CN111275810B

CN111275810B - 基于图像处理的k近邻点云滤波方法、装置和存储介质

Info

Publication number: CN111275810B
Application number: CN202010051013.7A
Authority: CN
Inventors: 张建民; 陈富健; 龙佳乐
Original assignee: Wuyi University
Current assignee: Wuyi University
Priority date: 2020-01-17
Filing date: 2020-01-17
Publication date: 2022-06-24
Anticipated expiration: 2040-01-17
Also published as: CN111275810A; WO2021142995A1

Abstract

本发明公开了一种基于图像处理的K邻近点云滤波方法、装置和存储介质，在获取三维点云后，构建出二维图像，通过K邻近滤波模板在二维图像中选中若干个点，计算出中心点与K邻近点之间的欧式距离，基于欧式距离和预先设定的距离阈值和比例阈值判断中心点是否为噪声点，对于满足距离阈值和比例阈值的中心点，基于数量阈值对模板中的K邻近点数量进行统计，将数量小于数量阈值的模板的中心点设置为离群的噪声点，通过设置数量阈值实现了空间层面的限制，有效去除离群、散乱和狭长的噪声点云，提高滤波的准确性和适用范围。

Description

基于图像处理的K近邻点云滤波方法、装置和存储介质

技术领域

本发明涉及三维形貌测量技术领域，特别是一种基于图像处理的k近邻点云滤波方法、装置和存储介质。

背景技术

目前，随着三维扫描技术的发展，获取物体表面的三维点云数据越来越容易，推动了三维扫描技术广泛应用于城市建模、逆向工程、测量工程等领域。然而，由于三维扫描设备需要人为操作，加上相机和投影机等设备本身的结构和外界因素的影响，获取到的三维点云中存在噪声点云，现有的去噪方法主要是基于K近邻点的点云滤波方法，但是现有的方法仅针对单独的噪声点进行去除，无法去除狭长状的噪声点云，滤波效果不佳。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种基于图像处理的K近邻点云滤波方法、装置和存储介质，能够去除狭长状的噪声点云，提高K近邻点滤波方法的适用范围。

本发明解决其问题所采用的技术方案是：第一方面，本发明提供了一种基于图像处理的K近邻点云滤波方法，包括以下步骤：

获取三维点云，构建出二维图像，所述二维图像中的二维点与所述三维点云中的三维点唯一对应；

获取预先设定的K邻近滤波模板，根据所述K邻近滤波模板对所述二维图像进行卷积计算，得出所述K邻近滤波模板的中心点与所有的K邻近点之间的欧式距离，若所述欧式距离小于预先设定的距离阈值，则将所述K邻近点设置为第一K邻近点，若所述欧式距离大于预先设定的距离阈值，则将所述K邻近点设置为第二K邻近点；

获取预先设定的比例阈值和数量阈值，若所述第一K邻近点与所述第二K邻近点的数量比值大于所述比例阈值，或者所述第一K邻近点与所述第二K邻近点的数量比值小于所述比例阈值且所述第一K邻近点和所述第二K邻近点的数量和小于所述数量阈值，将所述中心点设置为噪声点。

进一步，所述三维点云由绝对相位图和图像获取设备的内外参数进行重构得出，所述图像获取设备包括相机和投影机。

进一步，所述根据所述K邻近滤波模板对所述二维图像进行卷积计算具体包括以下步骤：

获取所述三维点云中与所述中心点所对应的第一点坐标和与所述K邻近点所对应的第二点坐标；

根据所述第一点坐标和第二点坐标计算出欧式距离。

进一步，所述K邻近滤波模板的形状包括但不限于矩形和圆形，所述K邻近滤波模板中至少包括中心点和若干个K邻近点。

进一步，若所述第一K邻近点与所述第二K邻近点的数量比值小于所述比例阈值且所述第一K邻近点和所述第二K邻近点的数量和小于所述数量阈值，还包括：将所述中心点设置为离群噪声点。

