CN109146817A - 一种非迭代单一物体散乱点云数据的噪声处理方法 - Google Patents

一种非迭代单一物体散乱点云数据的噪声处理方法 Download PDF

Info

Publication number
CN109146817A
CN109146817A CN201810965171.6A CN201810965171A CN109146817A CN 109146817 A CN109146817 A CN 109146817A CN 201810965171 A CN201810965171 A CN 201810965171A CN 109146817 A CN109146817 A CN 109146817A
Authority
CN
China
Prior art keywords
max
point cloud
cloud data
point
axis
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.)
Granted
Application number
CN201810965171.6A
Other languages
English (en)
Other versions
CN109146817B (zh
Inventor
刘雪莲
王春阳
韩军
周圣涛
史红伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Technological University
Original Assignee
Xian Technological University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Technological University filed Critical Xian Technological University
Priority to CN201810965171.6A priority Critical patent/CN109146817B/zh
Publication of CN109146817A publication Critical patent/CN109146817A/zh
Application granted granted Critical
Publication of CN109146817B publication Critical patent/CN109146817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种非迭代单一物体散乱点云数据的噪声处理方法，涉及计算机图形学和三维点云数据去噪领域，解决现有迭代过程因迭代中心点设定而带来的迭代收敛慢的问题，获取含有噪声的初始点云数据，并将所述初始点云数据进行归一化处理，估算归一化后的点云数据的密度，按照估算的密度在直角坐标系中按z轴将归一化点云数据进行分层；对每一层按照包围长方形的形式，去除距离点云数据主体较远的噪声点；将去除噪声点的点云数据再次进行密度估算及点云数据进行分层；再对每一层按照包围盒方法，去除噪声点用采用双边滤波方法进行光顺，获得双边滤波后的点云数据；将点云数据的坐标分别乘以归一化系数的倒数，完成点云数据的噪声处理。

Description

一种非迭代单一物体散乱点云数据的噪声处理方法
技术领域
本发明涉及计算机图形学和三维点云数据去噪领域，具体涉及一种基于非迭代单一物体散乱点云数据的噪声处理方法。
背景技术
点云数据的噪声处理技术已经广泛地应用于无人驾驶，三维物体重构，人工智能等多个领域。点云数据的噪声处理技术可以使三维物体的重构，识别等技术更加准确、快速的完成。目前，已经有的点云数据噪声处理算法有基于K-means的迭代算法和基于双边滤波的算法。
基于K-means迭代算法去噪主要思想是通过给定初始聚类数目K值和初始迭代中心，并设定收敛条件从而确定聚类单元，并分析各个聚类单元空间距离，从而完成点云去噪工作。
这类方法最大缺点在于对于未知点云数据设定的初始聚类数目K值和初始迭代中心容易造成局部最优解而不是全局最优解，并且在迭代中收敛速度会因为K值和初始迭代中心的不合理设定导致收敛速度慢。
基于双边滤波的算法光顺主要思想是对点云数据变化起伏不大的地方使用类似于高斯滤波的方法进行平滑。在点云数据变化大的地方保留特征，从而完成点云去噪的工作。
这类方法最大缺点在于无法处理距离点云主体较远的噪声点，且会因为双边滤波迭代多次产生过度光顺问题。
发明内容
本发明提供一种非迭代单一物体散乱点云数据的噪声处理方法，目的在于避免迭代过程因迭代中心点设定而带来的迭代收敛慢的问题，并且可以快速有效地实现散乱点云数据去噪的处理方法。
一种非迭代单一物体散乱点云数据的噪声处理方法，该方法由以下步骤实现：
步骤一、获取含有噪声的初始点云数据，并将所述初始点云数据进行归一化处理，获得归一化后的点云数据；
步骤二、估算归一化后的点云数据的密度，按照估算的密度在直角坐标系中按z轴将归一化点云数据进行分层；
步骤二一、根据步骤一二归一化后的点云数据建立最小包围盒U，所述最小包围盒U的八个顶点坐标分别为A(x'min,y'min,z'min)，B(x'max,y'min,z'min)，C(x'max,y'max,z'min)，D(x'min,y'max,z'min)，E(x'min,y'min,z'max)，F(x'max,y'min,z'max)，G(x'max,y'max,z'max)，H(x'min,y'max,z'max)；
