CN108594250B - 一种点云数据去噪点方法及装置 - Google Patents
一种点云数据去噪点方法及装置 Download PDFInfo
- Publication number
- CN108594250B CN108594250B CN201810459878.XA CN201810459878A CN108594250B CN 108594250 B CN108594250 B CN 108594250B CN 201810459878 A CN201810459878 A CN 201810459878A CN 108594250 B CN108594250 B CN 108594250B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- noise
- data
- value
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/08—Systems determining position data of a target for measuring distance only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种点云数据去噪点方法及装置,其中,方法包括:获取第一点云数据,所述第一点云数据包括正常数据点和噪点;采用峰值去噪算法,删除所述第一点云数据中的第一层噪点,得到第二点云数据,其中,所述第一层噪点包括与相邻的正常数据点的差值大于或者等于第一阈值的噪点和噪群点;采用分段拟合算法,删除所述第二点云数据中的第二层噪点,其中,所述第二层噪点包括与相邻的正常数据点的差值小于所述第一阈值且大于或者等于第二阈值的噪点和噪群点;其中,所述噪群点包括多个噪点。本发明提供的点云数据去噪点方法准确性高。
Description
技术领域
本发明涉及去噪算法技术领域,尤其涉及一种点云数据去噪点方法和点云数据去噪点装置。
背景技术
激光测距仪发出激光,该激光遇到障碍物时发生反射,激光测距仪接收给反射的激光,并根据接收该反射的激光的时间计算障碍物与该激光测距仪之间的距离。由于激光测距仪精度高、反应时间短且能耗小,已经越来越广泛的应用于各个距离检测领域。但是由于环境的光照、激光测距仪发生轻微震动以及障碍物表面的粗糙程度等的影响,将会使激光测距仪测得的数据中产生噪点,该噪点将会降低激光测距仪的准确性,因而需要对激光测距仪所测得的数据进行去噪处理。
在相关技术中,采用拟合去噪算法或者差值比较算法进行去噪,其中,拟合去噪算法在去除噪点的同时,还将对正常数据点的数值进行拟合,从而降低了去噪方法的准确性;另外,对于集中出现的多个噪点,由于该多个噪点之间的差值较小,因此不能够利用差值比较算法去除该集中出现的多个噪点,从而降低了去噪方法的准确性。
发明内容
本发明实施例提供一种点云数据去噪点方法和点云数据去噪点装置,以解决点云数据去噪点方法存在的准确性低的问题。
为了解决上述问题,本发明是这样实现的:
第一方面,本发明实施例提供一种点云数据去噪点方法,包括:
获取第一点云数据,所述第一点云数据包括正常数据点和噪点;
采用峰值去噪算法,删除所述第一点云数据中的第一层噪点,得到第二点云数据,其中,所述第一层噪点包括与相邻的正常数据点的差值大于或者等于第一阈值的噪点和噪群点;
采用分段拟合算法,删除所述第二点云数据中的第二层噪点,其中,所述第二层噪点包括与相邻的正常数据点的差值小于所述第一阈值且大于或者等于第二阈值的噪点和噪群点;
其中,所述噪群点包括多个噪点,且所述噪群点中任意相邻的两个噪点之间的差值不大于第三阈值,所述第三阈值小于所述第一阈值。
可选的,所述采用峰值去噪算法,删除所述第一点云数据中的第一层噪点的步骤,包括:
采用所述峰值去噪算法,删除所述第一层噪点中的第一类噪点,其中,所述第一类噪点包括比相邻的正常数据点的数值大的噪点和噪群点;
采用所述峰值去噪算法,删除所述第一层噪点中的第二类噪点,其中,所述第二类噪点包括比相邻的正常数据点的数值小的噪点和噪群点。
可选的,所述采用所述峰值去噪算法,删除所述第一层噪点中的第一类噪点的步骤,包括:
选取峰值点作为第一参考点,其中所述峰值点是指所述第一点云数据中数值最大的数据点;
判断所述第一参考点与相邻两侧的数据点之间的差值是否大于或者等于所述第一阈值;
若所述第一参考点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值,则确定所述第一参考点为第一类噪点,并删除所述第一参考点;
若所述第一参考点与相邻两侧的数据点之间的差值均小于所述第一阈值,则确定所述第一参考点和所述相邻两侧的数据点属于第一类数据点,并移动所述第一参考点,直至在检测到所述第一类数据点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值的情况下,确定所述第一类数据点属于所述第一类噪点,并删除所述第一类数据点;或者,直至在检测完全部数据点之后确定所有点云数据中的点均属于所述第一类数据点的情况下,确定所述第一类数据点属于正常数据点。
可选的,所述采用所述峰值去噪算法,删除所述第一层噪点中的第二类噪点的步骤,包括:
选取谷值点作为第二参考点,其中所述谷值点是指所述第一点云数据中数值最小的数据点;
判断所述第二参考点与相邻两侧的数据点之间的差值是否大于或者等于所述第一阈值;
若所述第二参考点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值,则确定所述第二参考点为第二类噪点,并删除所述第二参考点;