进一步，将所述中心点设置为噪声点后还包括：将所述K邻近滤波模板移动至所述二维图像中未被滤波的区域，重复执行滤波操作直至完成对所述二维图像的遍历。

第二方面，本发明提供了一种用于执行基于图像处理的K近邻点云滤波方法的装置，包括CPU单元，所述CPU单元用于执行以下步骤：

进一步，所述CPU单元还用于执行以下步骤：

根据所述第一点坐标和第二点坐标计算出欧式距离。

进一步，所述CPU单元还用于执行以下步骤：

将所述K邻近滤波模板移动至所述二维图像中未被滤波的区域，重复执行滤波操作直至完成对所述二维图像的遍历。

第三方面，本发明提供了一种用于执行基于图像处理的K近邻点云滤波方法的设备，包括至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器；存储器存储有可被至少一个控制处理器执行的指令，指令被至少一个控制处理器执行，以使至少一个控制处理器能够执行如上所述的基于图像处理的K近邻点云滤波方法。

第四方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如上所述的基于图像处理的K近邻点云滤波方法。

第五方面，本发明还提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使计算机执行如上所述的基于图像处理的K近邻点云滤波方法。

本发明实施例中提供的一个或多个技术方案，至少具有如下有益效果：本发明在获取三维点云后，构建出二维图像，通过K邻近滤波模板在二维图像中选中若干个点，计算出中心点与K邻近点之间的欧式距离，基于欧式距离和预先设定的距离阈值和比例阈值判断中心点是否为噪声点，对于满足距离阈值和比例阈值的中心点，基于数量阈值对模板中的K邻近点数量进行统计，将数量小于数量阈值的模板的中心点设置为离群的噪声点，通过设置数量阈值实现了空间层面的限制，有效去除离群、散乱和狭长的噪声点云，提高滤波的准确性和适用范围。

附图说明

下面结合附图和实例对本发明作进一步说明。

图1是本发明实施例提供的一种基于图像处理的K近邻点云滤波方法的流程图；

图2是本发明实施例提供的一种基于图像处理的K近邻点云滤波方法中根据所述K邻近滤波模板对所述二维图像进行卷积计算的流程图；

图3是本发明实施例提供的一种基于图像处理的K近邻点云滤波方法的完整流程图；

图4是本发明另一实施例提供的一种用于执行基于图像处理的K近邻点云滤波方法的装置示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。

参考图1，本发明的第一实施例提供了一种基于图像处理的K近邻点云滤波方法，包括以下步骤：

步骤S100，获取三维点云，构建出二维图像，所述二维图像中的二维点与所述三维点云中的三维点唯一对应；

步骤S200，获取预先设定的K邻近滤波模板，根据所述K邻近滤波模板对所述二维图像进行卷积计算，得出所述K邻近滤波模板的中心点与所有的K邻近点之间的欧式距离，若所述欧式距离小于预先设定的距离阈值，则将所述K邻近点设置为第一K邻近点，若所述欧式距离大于预先设定的距离阈值，则将所述K邻近点设置为第二K邻近点；

步骤S300，获取预先设定的比例阈值和数量阈值，若所述第一K邻近点与所述第二K邻近点的数量比值大于所述比例阈值，或者所述第一K邻近点与所述第二K邻近点的数量比值小于所述比例阈值且所述第一K邻近点和所述第二K邻近点的数量和小于所述数量阈值，将所述中心点设置为噪声点。

其中，需要说明的是，本实施例的三维点是根据图像平面内的绝对相位图的每一点重构出来的，所以在图像平面内的绝对相位图的每一个点都与重构出来的三维点有着一一对应的关系，即构建的二维图像既包含了绝对相位图的位置信息也包含了三维点的信息，有利于进行滤波计算。其中，需要说明的是，重构的方法可以采用现有技术中任意的三维到二维图形的重构方法，本发明并不涉及具体的重构方法改进，在此不再赘述。

其中，需要说明的是，本实施例优选通过K邻近滤波模板从二维图像中限定一定的空间范围，因此K邻近点的数量有限，若数量过少，则代表区域为离群或散乱的噪声区域，从而实现增加空间信息对点云进行滤噪。可以理解的是，欧式距离能够较好地体现两点的空间距离，为本实施例的优选，也可以采用其他类型的参数，能够实现相似效果即可。本领域技术人员可以理解的是，出于对不同的滤波精度要求，距离阈值、比例阈值和数量阈值由实际需求调整即可，本实施例并不因为具体的数值造成限制。