步骤二二、以z轴切割点云数据，从所述最小包围盒左侧面向右侧面沿x轴正方向移动，所述点云数据被压缩在一个平面且设定在移动过程中只有x轴坐标点的点云数据发生水平移动，估算切割点云数据的厚度δ，计算公式为：
式中，N为初始点云数据总数，Sright为最小包围盒U右侧面的面积，用公式表示为：
Sright＝abs(y'max-y'min)×abs(z'max-z'min)
式中，abs()为绝对值符号；
步骤二三、根据步骤二二估算的点云厚度δ计算归一化后点云数据z轴切割的块层数m，用下式表示为：
步骤三、对m层中的每一层按照包围长方形的形式，去除距离点云数据主体较远的噪声点；具体过程为：
步骤三一、将第i层的点云数据取出，并计算所述第i层中的最小包围盒U'，所述第i层中的最小包围盒U'的八个坐标点更新为A'(x”min,y”min,z”min)，B'(x”max,y”min,z”min)，C'(x”max,y”max,z”min)，D'(x”min,y”max,z”min)，E'(x”min,y”min,z”max)，F'(x”max,y”min,z”max)，G'(x”max,y”max,z”max)，H'(x”min,y”max,z”max)；所述x”max，x”min，y”max，y”min，z”max，z”min分别为第i层点云数据在x轴，y轴，z轴内的最大值和最小值；
步骤三二、在步骤三一所述的最小包围盒U'中，将所述最小包围盒U'的上底面向下底面移动，当上底面完全与下底面重合时，点云数据被压缩在一个平面且设定移动过程中所有点云数据只有z轴坐标点发生水平移动，估算第i层点云数据的大尺度噪声阈值门限ζi，用公式表示为：
式中，Ni为第i层中点云数据总数，Sbottom为最小包围盒U'的下底面面积，计算公式为：
Sbottom＝abs(x”max-x”min)×abs(y”max-y”min)
步骤三三、计算第i层中点云数据的欧式距离d，用下式表示为：
式中，Ii,j(x),Ii,j(y)是第i层中第j个点的x轴，y轴坐标，Ii,k(x),Ii,k(y)是第i层中第k个点的x轴，y轴坐标；
步骤三四、遍历第i层中每一个点云数据，计算每一个点云数据的包围长方形SE，计算公式为：
式中，boundlx，boundrx，boundxy，boundsy分别为第i层中第j个点包围长方形的四个角坐标；
步骤三五、判断每一个点的包围长形SE中是否包括至少两个该层的点云数据，如果是，则判断该点云数据不是噪声点，予以保留，如果否，将该点作为噪声点，并删除。
步骤四、将步骤三去除噪声点的点云数据再次进行密度估算，按照估算的密度在直角坐标系中按z轴将去除噪声后的点云数据进行分层；
步骤四一、将步骤三去除噪声后的点云数据建立最小包围盒V，所述最小包围盒V的八个顶点坐标分别为A”(x”'min,y”'min,z”'min)，B”(x”'max,y”'min,z”'min)，C”(x”'max,y”'max,z”'min)，D”(x”'min,y”'max,z”'min)，E”(x”'min,y”'min,z”'max)，F”(x”'max,y”'min,z”'max)，G”(x”'max,y”'max,z”'max)，H”(x”'min,y”'max,z”'max)；其中x”'max，x”'min，y”'max，y”'min，z”'max，z”'min为去除噪声后的点云数据在x轴，y轴，z轴内的最大值和最小值；
步骤四二、以z轴切割点云数据，将点云数据从最小包围盒V的左侧面向右侧面靠近，当左侧面完全与右侧面重合时，所有点云数据被压缩在一个平面且设定移动过程中所有点云数据只在x轴坐标点发生水平移动，估算切割点云数据的厚度δ'，计算公式为：
式中，M为去噪后点云数据总数，Sleft为最小包围盒V左侧面的面积，计算公式为：
Sleft＝abs(y”'max-y”'min)×abs(z”'max-z”'min)
步骤四三、根据步骤四二估算的点云数据厚度δ'，计算去噪后的点云数据沿z轴切割层数m',计算公式为
步骤五、对步骤四三中的m'中的每一层按照包围盒方法，将距离点云数据主体较远的噪声点去除，将距离点云主体较近的噪声点用双边滤波方法进行光顺，获得双边滤波后的点云数据；
步骤五一、将m'层中的第i'层点云数据取出，并计算这一层的最小包围盒V'，所述最小包围盒V'的八个顶点坐标分别为A”'(x””min,y””min,z””min)，B”'(x””max,y””min,z””min)，C”'(x””max,y””max,z””min)，D”'(x””min,y””max,z””min)，E”'(x””min,y””min,z””max)，F”'(x””max,y””min,z””max)，G”'(x””max,y””max,z””max)，H”'(x””min,y””max,z””max)。其中x””max，x””min，y””max，y””min，z””max，z””min是该层点云数据在x轴，y轴，z轴内的最大值和最小值；
步骤五二、在步骤五一所述的最小包围盒V'中，将最小包围盒V'的上底面向包围盒下底面移动，当上底面完全与下底面重合时，所有点云数据被压缩在一个平面且设定移动过程中所有点云数据只z轴坐标点发生水平移动，估算该层点云的小尺度噪声阈值门限λi；计算公式为：
Mi为第i'层中点云数据总数，S'bottom为最小包围盒V'底面的面积，计算公式为：
S′bottom＝abs(x””max-x””min)×abs(y””max-y””min)