若所述第二参考点与相邻两侧的数据点之间的差值均小于所述第一阈值,则确定所述第二参考点和所述相邻两侧的数据点属于第二类数据点,并移动所述第二参考点,直至在检测到所述第二类数据点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值的情况下,确定所述第二类数据点属于所述第二类噪点,并删除所述第二类数据点;或者,直至在检测完全部数据点之后确定所有第一点云数据中的点均属于第二类数据点的情况下,确定所述第二类数据点属于正常数据点。
可选的,所述采用分段拟合算法,删除所述第二点云数据中的第二层噪点的步骤,包括:
采用最小二乘法,将所述第二层噪点与所述正常数据点拟合。
可选的,所述采用最小二乘法,将所述第二层噪点与所述正常数据点拟合的步骤,包括:
将所述第二点云数据划分为n组有序序列,每个有序序列包括m个数据点,其中,n是正整数,m是大于2的整数;
分别获取每一有序序列的起始端点为B(xi,yi)、末尾结点为E(xi,yi)、最大值点Vmax(xi,yi)以及最小值点Vmin(xi,yi),其中,xi是排列于有序序列中第i位的数据点的时序坐标值,yi是排列于有序序列中第i位的数据点的数值,i是小于或者等于m的正整数;
在∠BVmaxE>90°且∠BVminE≤90°的情况下,以所述最大值点Vmax(xi,yi)为分割点,将所述有序序列分割为两段有序序列,并采用最小二乘法分别将所述两段有序序列拟合成线性曲线;
在∠BVmaxE≤90°且∠BVminE>90°的情况下,以所述最小值点Vmin(xi,yi)为分割点,将所述有序序列分割为两段有序序列,并采用最小二乘法分别将所述两段有序序列拟合成线性曲线;
在∠BVmaxE>90°且∠BVminE>90°的情况下,以所述最小值点Vmin(xi,yi)为分割点,将所述有序序列分割为两段有序序列,并采用最小二乘法分别将所述两段有序序列拟合成线性曲线。
可选的,所述删除所述第二点云数据中的第二层噪点的步骤,还包括:
检测所述有序序列中是否具有空值点,其中,所述空值点包括在所述删除所述噪点中的第一层噪点的步骤中误删除的正常数据点;
若具有所述空值点,则在所述有序序列的拟合线性曲线上添加数据点,其中,添加的数据点与所述空值点的时序坐标值相同。
第二方面,本发明实施例还提供一种点云数据去噪点装置,包括:
获取模块,用于获取第一点云数据,所述第一点云数据包括正常数据点和噪点;
第一删除模块,用于采用峰值去噪算法,删除所述第一点云数据中的第一层噪点,得到第二点云数据,其中,所述第一层噪点包括与相邻的正常数据点的差值大于或者等于第一阈值的噪点和噪群点;
第二删除模块,用于采用分段拟合算法,删除所述第二点云数据中的第二层噪点,其中,所述第二层噪点包括与相邻的正常数据点的差值小于所述第一阈值且大于或者等于第二阈值的噪点和噪群点;
其中,所述噪群点包括多个噪点,且所述噪群点中任意相邻的两个噪点之间的差值不大于第三阈值,所述第三阈值小于所述第一阈值。
第三方面,本发明实施例还提供一种点云数据去噪点装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的点云数据去噪点方法中的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的点云数据去噪点方法中的步骤。
本发明实施例中,采用峰值去噪算法删除第一层噪点,以及,采用分段拟合算法删除第二层噪点,这样可以先删除第一层噪点,防止误差较大的第一层噪点与正常数据拟合而影响正常数据的准确性,从而实现提升点云数据去噪算法的准确性的目的。
附图说明
图1是本发明实施例提供的一种点云数据去噪点方法的流程图;
图2是本发明实施例提供的一种点云数据去噪点方法应用于危化仓储激光测距扫描装置的应用图;
图3是本发明实施例提供的另一种点云数据去噪点方法的流程图;
图4是本发明实施例提供的另一种点云数据去噪点方法中划分各类噪点的示意图;
图5是本发明实施例提供的另一种点云数据去噪点方法中划分各类噪点的另一示意图;
图6是本发明实施例提供的一种点云数据去噪点装置的结构图;
图7是本发明实施例提供的另一种点云数据去噪点装置的结构图;
图8是本发明实施例提供的另一种点云数据去噪点装置的结构图;
图9是本发明实施例提供的另一种点云数据去噪点装置的结构图;
图10是本发明实施例提供的另一种点云数据去噪点装置的结构图;
图11是本发明实施例提供的另一种点云数据去噪点装置的结构图;
图12是本发明实施例提供的另一种点云数据去噪点装置的结构图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
请参见图1,图1是本发明实施例提供的一种点云数据去噪点方法的流程图,如图1所示,一种点云数据去噪点方法100,包括以下步骤:
步骤101、获取第一点云数据,所述第一点云数据包括正常数据点和噪点。
其中,上述第一点云数据可以是各类传感器所获得的多个数据点的集合,例如:温度传感数据以及压力传感数据等。其尤其还可以是利用激光测距仪获取的激光测距数据。
另外,上述噪点包括具有误差的数据点,例如:在使用激光测距仪进行测距时,由于外界光照环境、周边设备的震动、被测物体表面的粗糙程度以及激光测距仪的精度等因素的影响,使激光测距仪所测得的距离值与实际的正常数值之间具有一定的误差,该具有误差距离值的数据点便是噪点。
步骤102、采用峰值去噪算法,删除所述第一点云数据中的第一层噪点,得到第二点云数据,其中,所述第一层噪点包括与相邻的正常数据点的差值大于或者等于第一阈值的噪点和噪群点。