其中，在步骤S300中，若第一K邻近点与第二K邻近点的数量比值小于比例阈值，则代表中心点到邻近点所对应的三维点的距离相对较近，因此中心点基于图像处理的层面并非噪声点，但若K邻近滤波模板中的点较少，对应的则是大片的离群噪声，在这种情况下，本实施例优选通过数量阈值进行判断，若第一K邻近点和第二K邻近点的数量和小于数量阈值，则将中心点设置为离群噪声，从而去除狭长状的片状噪声。另外，第一K邻近点与第二K邻近点的数量比值若大于比例阈值，则代表中心点离其他邻近点的距离较远，大概率为点云中的噪声点，将中心点直接设置为噪声点，无需再进行数量阈值的判断，能够简化计算过程。

其中，需要说明的是，三维点云可以采用任何现有技术中的设备进行获取，本实施例优选通过相机和投影机，具体的三维点云获取方法并非本发明的改进之处，在此不再赘述。

参考图2，进一步，所述根据所述K邻近滤波模板对所述二维图像进行卷积计算具体包括以下步骤：

步骤S210，获取所述三维点云中与所述中心点所对应的第一点坐标和与所述K邻近点所对应的第二点坐标；

步骤S220，根据所述第一点坐标和第二点坐标计算出欧式距离。

其中，需要说明的是，由于K邻近滤波模板中包括至少若干个K邻近点，因此本实施例优选将中心点与其他K邻近点逐个进行对比，重复执行步骤S210和步骤S220，直至完成对所有点的计算。

其中，需要说明的是，K邻近滤波模板的具体形状可以根据实际需求确定，这并不会对本市实施例造成限制，圆形和矩形仅为本实施例的优选。可以理解的是，例如K邻近滤波模板的为M×N大小矩形，则K＝M×N-1，避免对中心点重复计算。

其中，需要说明的是，将满足第一K邻近点与第二K邻近点的数量比值小于比例阈值且第一K邻近点和第二K邻近点的数量和小于数量阈值设置为离群噪声点为本实施例的优选，也可以仅设置为噪声点，本实施例设置成离群噪声点能够与普通的噪声点进行区分，便于后续处理。

其中，需要说明的是，由于K邻近滤波模板小于二维图像，即并未包括所有二维图像中的点，因此在执行完一次滤波后，移动K邻近滤波模板，使得K邻近滤波模板在二维图像中滑动，直至完成遍历，对所有点完成滤波，以确保滤波的完整和准确。

参考图3，另外，本发明的另一个实施例还提供了一种基于图像处理的K近邻点云滤波方法，包括以下步骤：

步骤S3100，获取三维点云中与中心点所对应的第一点坐标和与K邻近点所对应的第二点坐标；

步骤S3200，获取预先设定的K邻近滤波模板，获取三维点云中与K邻居滤波模板的中心点所对应的第一点坐标和与K邻近点所对应的第二点坐标；

步骤S3300,判断欧式距离是否大于距离阈值，若是，执行步骤S3310，否则执行步骤S3320；

步骤S3310，K邻近点设置为第一K邻近点，执行步骤S3330；

步骤S3320，K邻近点设置为第二K邻近点，执行步骤S3330；

步骤S3330，计算第一K邻近点与第二K邻近点的数量的比值；

步骤S3400，判断步骤S3330中得出的比值是否大于比例阈值，若是，执行步骤S3410，否则执行步骤S3420；

步骤S3410，将中心点设置为噪声点，移动K近邻滤波模板，若未完整遍历二位图像，执行步骤S3100；

步骤S3420，计算第一K邻近点与第二K邻近点的数量之和，与数量阈值相比，若大于数量阈值，执行步骤S3422，若小于数量阈值，执行步骤S3423；

步骤S3422，将中心点设置为离群的噪声点，移动K近邻滤波模板，若未完整遍历二位图像，执行步骤S3100；

步骤S3423，保留保留中心点，移动K近邻滤波模板，若未完整遍历二位图像，执行步骤S3100。

需要说明的是，本实施例的步骤S3100至S3330基于图像处理实现了点云的滤波，步骤S3400至S3423增加了k近邻的空间信息，实现了大片狭长状的噪声点云。

参照图4，本发明的第二实施例还提供了一种用于执行基于图像处理的K近邻点云滤波方法的装置，该装置为智能设备，例如智能手机、计算机和平板电脑等，本实施例以计算机为例加以说明。