步骤五三、在该层中计算各个点云数据的欧式空间距离d'，计算公式为:
式中Ii′,j(x),Ii′,j(y)和Ii′,j(z)是第i'层中第j个点的x轴，y轴,z轴坐标，Ii′,k(x),Ii′,k(y)和Ii′,k(z)是第i'层中第k个点的x轴，y轴,z轴坐标；
步骤五四、遍历第i'层每一个点云数据，计算每一个点云数据的包围盒BOX，计算公式为：
式中，boundlx'，boundrx'，boundxy'，boundsy'，boundxz'和boundsz'分别为该点包围盒的坐标；
步骤五五、判断每一个点的包围盒是否里面包含该层中至少四个点云数据，如果是，则对该点记为gi，并采用点云数据的双边滤波，执行步骤五六，如果否，则将该点视为噪声点并从点云数据中删去；
步骤五六，将该层位于gi点包围盒内所有点云数据除gi点以外的点作为gi点的邻域点Kia，设定该点gi包围盒BOX中有l个邻域点，则Kia中a＝1,...,l；
步骤五七、采用基于表面拟合的方法估计gi点的法向量ni；首先将点gi的所有邻域点Kia进行数据中心化处理，获得中心化处理后的数据centereKia，将centereKia进行SVD矩阵分解，获得分解后最大奇异值对应的奇异向量作为gi点的法向量ni的估计值；
步骤五八、计算每一个邻域点Kia与该点gi的光顺滤波函数参数α和特征保持权重函数参数β，根据光顺滤波函数参数α和特征保持权重函数参数β，分别计算点云双边滤波中光顺滤波函数和特征保持权重函数；
步骤五九、计算点云数据双边滤波中权因子χ，根据所述双边滤波中权因子χ以及步骤五七获得的gi点的法向量ni的估计值，获得点云数据双边滤波更新后的新点g'i；
步骤六、将步骤五获得的双边滤波后的点云数据的坐标分别乘以归一化系数的倒数完成点云数据的噪声处理。
本发明的有益效果：
一、本发明所述的非迭代的点云噪声处理方法，通过切分归一化点云数据有效的去除不需要的噪声点并光顺点云数据模型，有效避免迭代过程中因初值的设定而造成的收敛速度慢问题。因此本发明可以很好地利用在实时性要求高的点云数据处理流程中。
二、本发明采用非迭代的点云数据处理方法，能够更快并且有效的对点云噪声进行处理。
三、本发明的点云去噪处理方法是自动进行的，方法所需要的参数均可以根据点云数据自动计算，不需要用户进行交互设置，所以不需要使用者需要具备相关的知识基础，只需要运行程序，就可以直接获取处理好的点云数据。因此本发明具有很大的应用价值。
附图说明
图1为本发明所述的一种非迭代单一物体散乱点云数据的噪声处理方法的流程图；
图2为本发明所述的一种非迭代单一物体散乱点云数据的噪声处理方法中噪声点云数据图；
图3为本发明所述的一种非迭代单一物体散乱点云数据的噪声处理方法中噪声点云数据归一化图；
图4为本发明所述的一种非迭代单一物体散乱点云数据的噪声处理方法中噪声点云数据最小包围盒示意图；
图5为本发明所述的一种非迭代单一物体散乱点云数据的噪声处理方法中的最小包围盒U'的示意图；
图6为本发明所述的一种非迭代单一物体散乱点云数据的噪声处理方法中最小包围盒V的示意图；
图7为本发明所述的一种非迭代单一物体散乱点云数据的噪声处理方法中最小包围盒V'示意图；
图8为本发明所述的一种非迭代单一物体散乱点云数据的噪声处理方法中最终处理完噪声点结果图；
图9为本发明所述的一种非迭代单一物体散乱点云数据的噪声处理方法中处理散乱点云数据的方法最终效果图。
具体实施方式
具体实施方式一、结合图1至图9说明本实施方式，一种非迭代单一物体散乱点云数据的噪声处理方法，该方法由以下步骤实现：
步骤一、将图2的点云数据进行归一化得到图3。具体按照以下步骤实施：
步骤一一、将图2初始点云数据中所有点云数据在直角坐标系下分别按照x,y,z轴从大到小进行排序分别得到在x轴，y轴，z轴内的最大值和最小值xmax,xmin,ymax,ymin,zmax,zmin；
步骤一二、找出xmax,xmin,ymax,ymin,zmax,zmin将这六个数中绝对值最大的数记为MAX。则可以得到归一化系数
步骤一三，将初始点云数据中所有点云数据的坐标全部乘以归一化系数c，得到归一化点云数据也就是图3所示，经归一化后在x轴内的最大值x'max和最小值x'min，y轴内的最大值y'max和最小值y'min，z轴内的最大值z'max和最小值z'min采用公式(1)表示：
步骤二、在直角坐标系下估算单一物体散乱点云归一化后的点云密度，按照估算的密度对归一化且将点云数据按照Z轴排序好厚的点云数据按照Z轴进行分层。具体按照以下步骤实施：
步骤二一、结合图4，根据归一化后的点云数据建立最小包围盒U。最小包围盒U的八个顶点坐标分别为A(x'min,y'min,z'min)，B(x'max,y'min,z'min)，C(x'max,y'max,z'min)，D(x'min,y'max,z'min)，E(x'min,y'min,z'max)，F(x'max,y'min,z'max)，G(x'max,y'max,z'max)，H(x'min,y'max,z'max)。
步骤二二、估算切割点云的厚度δ，其计算公式为：
N为初始点云数据总数，SAEHD为图4中左侧面的面积，其中SAEHD的计算公式为：
SAEHD＝abs(y'max-y'min)×abs(z'max-z'min) (3)
步骤二三、根据估算出来的点云厚度δ计算归一化点云切割层数m,其中m计算公式为
最后完成归一化点云数据沿Z轴分为m层点云数据。
步骤三、按照包围长方形方式将距离点云主体较远的噪声点去除，并遍历m层点云数据。具体按照以下步骤实施：