其中,所述差值是指两个数据点的数值相减后去绝对值后得到的具体数值,所述数值可以是距离值、温度值以及压力值等中的任意一种。
另外,步骤102中“相邻”的含义,可以是时间上的相邻也可以是空间上的相邻,例如:使用激光距离检测仪检测空间距离时,使激光检测仪在空间内旋转,并每旋转0.02°时检测一次距离,则激光检测仪在两个相邻的正常数据点时的角度差是0.02°,此时表示相邻两个数据点在空间上是相邻的。
其中,当上述第一层噪点中包括噪群点时,所述噪群点中任意相邻的两个噪点之间的差值不大于第三阈值,所述第三阈值小于所述第一阈值。此时表示多个噪点聚集在一起,任意两个噪点之间没有夹杂正常数据点。
需要说明的是,上述第一阈值和上述第三阈值可以根据具体情况而设置,例如:如图2所示,在使用多个激光测距仪扫描边长为30米的危化品仓储的应用过程中,激光测距仪采用650nm的激光光源、其测距精度为1mm、测距范围为70米、输出功率小于1MW,采样频率15Hz,且激光测距仪每旋转0.02°时检测一次距离。此时可以针对上述第一阈值设置一个初始阈值0.8,并使用迭代法依次对该初始阈值减小0.05,直至得到的阈值能够将第一层噪点全部去除,则确定该阈值是上述第一阈值。
当然,上述第一阈值可以采用其他方法确定,在此不做限定。
通过本步骤,可以删除第一点云数据中差值较大的第一层噪点,从而减小了第一点云数据的误差,达到去噪的效果,并提升步骤103中待处理的第二点云数据的精确度,从而提升点云数据去噪点方法的整体精确度。
步骤103、采用分段拟合算法,删除所述第二点云数据中的第二层噪点,其中,所述第二层噪点包括与相邻的正常数据点的差值小于所述第一阈值且大于或者等于第二阈值的噪点和噪群点;
其中,所述噪群点包括多个噪点,且所述噪群点中任意相邻的两个噪点之间的差值不大于第三阈值,所述第三阈值小于所述第一阈值。
其中,第二阈值也可以根据实际应用情况和要求的精确度而确定,但应当小于所述第一阈值。
另外,通过上述分段拟合算法,可以将上述第二点云数据划分为多个区段,每一个区段包括固定数量的数据点,例如:20个、50个、70个等任意数值。这样可以防止因拟合大量数据而降低点云数据的准确性。
需要说明的是,上述第二层噪点与正常数据之间的差值较小,数量较多,使用分段拟合算法,将上述第二层噪点与正常数据进行拟合的方法,可以去除该第二层噪点,并通过步骤102预先将误差较大的第一层噪点去除,有效防止了第一层噪点与正常数据进行拟合而降低点云数据去噪方法的准确性。
通过本步骤,在删除误差较大的第二层噪点的基础上进行分段拟合计算,可以将误差较小的第二层噪点与正常数据点进行拟合,从而去除该第二层噪点,有效的提升了点云数据去噪方法的准确性。
本发明实施例中,采用峰值去噪算法删除第一层噪点,以及,采用分段拟合算法删除第二层噪点,这样可以先删除第一层噪点,防止误差较大的第一层噪点与正常数据拟合而影响正常数据的准确性,从而实现提升点云数据去噪算法的准确性。
如图3所示,本发明实施例提供另一种点云数据去噪点方法300,包括以下步骤:
步骤301、获取第一点云数据,所述第一点云数据包括正常数据点和噪点。
步骤302、采用所述峰值去噪算法,删除所述第一层噪点中的第一类噪点,其中,所述第一类噪点包括比相邻的正常数据点的数值大的噪点和噪群点。
可选的,所述采用所述峰值去噪算法,删除所述第一层噪点中的第一类噪点的步骤,包括:
选取峰值点作为第一参考点,其中所述峰值点是指所述第一点云数据中数值最大的数据点;
判断所述第一参考点与相邻两侧的数据点之间的差值是否大于或者等于所述第一阈值;
若所述第一参考点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值,则确定所述第一参考点为第一类噪点,并删除所述第一参考点;
若所述第一参考点与相邻两侧的数据点之间的差值均小于所述第一阈值,则确定所述第一参考点和所述相邻两侧的数据点属于第一类数据点,并移动所述第一参考点,直至在检测到所述第一类数据点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值的情况下,确定所述第一类数据点属于所述第一类噪点,并删除所述第一类数据点;或者,直至在检测完全部数据点之后确定所有点云数据中的点均属于所述第一类数据点的情况下,确定所述第一类数据点属于正常数据点。
其中,上述选取峰值点的方法可以是采用冒泡法遍历、加权枚举法以及分治算法遍历中的任意一种方法,以确定上述峰值点。
需要说明的是,上述选取峰值点的方法可以根据第一类噪点数的不同而选择不同的方法,例如,当上述第一类噪点数小于10个时,可选用冒泡法遍历,以减小计算难度;当上述第一类噪点数大于10个时,可选用分治算法遍历,以减小计算难度。
本实施方式中,当发生多个噪点聚集,即出现噪群点的情况下,可以通过移动上述第一参考点,实现比较位于该噪群点两端的两个噪点与相邻的正常数据点之间的差值大于所述第一阈值,以区分噪群点域正常数据点,从而实现删除噪群点。
步骤303、采用所述峰值去噪算法,删除所述第一层噪点中的第二类噪点,其中,所述第二类噪点包括比相邻的正常数据点的数值小的噪点和噪群点。
需要说明的是,上述步骤302和步骤303的顺序可以交换,即也可以先删除上述第二类噪点再删除上述第一类噪点。
本实施方式中,上述第一类噪点和第二类噪点与相邻正常数据点之间的差值均大于或者等于第一阈值,当然,在具体实施过程中,可以针对第一类噪点和第二类噪点分别设置两个不同的阈值,例如:当第一类噪点的数值与相邻的正常数据点的数值之间的差值大于或等于第四阈值时,删除该第一类噪点,以及,当第二类噪点的数值与相邻的正常数据点的数值之间的差值大于等于所述第一阈值并小于所述第四阈值时,删除该第二类噪点。