在该用于执行基于图像处理的K近邻点云滤波方法的计算机4000中，包括CPU单元4100，所述CPU单元4100用于执行以下步骤：

进一步，所述CPU单元还用于执行以下步骤：进一步，本发明的另一个实施例中，所述CPU单元4100还用于执行以下步骤：

根据所述第一点坐标和第二点坐标计算出欧式距离。

进一步，本发明的另一个实施例中，所述CPU单元4100还用于执行以下步骤：

计算机4000和CPU单元4100之间可以通过总线或者其他方式连接，计算机4000中还包括存储器，所述存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的用于执行基于图像处理的K近邻点云滤波方法的设备对应的程序指令/模块。计算机4000通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而控制CPU单元4100执行用于执行基于图像处理的K近邻点云滤波方法的各种功能应用以及数据处理，即实现上述方法实施例的基于图像处理的K近邻点云滤波方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据CPU单元4100的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于CPU单元4100远程设置的存储器，这些远程存储器可以通过网络连接至该计算机4000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器中，当被所述CPU单元4100执行时，执行上述方法实施例中的基于图像处理的K近邻点云滤波方法。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被CPU单元4100执行，实现上述所述的基于图像处理的K近邻点云滤波方法。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的装置可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络装置上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

需要说明的是，由于本实施例中的用于执行基于图像处理的K近邻点云滤波方法的装置与上述的基于图像处理的K近邻点云滤波方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。

通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。

以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims

1.一种基于图像处理的K近邻点云滤波方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于图像处理的K近邻点云滤波方法，其特征在于：所述三维点云由绝对相位图和图像获取设备的内外参数进行重构得出，所述图像获取设备包括相机和投影机。

3.根据权利要求1所述的一种基于图像处理的K近邻点云滤波方法，其特征在于，所述根据所述K邻近滤波模板对所述二维图像进行卷积计算具体包括以下步骤：

根据所述第一点坐标和第二点坐标计算出欧式距离。

4.根据权利要求1所述的一种基于图像处理的K近邻点云滤波方法，其特征在于：所述K邻近滤波模板的形状包括但不限于矩形和圆形，所述K邻近滤波模板中至少包括中心点和若干个K邻近点。

5.根据权利要求1所述的一种基于图像处理的K近邻点云滤波方法，其特征在于，若所述第一K邻近点与所述第二K邻近点的数量比值小于所述比例阈值且所述第一K邻近点和所述第二K邻近点的数量和小于所述数量阈值，还包括：将所述中心点设置为离群噪声点。

6.根据权利要求1所述的一种基于图像处理的K近邻点云滤波方法，其特征在于，将所述中心点设置为噪声点后还包括：将所述K邻近滤波模板移动至所述二维图像中未被滤波的区域，重复执行滤波操作直至完成对所述二维图像的遍历。

7.一种用于执行基于图像处理的K近邻点云滤波方法的装置，其特征在于，包括CPU单元，所述CPU单元用于执行以下步骤：

8.根据权利要求7所述的一种用于执行基于图像处理的K近邻点云滤波方法的装置，其特征在于，所述CPU单元还用于执行以下步骤：获取所述三维点云中与所述中心点所对应的第一点坐标和与所述K邻近点所对应的第二点坐标；

根据所述第一点坐标和第二点坐标计算出欧式距离。

9.根据权利要求7所述的一种用于执行基于图像处理的K近邻点云滤波方法的装置，其特征在于，所述CPU单元还用于执行以下步骤：将所述K邻近滤波模板移动至所述二维图像中未被滤波的区域，重复执行滤波操作直至完成对所述二维图像的遍历。

10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-6任一项所述的一种基于图像处理的K近邻点云滤波方法。