步骤三一、将第i层厚为δ点云数据取出，并重新计算这一层中最小包围盒U'。则新的最小包围盒U'的八个坐标点更新为A'(x”min,y”min,z”min)，B'(x”max,y”min,z”min)，C'(x”max,y”max,z”min)，D'(x”min,y”max,z”min)，E'(x”min,y”min,z”max)，F'(x”max,y”min,z”max)，G'(x”max,y”max,z”max)，H'(x”min,y”max,z”max)。x”max，x”min，y”max，y”min，z”max，z”min分别是取出的第i层点云数据x,y,z上最大值和最小值。如图5所示。
步骤三二、在新计算的包围盒U'中，估算第i层点云的大尺度噪声阈值门限ζi。计算公式为：
其中Ni为第i层中点云总数目，SA'B'C'D'为图5中新包围盒U'下底面面积。其计算公式为：
SA'B'C'D'＝abs(x”max-x”min)×abs(y”max-y”min) (6)
步骤三三、在该层中不考虑Z轴因素，计算所有该层中点云数据的欧式距离d。其两个不相同点欧式距离计算公式为：
式中，Ii,j(x),Ii,j(y)是第i层中第j个点的x轴，y轴坐标，Ii,k(x),Ii,k(y)是第i层中第k个点的x轴，y轴坐标；
步骤三四、遍历第i层每一个点云数据，计算每一个点云数据的包围长方形，记为SE,其计算公式为：
式中，(boundlx,boundsy)，(boundlx,boundxy)，(boundrx,boundsy)，(boundrx,boundxy)分别为第i层中第j个点包围长方形左上角坐标，左下角坐标，右上角坐标和右下角坐标。
步骤三五、判断每一个点的包围长方形SE是否里面包含该层中两个及其以上的点云数据，如果满足则初步判断该点云数据不是噪声点，予以保留，否则将该点视为噪声点并将其从点云数据中删去。
步骤四、重新对经过步骤3处理完的点云数据进行估算单一物体散乱点云密度，按照估算的密度在直角坐标系下按Z轴将一个整体点云进行分层。具体按照以下步骤实施：
步骤四一、将大尺度去噪以后的点云数据重新建立最小包围盒V。最小包围盒V的八个顶点坐标分别为A”(x”'min,y”'min,z”'min)，B”(x”'max,y”'min,z”'min)，C”(x”'max,y”'max,z”'min)，D”(x”'min,y”'max,z”'min)，E”(x”'min,y”'min,z”'max)，F”(x”'max,y”'min,z”'max)，G”(x”'max,y”'max,z”'max)，H”(x”'min,y”'max,z”'max)。其中x”'max，x”'min，y”'max，y”'min，z”'max，z”'min是经过步骤3以后点云数据中x,y,z轴上的最大值和最小值。如图6所示。
步骤四二、当以Z轴切分点云数据时，将估算切割点云的厚度δ'，其计算公式为：
M为经过步骤三以后点云数据中总的点云个数，SA”E”H”D”为图6中左侧面的面积。其计算公式为：
SA”E”H”D”＝abs(y”'max-y”'min)×abs(z”'max-z”'min) (10)
步骤四三、根据估算出来的点云厚度δ'计算归一化点云切分割层数m',其中m'计算公式为
最后完成点云数据沿Z轴分为m'层。
步骤五、按照包围盒思想将距离点云主体较远的噪声点去除，将距离点云主体较近的噪声点用双边滤波方法进行光顺且遍历m'层中所有的点云数据。具体按照以下步骤实施：
步骤五一、将第i'层点云数据取出，并重新计算这一层的最小包围盒V'。最小包围盒V'的八个顶点坐标分别为A”'(x””min,y””min,z””min)，B”'(x””max,y””min,z””min)，C”'(x””max,y””max,z””min)，D”'(x””min,y””max,z””min)，E”'(x””min,y””min,z””max)，F”'(x””max,y””min,z””max)，G”'(x””max,y””max,z””max)，H”'(x””min,y””max,z””max)。其中x””max，x””min，y””max，y””min，z””max，z””min是该层点云数据中x,y,z轴上的最大值和最小值。如图7所示。
步骤五二、在新计算的包围盒V'中估算第i层点云的小尺度噪声阈值门限λi。计算公式为：
Mi为第i'层中总的点云个数，SA”'B”'C”'D”'为图7中下底面的面积。其计算公式为：
SA”'B”'C”'D”'＝abs(x””max-x””min)×abs(y””max-y””min) (13)
步骤五三、在第i'层中计算各个点云数据的欧式空间距离d'，其计算公式为：
式中Ii′,j(x),Ii′,j(y)和Ii′,j(z)是第i'层中第j个点的x轴，y轴,z轴坐标，Ii′,k(x),Ii′,k(y)和Ii′,k(z)是第i'层中第k个点的x轴，y轴,z轴坐标；
步骤五四、遍历i'层每一个点云数据，计算每一个点云数据的包围盒，记为BOX其计算公式为：
其中，坐标(boundlx',boundxy',boundxz')，(boundrx',boundxy',boundxz')，(boundrx',boundsy',boundxz')，(boundlx',boundsy',boundxz')，(boundlx',boundxy',boundsz')，(boundrx',boundxy',boundsz')，(boundrx',boundsy',boundsz')和(boundlx',boundsy',boundsz')分别为该点包围盒的下底面左下角坐标，下底面右下角坐标，下底面右上角坐标，下底面左上角坐标，上底面左下角坐标，上底面右下角坐标，上底面右上角坐标和上底面左上角坐标；