其中,上述第一类噪点还可以称之为极大值奇异点和极大值奇异群点,上述第二类噪点还可以称之为极小值奇异点和极小值奇异群点,上述第二层噪点也称之为误差点。
例如,如图4和图5所示,在利用激光测距仪测距过程中,由于环境光照、设备精度等的影响而产生极大值奇异点、极大值奇异群点、极小值奇异点、极小值奇异群点和误差点。
其中,极大值奇异点、极大值奇异群点的测距数值大于最远被测物点的测距数值,极小值奇异点、极小值奇异群点的测距数值小于最近被测物点的测距数值。
可选的,所述采用所述峰值去噪算法,删除所述第一层噪点中的第二类噪点的步骤,包括:
选取谷值点作为第二参考点,其中所述谷值点是指所述第一点云数据中数值最小的数据点;
判断所述第二参考点与相邻两侧的数据点之间的差值是否大于或者等于所述第一阈值;
若所述第二参考点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值,则确定所述第二参考点为第二类噪点,并删除所述第二参考点;
若所述第二参考点与相邻两侧的数据点之间的差值均小于所述第一阈值,则确定所述第二参考点和所述相邻两侧的数据点属于第二类数据点,并移动所述第二参考点,直至在检测到所述第二类数据点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值的情况下,确定所述第二类数据点属于所述第二类噪点,并删除所述第二类数据点;或者,直至在检测完全部数据点之后确定所有第一点云数据中的点均属于第二类数据点的情况下,确定所述第二类数据点属于正常数据点。
其中,上述选取谷值点的方法可以是采用冒泡法遍历、加权枚举法以及分治算法遍历中的任意一种方法,以确定上述谷值点。
需要说明的是,上述选取峰值点的方法可以根据第二类噪点数的不同而选择不同的方法,例如,当上述第二类噪点数小于10个时,可选用冒泡法遍历,以减小计算难度;当上述第二类噪点数大于10个时,可选用分治算法遍历,以减小计算难度。
本实施方式中,通过移动第二参考点,可以将第二类噪点中的噪群点与正常数据点区分开来,达到删除该噪群点的效果。
通过步骤302和步骤303,将第一层噪点分为第一类噪点和第二类噪点,并分别去除,这样,可以提升去噪点方法的精确度。
步骤304、采用分段拟合算法,删除所述第二点云数据中的第二层噪点,其中,所述第二层噪点包括与相邻的正常数据点的差值小于所述第一阈值且大于或者等于第二阈值的噪点和噪群点;
其中,所述噪群点包括多个噪点,且所述噪群点中任意相邻的两个噪点之间的差值不大于第三阈值,所述第三阈值小于所述第一阈值。
可选的,所述采用分段拟合算法,删除所述第二点云数据中的第二层噪点的步骤,包括:
采用最小二乘法,将所述第二层噪点与所述正常数据点拟合。
可选的,所述采用最小二乘法,将所述第二层噪点与所述正常数据点拟合的步骤,具体包括:
将所述第二点云数据划分为n组有序序列,每个有序序列包括m个数据点,其中,n是正整数,m是大于2的整数;
分别获取每一有序序列的起始端点为B(xi,yi)、末尾结点为E(xi,yi)、最大值点Vmax(xi,yi)以及最小值点Vmin(xi,yi),其中,xi是排列于有序序列中第i位的数据点的时序坐标值,yi是排列于有序序列中第i位的数据点的数值,i是小于或者等于m的正整数;
在∠BVmaxE>90°且∠BVminE≤90°的情况下,以所述最大值点Vmax(xi,yi)为分割点,将所述有序序列分割为两段有序序列,并采用最小二乘法分别将所述两段有序序列拟合成线性曲线;
在∠BVmaxE≤90°且∠BVminE>90°的情况下,以所述最小值点Vmin(xi,yi)为分割点,将所述有序序列分割为两段有序序列,并采用最小二乘法分别将所述两段有序序列拟合成线性曲线;
在∠BVmaxE>90°且∠BVminE>90°的情况下,以所述最小值点Vmin(xi,yi)为分割点,将所述有序序列分割为两段有序序列,并采用最小二乘法分别将所述两段有序序列拟合成线性曲线。
其中,通过判断∠BVmaxE>90°,以及∠BVminE>90°是否成立,可以判断该组有序序列的大致走向,当出现∠BVmaxE>90°,或者,∠BVminE>90°时,表明该组有序序列的走向比较复杂,不便于拟合成线性曲线。
本实施方式中,以最大值点或者最小值点为分割点,将一组有序序列分为两部分,分别进行拟合,可以解决拟合后的曲线函数过于复杂,从而加大了拟合计算的复杂程度,以及,降低了准确性的问题,实现提升去噪点方法的准确性。
可选的,所述删除所述第二点云数据中的第二层噪点的步骤,还包括:
检测所述有序序列中是否具有空值点,其中,所述空值点包括在所述删除所述噪点中的第一层噪点的步骤中误删除的正常数据点;
若具有所述空值点,则在所述有序序列的拟合线性曲线上添加数据点,其中,添加的数据点与所述空值点的时序坐标值相同。
其中,上述空值点可以是上述有序序列中,第r个点无数值的点,其中r是小于m的正整数。上述空值点的出现可能是由于在删除第一层噪点的过程中,因第一阈值设置不当等因素而造成正常数据点的误删除。
本实施方式中,通过在删除所述第二点云数据中的第二层噪点的步骤中,在拟合线性曲线上添加数据点,以弥补所述空值点而造成的数据缺失,达到提升去噪点方法的准确性。
在本发明实施例中,将点云数据划分为第一类噪点、第二类噪点以及第三层噪点,并分别去除,可以通过三个步骤逐渐减小点云数据的误差,防止同时去除这三类数据时降低最终点云数据的准确性,达到提升去噪点方法的准确度的效果。
请参阅图6,本发明实施例还提供一种点云数据去噪点装置600,包括:
