提取方法 | |
| CN102750730B (zh) | 一种特征保持的点云数据精简方法 | |
| CN106548484A (zh) | 基于二维凸包的产品模型散乱点云边界特征提取方法 | |
| CN103136535A (zh) | 一种用于点云简化的k近邻搜索方法 | |
| CN107238844A (zh) | 基于激光点云雷达数据进行输电线路通道断面图制作方法 | |
| CN102881047B (zh) | 一种自动的非封闭隐式曲面重建方法 | |
| CN106548510A (zh) | 盾构隧道结构模型生成方法 | |
| CN113868476B (zh) | 一种基于局部密度的八叉树点云预处理方法 | |
| CN102890703A (zh) | 一种网络异质多维标度方法 | |
| CN104504709A (zh) | 一种基于特征球的室外场景三维点云数据的分类方法 | |
| CN107979817A (zh) | 一种移动终端二维指纹定位方法 | |
| CN104866840A (zh) | 一种从机载激光点云数据识别架空电力线的方法 | |
| CN108986024A (zh) | 一种基于网格的激光点云规则排列处理方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171124 |