步骤五五、判断每一个点的包围盒是否里面包含该层中四个及其以上的点云数据，如果满足则对该点记为gi，对其使用点云数据的双边滤波，进入步骤五六，否则将该点视为噪声点并从点云数据中删去。
步骤五六、将该层位于gi点包围盒内所有点云数据除了gi点以外的点当作gi点的邻域点Kia。假设该点gi包围盒BOX中有l个邻域点，则Kia中a＝1,...,l。
步骤五七、采用基于表面拟合的方法估计gi点的法向量ni。首先将点gi的所有邻域点Kia进行数据中心化处理，即先计算邻域点Kia在x轴、y轴以及z轴的平均值计算公式为：
其次将Kia数据中心化处理的数据记为centereKia。其计算公式为：
将centereKia进行SVD矩阵分解，分解后最大奇异值对应的奇异向量就是gi点的法向量ni的估计。
步骤五八、计算每一个邻域点Kia与该点gi的光顺滤波函数参数α，计算公式为：
α＝||gi-Kia|| (20)
光顺滤波函数参数α含义为点gi到邻域点Kia的距离；接着计算特征保持权重函数参数β，计算公式为：
β＝<ni,gi-Kia> (21)
特征保持权重函数参数β含义为点gi与邻近点的距离向量gi-Kia与该点gi法向量的内积。计算点云双边滤波中光顺滤波函数Wc(α)和特征保持权重函数Ws(β)。其计算公式为：
式(22)中δc是点gi到每个邻域点的距离对该点的影响因子，参数δs是点gi到每个邻域点的距离向量gi-Kia在该点法向量ni上的投影对该点的影响因子。
步骤五九、计算点云双边滤波中权因子χ。其计算公式为：
式中：M(gi)＝{gia}是点gi的邻域点。计算出经过点云双边滤波更新后的新点g'i。其计算公式为：
g'i＝gi+χni (25)
步骤六、将经过步骤五处理以后归一化的点云数据恢复其原始大小。具体按照以下实施：将经过步骤五处理以后的点云数据，如图8所示，恢复至原始大小。需要将此时所有点云数据的坐标全部乘以归一化系数的倒数，也就是便实现了点云数据的恢复。如图9所示，为最终噪声点云数据去噪后图像。
本实施方式的步骤三和步骤五中出现的较远、较近，即指的是利用点云模型的局部信息，即用某点包围盒内邻域的数据点个数来判定某个点的噪声点属性，如果小于给定门限，将这个点视为离点云主体较远的噪声点，反之将这个点视为离点云主体较近的噪声点。

Claims (5)

1.一种非迭代单一物体散乱点云数据的噪声处理方法，其特征是，该方法由以下步骤实现：
步骤一、获取含有噪声的初始点云数据，并将所述初始点云数据进行归一化处理，获得归一化后的点云数据；
步骤二、估算归一化后的点云数据的密度，按照估算的密度在直角坐标系中按z轴将归一化点云数据进行分层；
步骤二一、根据步骤一二归一化后的点云数据建立最小包围盒U，所述最小包围盒U的八个顶点坐标分别为A(x'min,y'min,z'min)，B(x'max,y'min,z'min)，C(x'max,y'max,z'min)，D(x'min,y'max,z'min)，E(x'min,y'min,z'max)，F(x'max,y'min,z'max)，G(x'max,y'max,z'max)，H(x'min,y'max,z'max)；
步骤二二、以z轴切割点云数据，从所述最小包围盒左侧面向右侧面沿x轴正方向移动，所述点云数据被压缩在一个平面且设定在移动过程中只有x轴坐标点的点云数据发生水平移动，估算切割点云数据的厚度δ，计算公式为：
式中，N为初始点云数据总数，Sright为最小包围盒U右侧面的面积，用公式表示为：
Sright＝abs(y'max-y'min)×abs(z'max-z'min)
式中，abs()为绝对值符号；
步骤二三、根据步骤二二估算的点云厚度δ计算归一化后点云数据z轴切割的块层数m，用下式表示为：
步骤三、对m层中的每一层按照包围长方形的形式，去除距离点云数据主体较远的噪声点；具体过程为：
步骤三一、将第i层的点云数据取出，并计算所述第i层中的最小包围盒U'，所述第i层中的最小包围盒U'的八个坐标点更新为A'(x”min,y”min,z”min)，B'(x”max,y”min,z”min)，C'(x”max,y”max,z”min)，D'(x”min,y”max,z”min)，E'(x”min,y”min,z”max)，F'(x”max,y”min,z”max)，G'(x”max,y”max,z”max)，H'(x”min,y”max,z”max)；所述x”max，x”min，y”max，y”min，z”max，z”min分别为第i层点云数据在x轴，y轴，z轴内的最大值和最小值；
步骤三二、在步骤三一所述的最小包围盒U'中，将所述最小包围盒U'的上底面向下底面移动，当上底面完全与下底面重合时，点云数据被压缩在一个平面且设定移动过程中所有点云数据只有z轴坐标点发生水平移动，估算第i层点云数据的大尺度噪声阈值门限ζi，用公式表示为：
式中，Ni为第i层中点云数据总数，Sbottom为最小包围盒U'的下底面面积，计算公式为：
Sbottom＝abs(x”max-x”min)×abs(y”max-y”min)
步骤三三、计算第i层中点云数据的欧式距离d，用下式表示为：
式中，Ii,j(x),Ii,j(y)是第i层中第j个点的x轴，y轴坐标，Ii,k(x),Ii,k(y)是第i层中第k个点的x轴，y轴坐标；