获取模块601,用于获取第一点云数据,所述第一点云数据包括正常数据点和噪点;
第一删除模块602,用于采用峰值去噪算法,删除所述第一点云数据中的第一层噪点,得到第二点云数据,其中,所述第一层噪点包括与相邻的正常数据点的差值大于或者等于第一阈值的噪点和噪群点;
第二删除模块603,用于采用分段拟合算法,删除所述第二点云数据中的第二层噪点,其中,所述第二层噪点包括与相邻的正常数据点的差值小于所述第一阈值且大于或者等于第二阈值的噪点和噪群点;
其中,所述噪群点包括多个噪点,且所述噪群点中任意相邻的两个噪点之间的差值不大于第三阈值,所述第三阈值小于所述第一阈值。
可选的,请参见图7,所述第一删除模块602,包括:
第一删除单元6021,用于采用所述峰值去噪算法,删除所述第一层噪点中的第一类噪点,其中,所述第一类噪点包括比相邻的正常数据点的数值大的噪点和噪群点;
第二删除单元6022,用于采用所述峰值去噪算法,删除所述第一层噪点中的第二类噪点,其中,所述第二类噪点包括比相邻的正常数据点的数值小的噪点和噪群点。
可选的,请参见图8,所述第一删除单元6021,包括:
第一选取子单元60211,用于选取峰值点作为第一参考点,其中所述峰值点是指所述第一点云数据中数值最大的数据点;
第一判断子单元60212,用于判断所述第一参考点与相邻两侧的数据点之间的差值是否大于或者等于所述第一阈值;
第一删除子单元60213,用于若所述第一参考点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值,则确定所述第一参考点为第一类噪点,并删除所述第一参考点;
第二删除子单元60214,用于若所述第一参考点与相邻两侧的数据点之间的差值均小于所述第一阈值,则确定所述第一参考点和所述相邻两侧的数据点属于第一类数据点,并移动所述第一参考点,直至在检测到所述第一类数据点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值的情况下,确定所述第一类数据点属于所述第一类噪点,并删除所述第一类数据点;或者,直至在检测完全部数据点之后确定所有点云数据中的点均属于所述第一类数据点的情况下,确定所述第一类数据点属于正常数据点。
可选的,请参见图9,所述第二删除单元6022,包括:
第二选取子单元60221,用于选取谷值点作为第二参考点,其中所述谷值点是指所述第一点云数据中数值最小的数据点;
第二判断子单元60222,用于判断所述第二参考点与相邻两侧的数据点之间的差值是否大于或者等于所述第一阈值;
第三删除子单元60223,用于若所述第二参考点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值,则确定所述第二参考点为第二类噪点,并删除所述第二参考点;
第四删除子单元60224,用于若所述第二参考点与相邻两侧的数据点之间的差值均小于所述第一阈值,则确定所述第二参考点和所述相邻两侧的数据点属于第二类数据点,并移动所述第二参考点,直至在检测到所述第二类数据点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值的情况下,确定所述第二类数据点属于所述第二类噪点,并删除所述第二类数据点;或者,直至在检测完全部数据点之后确定所有第一点云数据中的点均属于第二类数据点的情况下,确定所述第二类数据点属于正常数据点。
可选的,请参见图10,所述第二删除模块603,包括:
拟合单元6031,用于采用最小二乘法,将所述第二层噪点与所述正常数据点拟合。
可选的,请参见图11,所述拟合单元6031,包括:
划分子单元60311,用于将所述第二点云数据划分为n组有序序列,每个有序序列包括m个数据点,其中,n是正整数,m是大于2的整数;
获取子单元60312,用于分别获取每一有序序列的起始端点为B(xi,yi)、末尾结点为E(xi,yi)、最大值点Vmax(xi,yi)以及最小值点Vmin(xi,yi),其中,xi是排列于有序序列中第i位的数据点的时序坐标值,yi是排列于有序序列中第i位的数据点的数值,i是小于或者等于m的正整数;
第一拟合子单元60313,用于在∠BVmaxE>90°且∠BVminE≤90°的情况下,以所述最大值点Vmax(xi,yi)为分割点,将所述有序序列分割为两段有序序列,并采用最小二乘法分别将所述两段有序序列拟合成线性曲线;
第二拟合子单元60314,用于在∠BVmaxE≤90°且∠BVminE>90°的情况下,以所述最小值点Vmin(xi,yi)为分割点,将所述有序序列分割为两段有序序列,并采用最小二乘法分别将所述两段有序序列拟合成线性曲线;
第三拟合子单元60315,用于在∠BVmaxE>90°且∠BVminE>90°的情况下,以所述最小值点Vmin(xi,yi)为分割点,将所述有序序列分割为两段有序序列,并采用最小二乘法分别将所述两段有序序列拟合成线性曲线。
可选的,请参见图12,所述第二删除模块603,还包括:
检测单元6032,用于检测所述有序序列中是否具有空值点,其中,所述空值点包括在所述删除所述噪点中的第一层噪点的步骤中误删除的正常数据点;
添加单元6033,用于若具有所述空值点,则在所述有序序列的拟合线性曲线上添加数据点,其中,添加的数据点与所述空值点的时序坐标值相同。
本发明实施例提供的点云数据去噪点装置,能够实现如图1至图3所提供的点云数据去噪点方法中的各个步骤,并能够取得相同的有益效果,为避免重复,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法的全部或者部分步骤是可以通过程序指令相关的硬件来完成,所述的程序可以储存于一计算机可读取介质中,该程序在执行时,包括以下步骤:
获取第一点云数据,所述第一点云数据包括正常数据点和噪点;
采用峰值去噪算法,删除所述第一点云数据中的第一层噪点,得到第二点云数据,其中,所述第一层噪点包括与相邻的正常数据点的差值大于或者等于第一阈值的噪点和噪群点;
采用分段拟合算法,删除所述第二点云数据中的第二层噪点,其中,所述第二层噪点包括与相邻的正常数据点的差值小于所述第一阈值且大于或者等于第二阈值的噪点和噪群点;
其中,所述噪群点包括多个噪点,且所述噪群点中任意相邻的两个噪点之间的差值不大于第三阈值,所述第三阈值小于所述第一阈值。
可选的,所述采用峰值去噪算法,删除所述第一点云数据中的第一层噪点的步骤,包括:
采用所述峰值去噪算法,删除所述第一层噪点中的第一类噪点,其中,所述第一类噪点包括比相邻的正常数据点的数值大的噪点和噪群点;
采用所述峰值去噪算法,删除所述第一层噪点中的第二类噪点,其中,所述第二类噪点包括比相邻的正常数据点的数值小的噪点和噪群点。
可选的,所述采用所述峰值去噪算法,删除所述第一层噪点中的第一类噪点的步骤,包括:
选取峰值点作为第一参考点,其中所述峰值点是指所述第一点云数据中数值最大的数据点;
判断所述第一参考点与相邻两侧的数据点之间的差值是否大于或者等于所述第一阈值;
若所述第一参考点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值,则确定所述第一参考点为第一类噪点,并删除所述第一参考点;
若所述第一参考点与相邻两侧的数据点之间的差值均小于所述第一阈值,则确定所述第一参考点和所述相邻两侧的数据点属于第一类数据点,并移动所述第一参考点,直至在检测到所述第一类数据点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值的情况下,确定所述第一类数据点属于所述第一类噪点,并删除所述第一类数据点;或者,直至在检测完全部数据点之后确定所有点云数据中的点均属于所述第一类数据点的情况下,确定所述第一类数据点属于正常数据点。
可选的,所述采用所述峰值去噪算法,删除所述第一层噪点中的第二类噪点的步骤,包括:
选取谷值点作为第二参考点,其中所述谷值点是指所述第一点云数据中数值最小的数据点;
判断所述第二参考点与相邻两侧的数据点之间的差值是否大于或者等于所述第一阈值;
若所述第二参考点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值,则确定所述第二参考点为第二类噪点,并删除所述第二参考点;
若所述第二参考点与相邻两侧的数据点之间的差值均小于所述第一阈值,则确定所述第二参考点和所述相邻两侧的数据点属于第二类数据点,并移动所述第二参考点,直至在检测到所述第二类数据点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值的情况下,确定所述第二类数据点属于所述第二类噪点,并删除所述第二类数据点;或者,直至在检测完全部数据点之后确定所有第一点云数据中的点均属于第二类数据点的情况下,确定所述第二类数据点属于正常数据点。
可选的,所述采用分段拟合算法,删除所述第二点云数据中的第二层噪点的步骤,包括:
采用最小二乘法,将所述第二层噪点与所述正常数据点拟合。
可选的,所述采用最小二乘法,将所述第二层噪点与所述正常数据点拟合的步骤,包括:
将所述第二点云数据划分为n组有序序列,每个有序序列包括m个数据点,其中,n是正整数,m是大于2的整数;
分别获取每一有序序列的起始端点为B(xi,yi)、末尾结点为E(xi,yi)、最大值点Vmax(xi,yi)以及最小值点Vmin(xi,yi),其中,xi是排列于有序序列中第i位的数据点的时序坐标值,yi是排列于有序序列中第i位的数据点的数值,i是小于或者等于m的正整数;
在∠BVmaxE>90°且∠BVminE≤90°的情况下,以所述最大值点Vmax(xi,yi)为分割点,将所述有序序列分割为两段有序序列,并采用最小二乘法分别将所述两段有序序列拟合成线性曲线;
在∠BVmaxE≤90°且∠BVminE>90°的情况下,以所述最小值点Vmin(xi,yi)为分割点,将所述有序序列分割为两段有序序列,并采用最小二乘法分别将所述两段有序序列拟合成线性曲线;
在∠BVmaxE>90°且∠BVminE>90°的情况下,以所述最小值点Vmin(xi,yi)为分割点,将所述有序序列分割为两段有序序列,并采用最小二乘法分别将所述两段有序序列拟合成线性曲线。
可选的,所述删除所述第二点云数据中的第二层噪点的步骤,还包括:
检测所述有序序列中是否具有空值点,其中,所述空值点包括在所述删除所述噪点中的第一层噪点的步骤中误删除的正常数据点;
若具有所述空值点,则在所述有序序列的拟合线性曲线上添加数据点,其中,添加的数据点与所述空值点的时序坐标值相同。
在本申请所提供的几个实施例中,应该理解到,所揭露方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理包括,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述点云数据去噪点方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种点云数据去噪点方法,其特征在于,包括:
获取第一点云数据,所述第一点云数据包括正常数据点和噪点;
采用峰值去噪算法,删除所述第一点云数据中的第一层噪点,得到第二点云数据,其中,所述第一层噪点包括与相邻的正常数据点的差值大于或者等于第一阈值的噪点和噪群点;