步骤三四、遍历第i层中每一个点云数据，计算每一个点云数据的包围长方形SE，计算公式为：
式中，boundlx，boundrx，boundxy，boundsy分别为第i层中第j个点包围长方形的四个角坐标；
步骤三五、判断每一个点的包围长形SE中是否包括至少两个该层的点云数据，如果是，则判断该点云数据不是噪声点，予以保留，如果否，将该点作为噪声点，并删除。
步骤四、将步骤三去除噪声点的点云数据再次进行密度估算，按照估算的密度在直角坐标系中按z轴将去除噪声后的点云数据进行分层；
步骤四一、将步骤三去除噪声后的点云数据建立最小包围盒V，所述最小包围盒V的八个顶点坐标分别为A”(x″′min,y″′min,z″′min)，B”(x″′max,y″′min,z″′min)，C”(x″′max,y″′max,z″′min)，D”(x″′min,y″′max,z″′min)，E”(x″′min,y″′min,z″′max)，F”(x″′max,y″′min,z″′max)，G”(x″′max,y″′max,z″′max)，H”(x″′min,y″′max,z″′max)；其中x″′max，x″min，y″′max，y″′min，z″′max，z″′min为去除噪声后的点云数据在x轴，y轴，z轴内的最大值和最小值；
步骤四二、以z轴切割点云数据，将点云数据从最小包围盒V的左侧面向右侧面靠近，当左侧面完全与右侧面重合时，所有点云数据被压缩在一个平面且设定移动过程中所有点云数据只在x轴坐标点发生水平移动，估算切割点云数据的厚度δ'，计算公式为：
式中，M为去噪后点云数据总数，Sleft为最小包围盒V左侧面的面积，计算公式为：
Sleft＝abs(y″′max-y″′min)×abs(z″′max-z″′min)
步骤四三、根据步骤四二估算的点云数据厚度δ'，计算去噪后的点云数据沿z轴切割层数m',计算公式为
步骤五、对步骤四三中的m'中的每一层按照包围盒方法，将距离点云数据主体较远的噪声点去除，将距离点云主体较近的噪声点用双边滤波方法进行光顺，获得双边滤波后的点云数据；
步骤五一、将m'层中的第i'层点云数据取出，并计算这一层的最小包围盒V'，所述最小包围盒V'的八个顶点坐标分别为A”'(x″″min,y″″min,z″″min)，B”'(x″″max,y″″min,z″″min)，C”'(x″″max,y″″max,z″″min)，D”'(x″″min,y″″max,z″″min)，E”'(x″″min,y″″min,z″″max)，F”'(x″″max,y″″min,z″″max)，G”'(x″″max,y″″max,z″″max)，H”'(x″″min,y″″max,z″″max)。其中x″″max，x″″min，y″″max，y″″min，z″″max，z″″min是该层点云数据在x轴，y轴，z轴内的最大值和最小值；
步骤五二、在步骤五一所述的最小包围盒V'中，将最小包围盒V'的上底面向包围盒下底面移动，当上底面完全与下底面重合时，所有点云数据被压缩在一个平面且设定移动过程中所有点云数据只z轴坐标点发生水平移动，估算该层点云的小尺度噪声阈值门限λi；计算公式为：
Mi为第i'层中点云数据总数，S′bottom为最小包围盒V'底面的面积，计算公式为：
S′bottom＝abs(x″″max-x″″min)×abs(y″″max-y″″min)
步骤五三、在该层中计算各个点云数据的欧式空间距离d'，计算公式为:
式中Ii′,j(x),Ii′,j(y)和Ii′,j(z)是第i'层中第j个点的x轴，y轴,z轴坐标，Ii′,k(x),Ii′,k(y)和Ii′,k(z)是第i'层中第k个点的x轴，y轴,z轴坐标；
步骤五四、遍历第i'层每一个点云数据，计算每一个点云数据的包围盒BOX，计算公式为：
式中，boundlx'，boundrx'，boundxy'，boundsy'，boundxz'和boundsz'分别为该点包围盒的坐标；
步骤五五、判断每一个点的包围盒是否里面包含该层中至少四个点云数据，如果是，则对该点记为gi，并采用点云数据的双边滤波，执行步骤五六，如果否，则将该点视为噪声点并从点云数据中删去；
步骤五六，将该层位于gi点包围盒内所有点云数据除gi点以外的点作为gi点的邻域点Kia，设定该点gi包围盒BOX中有l个邻域点，则Kia中a＝1,...,l；
步骤五七、采用基于表面拟合的方法估计gi点的法向量ni；首先将点gi的所有邻域点Kia进行数据中心化处理，获得中心化处理后的数据centereKia，将centereKia进行SVD矩阵分解，获得分解后最大奇异值对应的奇异向量作为gi点的法向量ni的估计值；
步骤五八、计算每一个邻域点Kia与该点gi的光顺滤波函数参数α和特征保持权重函数参数β，根据光顺滤波函数参数α和特征保持权重函数参数β，分别计算点云双边滤波中光顺滤波函数和特征保持权重函数；
步骤五九、计算点云数据双边滤波中权因子χ，根据所述双边滤波中权因子χ以及步骤五七获得的gi点的法向量ni的估计值，获得点云数据双边滤波更新后的新点gi'；
步骤六、将步骤五获得的双边滤波后的点云数据的坐标分别乘以归一化系数的倒数完成点云数据的噪声处理。
2.根据权利要求1所述的一种非迭代单一物体散乱点云数据的噪声处理方法，其特征在于，步骤一中，归一化处理的具体过程为：