采用分段拟合算法,删除所述第二点云数据中的第二层噪点,其中,所述第二层噪点包括与相邻的正常数据点的差值小于所述第一阈值且大于或者等于第二阈值的噪点和噪群点;
其中,所述噪群点包括多个噪点,且所述噪群点中任意相邻的两个噪点之间的差值不大于第三阈值,所述第三阈值小于所述第一阈值;
其中,所述采用峰值去噪算法,删除所述第一点云数据中的第一层噪点的步骤,包括:
采用所述峰值去噪算法,删除所述第一层噪点中的第一类噪点,其中,所述第一类噪点包括比相邻的正常数据点的数值大的噪点和噪群点;
采用所述峰值去噪算法,删除所述第一层噪点中的第二类噪点,其中,所述第二类噪点包括比相邻的正常数据点的数值小的噪点和噪群点;
其中,所述采用所述峰值去噪算法,删除所述第一层噪点中的第一类噪点的步骤,包括:
选取峰值点作为第一参考点,其中所述峰值点是指所述第一点云数据中数值最大的数据点;
判断所述第一参考点与相邻两侧的数据点之间的差值是否大于或者等于所述第一阈值;
若所述第一参考点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值,则确定所述第一参考点为第一类噪点,并删除所述第一参考点;
若所述第一参考点与相邻两侧的数据点之间的差值均小于所述第一阈值,则确定所述第一参考点和所述相邻两侧的数据点属于第一类数据点,并移动所述第一参考点,直至在检测到所述第一类数据点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值的情况下,确定所述第一类数据点属于所述第一类噪点,并删除所述第一类数据点;或者,直至在检测完全部数据点之后确定所有点云数据中的点均属于所述第一类数据点的情况下,确定所述第一类数据点属于正常数据点。
2.如权利要求1所述的方法,其特征在于,所述采用所述峰值去噪算法,删除所述第一层噪点中的第二类噪点的步骤,包括:
选取谷值点作为第二参考点,其中所述谷值点是指所述第一点云数据中数值最小的数据点;
判断所述第二参考点与相邻两侧的数据点之间的差值是否大于或者等于所述第一阈值;
若所述第二参考点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值,则确定所述第二参考点为第二类噪点,并删除所述第二参考点;
若所述第二参考点与相邻两侧的数据点之间的差值均小于所述第一阈值,则确定所述第二参考点和所述相邻两侧的数据点属于第二类数据点,并移动所述第二参考点,直至在检测到所述第二类数据点与相邻两侧的数据点之间的差值均大于或者等于所述第一阈值的情况下,确定所述第二类数据点属于所述第二类噪点,并删除所述第二类数据点;或者,直至在检测完全部数据点之后确定所有第一点云数据中的点均属于第二类数据点的情况下,确定所述第二类数据点属于正常数据点。
3.如权利要求1至2中任意一项所述的方法,其特征在于,所述采用分段拟合算法,删除所述第二点云数据中的第二层噪点的步骤,包括:
采用最小二乘法,将所述第二层噪点与所述正常数据点拟合。
4.如权利要求3所述的方法,其特征在于,所述采用最小二乘法,将所述第二层噪点与所述正常数据点拟合的步骤,包括:
将所述第二点云数据划分为n组有序序列,每个有序序列包括m个数据点,其中,n是正整数,m是大于2的整数;
分别获取每一有序序列的起始端点为B(xi,yi)、末尾结点为E(xi,yi)、最大值点Vmax(xi,yi)以及最小值点Vmin(xi,yi),其中,xi是排列于有序序列中第i位的数据点的时序坐标值,yi是排列于有序序列中第i位的数据点的数值,i是小于或者等于m的正整数;
在∠BVmaxE≤90°且∠BVminE>90°的情况下,以所述最小值点Vmin(xi,yi)为分割点,将所述有序序列分割为两段有序序列,并采用最小二乘法分别将所述两段有序序列拟合成线性曲线;
在∠BVmaxE>90°且∠BVminE>90°的情况下,以所述最小值点Vmin(xi,yi)为分割点,将所述有序序列分割为两段有序序列,并采用最小二乘法分别将所述两段有序序列拟合成线性曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810459878.XA CN108594250B (zh) | 2018-05-15 | 2018-05-15 | 一种点云数据去噪点方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810459878.XA CN108594250B (zh) | 2018-05-15 | 2018-05-15 | 一种点云数据去噪点方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108594250A CN108594250A (zh) | 2018-09-28 |
CN108594250B true CN108594250B (zh) | 2022-08-23 |
Family
ID=63631119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810459878.XA Active CN108594250B (zh) | 2018-05-15 | 2018-05-15 | 一种点云数据去噪点方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108594250B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111670379A (zh) * | 2019-01-09 | 2020-09-15 | 深圳市大疆创新科技有限公司 | 回波信号处理方法、设备及存储介质 |