步骤一一、在直角坐标系中，分别确定初始点云数据在x轴内的最大值xmax和最小值xmin，y轴内的最大值ymax和最小值ymin，z轴内的最大值zmax和最小值zmin，并将所述的在x轴内的最大值xmax和最小值xmin，y轴内的最大值ymax和最小值ymin，z轴内的最大值zmax和最小值zmin中绝对值最大的数记为最大值MAX，获得归一化系数
步骤一二、将初始点云数据的坐标分别乘以归一化系数c，获得归一化后的点云数据，经归一化后在x轴内的最大值x'max和最小值x'min，y轴内的最大值y'max和最小值y'min，z轴内的最大值z'max和最小值z'min采用下式表示：
3.根据权利要求1所述的一种非迭代单一物体散乱点云数据的噪声处理方法，其特征在于，步骤五七的具体过程为：
首先，将点gi的所有邻域点Kia进行数据中心化处理，即先计算邻域点Kia在x轴、y轴以及z轴的平均值计算公式为：
其次，将Kia数据中心化处理的数据记为centereKia，计算公式为：
最后，将centereKia进行SVD矩阵分解，分解后最大奇异值对应的奇异向量就是gi点的法向量ni的估计值。
4.根据权利要求1所述的一种非迭代单一物体散乱点云数据的噪声处理方法，其特征在于，步骤五八的具体过程为：
计算每一个邻域点Kia与该点gi的光顺滤波函数参数α，计算公式为：
α＝||gi-Kia||
光顺滤波函数参数α即为点gx到邻域点Kia的距离；
计算特征保持权重函数参数β，计算公式为：
β＝<ni,gi-Kia>
特征保持权重函数参数β即为点gi与邻域点的距离向量gi-Kia与该点gi法向量的内积；根据光顺滤波函数参数α和特征保持权重函数参数β，计算点云双边滤波中光顺滤波函数Wc(α)和特征保持权重函数Ws(β)；计算公式为：
式中δc为点gi到每个邻域点的距离对该点的影响因子，δs为点gi到每个邻域点的距离向量gi-Kia在该点法向量ni上的投影对该点的影响因子。
5.根据权利要求1所述的一种非迭代单一物体散乱点云数据的噪声处理方法，其特征在于，步骤五九的具体过程为：
计算点云双边滤波中权因子χ，计算公式为：
式中，M(gi)＝{gia}是点gi的邻域点；
计算经过点云双边滤波更新后的新点g′i，计算公式为：
g′i＝gi+χni。
CN201810965171.6A 2018-08-23 2018-08-23 一种非迭代单一物体散乱点云数据的噪声处理方法 Active CN109146817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810965171.6A CN109146817B (zh) 2018-08-23 2018-08-23 一种非迭代单一物体散乱点云数据的噪声处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810965171.6A CN109146817B (zh) 2018-08-23 2018-08-23 一种非迭代单一物体散乱点云数据的噪声处理方法

Publications (2)

Publication Number Publication Date
CN109146817A true CN109146817A (zh) 2019-01-04
CN109146817B CN109146817B (zh) 2021-07-09

Family

ID=64791381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810965171.6A Active CN109146817B (zh) 2018-08-23 2018-08-23 一种非迭代单一物体散乱点云数据的噪声处理方法

Country Status (1)

Country Link
CN (1) CN109146817B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110457499A (zh) * 2019-07-19 2019-11-15 广州启量信息科技有限公司 一种对大型点云数据的索引方法、装置、终端设备和介质
CN110807772A (zh) * 2019-11-11 2020-02-18 杭州都市高速公路有限公司 一种构件尺寸检测中基于包围盒的无关点云剔除方法
CN111754421A (zh) * 2020-06-01 2020-10-09 西安工业大学 改进的导向滤波三维散乱点云快速光顺方法
WO2021102967A1 (zh) * 2019-11-29 2021-06-03 深圳市大疆创新科技有限公司 点云密度的量化方法、装置和存储介质
CN113808050A (zh) * 2021-09-26 2021-12-17 北京有竹居网络技术有限公司 3d点云的去噪方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7995054B2 (en) * 2005-11-21 2011-08-09 Leica Geosystems Ag Identification of edge regions from 3D point data
CN102609912A (zh) * 2012-01-16 2012-07-25 黑龙江科技学院 一种搜索三维点云数据轮廓噪声点的方法
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
CN106846272A (zh) * 2017-01-18 2017-06-13 西安工程大学 一种点云模型的去噪精简方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7995054B2 (en) * 2005-11-21 2011-08-09 Leica Geosystems Ag Identification of edge regions from 3D point data
CN102609912A (zh) * 2012-01-16 2012-07-25 黑龙江科技学院 一种搜索三维点云数据轮廓噪声点的方法
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
CN106846272A (zh) * 2017-01-18 2017-06-13 西安工程大学 一种点云模型的去噪精简方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110457499A (zh) * 2019-07-19 2019-11-15 广州启量信息科技有限公司 一种对大型点云数据的索引方法、装置、终端设备和介质
CN110807772A (zh) * 2019-11-11 2020-02-18 杭州都市高速公路有限公司 一种构件尺寸检测中基于包围盒的无关点云剔除方法
CN110807772B (zh) * 2019-11-11 2022-05-20 杭州都市高速公路有限公司 一种构件尺寸检测中基于包围盒的无关点云剔除方法
WO2021102967A1 (zh) * 2019-11-29 2021-06-03 深圳市大疆创新科技有限公司 点云密度的量化方法、装置和存储介质
CN111754421A (zh) * 2020-06-01 2020-10-09 西安工业大学 改进的导向滤波三维散乱点云快速光顺方法
CN111754421B (zh) * 2020-06-01 2023-08-18 西安工业大学 改进的导向滤波三维散乱点云快速光顺方法
CN113808050A (zh) * 2021-09-26 2021-12-17 北京有竹居网络技术有限公司 3d点云的去噪方法、装置、设备及存储介质
CN113808050B (zh) * 2021-09-26 2024-02-20 北京有竹居网络技术有限公司 3d点云的去噪方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN109146817B (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN109146817A (zh) 一种非迭代单一物体散乱点云数据的噪声处理方法
Lozes et al. Partial difference operators on weighted graphs for image processing on surfaces and point clouds
Sun et al. Fast and effective feature-preserving mesh denoising
CN103870845B (zh) 点云聚类去噪过程中新的k值优化方法
CN110136072B (zh) 点云噪声的去除方法、去噪系统、计算机设备及存储介质
CN105096268B (zh) 一种点云去噪平滑方法
Xie et al. Image de-noising algorithm based on Gaussian mixture model and adaptive threshold modeling
CN110458172A (zh) 一种基于区域对比度检测的弱监督图像语义分割方法
CN110930334B (zh) 一种基于神经网络的网格去噪方法
CN108305289B (zh) 基于最小二乘法的三维模型对称性特征检测方法及系统
CN102567973B (zh) 基于改进的形状自适应窗口的图像去噪方法
CN104331869B (zh) 梯度与曲率相结合的图像平滑方法
CN102930538B (zh) 高斯势与空间直方图融合的自适应图像分割方法
CN115222625A (zh) 一种基于多尺度噪声的激光雷达点云去噪方法
CN106815842A (zh) 一种改进的基于超像素的图像显著性检测方法
CN106980812A (zh) 基于级联卷积神经网络的三维人脸特征点定位方法
CN107481274A (zh) 一种三维作物点云的鲁棒性重构方法
CN104157002A (zh) 一种基于色彩空间变换的彩色图像纹理力触觉再现方法
CN106960470A (zh) 三维点云曲面重建方法及装置
CN108010002B (zh) 一种基于自适应隐式移动最小二乘的结构化点云去噪方法
CN104392458A (zh) 基于空间限制邻域混合模型的图像分割方法
Wang et al. Improved surface reconstruction using high-frequency details
CN108510591A (zh) 一种基于非局部均值与双边滤波的改进泊松曲面重建方法
CN103971363A (zh) 基于分层模糊c均值的图像分割方法
Irfan et al. 3D point cloud denoising using a joint geometry and color k-NN graph

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