WO2020215252A1 (zh) * | 2019-04-24 | 2020-10-29 | 深圳市大疆创新科技有限公司 | 测距装置点云滤噪的方法、测距装置和移动平台 |
CN110264481B (zh) * | 2019-05-07 | 2022-05-20 | 熵智科技(深圳)有限公司 | 一种箱体类点云分割方法与装置 |
CN111098334B (zh) * | 2019-12-23 | 2021-04-27 | 浙江欣奕华智能科技有限公司 | 一种充电桩的识别方法、识别装置及机器人 |
CN112581579B (zh) * | 2020-12-22 | 2022-11-18 | 同济大学 | 一种磁浮滑行面点云数据提取方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7640122B2 (en) * | 2007-11-07 | 2009-12-29 | Institut National D'optique | Digital signal processing in optical systems used for ranging applications |
CN104052542B (zh) * | 2014-06-23 | 2016-06-08 | 武汉光迅科技股份有限公司 | 在线模式下检测otdr曲线末端事件定位光纤断点的方法 |
CN105261061B (zh) * | 2015-09-07 | 2018-10-26 | 深圳市易尚展示股份有限公司 | 一种识别冗余数据的方法及装置 |
CN107563400A (zh) * | 2016-06-30 | 2018-01-09 | 中国矿业大学 | 一种基于网格的密度峰值聚类方法及系统 |
CN106599129B (zh) * | 2016-12-02 | 2019-06-04 | 山东科技大学 | 一种顾及地形特点的多波束点云数据去噪方法 |
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 |
-
2018
- 2018-05-15 CN CN201810459878.XA patent/CN108594250B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108594250A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108594250B (zh) | 一种点云数据去噪点方法及装置 | |
WO2018120038A1 (zh) | 一种目标检测的方法及装置 | |
CN109059902A (zh) | 相对位姿确定方法、装置、设备和介质 | |
CN109583505A (zh) | 一种多传感器的物体关联方法、装置、设备及介质 | |
CN111161169B (zh) | 基于霍夫变换的绝对相位噪声去除方法、装置和存储介质 | |
CN109272546B (zh) | 一种鱼苗长度测量方法及系统 | |
CN114424240B (zh) | 一种目标检测方法及装置、设备、存储介质 | |
CN110443275A (zh) | 去除噪声的方法、设备及存储介质 | |
WO2021169704A1 (zh) | 手势深度确定方法、装置、设备及存储介质 | |
CN112213728A (zh) | 一种超声测距方法、装置、计算机可读存储介质及机器人 | |
CN117274255B (zh) | 数据检测方法、装置、电子设备及存储介质 | |
CN108734218A (zh) | 一种多传感器系统的信息融合方法和装置 | |
WO2023024087A1 (zh) | 处理激光雷达点云的方法、装置、设备及存储介质 | |
CN117216454B (zh) | 基于模糊非概率的可靠性评估方法、装置、终端及存储介质 | |
CN111401377B (zh) | 一种仪表数据读取方法、装置、电子设备及存储介质 | |
CN113033247A (zh) | 一种图像识别方法及装置、计算机可读存储介质 | |
CN109388781A (zh) | 测量数据的处理方法和装置 | |
US20200371214A1 (en) | Determining one or more scanner positions in a point cloud | |
CN111192358A (zh) | 基于三维的管道裂痕检测方法、装置、设备和存储介质 | |
US10012729B2 (en) | Tracking subjects using ranging sensors | |
US20210364638A1 (en) | Object recognizing device | |
CN112344966B (zh) | 一种定位失效检测方法、装置、存储介质及电子设备 | |
CN115511902A (zh) | 一种角点特征提取方法及系统 | |
WO2021169705A1 (zh) | 手势深度信息的处理方法、装置、设备及存储介质 | |
CN116295466A (zh) | 地图生成方法、装置、电子设备、存储介质、及车辆 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |