CN111507919B - 一种三维点云数据的去噪处理方法 - Google Patents
一种三维点云数据的去噪处理方法 Download PDFInfo
- Publication number
- CN111507919B CN111507919B CN202010300735.1A CN202010300735A CN111507919B CN 111507919 B CN111507919 B CN 111507919B CN 202010300735 A CN202010300735 A CN 202010300735A CN 111507919 B CN111507919 B CN 111507919B
- Authority
- CN
- China
- Prior art keywords
- data
- pixel
- distance
- point cloud
- cloud data
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 13
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种三维点云数据的去噪处理方法,包括,获取原始三维点云数据;根据第一像素点与第二像素点,得到第一像素点与第二像素点的第一距离数据;确定第一像素点的第一邻近像素点,并根据第一距离数据的平均值,得到第一距离均值数据;根据每个第一像素点对应的第一距离均值数据和高斯分布概率密度关系进行计算处理,得到高斯均值和标准差;根据第一距离数据和高斯均值确定第一像素点是否为第一噪声像素点;当第一像素点不为噪声像素点时,根据第一距离数据、高斯均值和标准差确定第一像素点是第二噪声像素点或者有效像素点,根据对所有第一像素点的判断结果,删除别确定为第一噪声像素点或第二噪声像素点的第一像素点,并根据有效像素点生成去噪后的三维点云数据。
Description
技术领域
本发明涉数据处理领域,尤其涉及一种三维点云数据的去噪处理方法。
背景技术
随着3D成像技术的不断发展,最近几年,发展出新一代的基于飞行时间测量原理的主动传感器,利用飞行时间传感器采集到的三维点云数据里主要包括散粒噪声和暗噪声从而产生随机误差,场景产生的混合像素、多路径反射和散射伪影影响,传感器系统本身的热涨落产生误差,与场景无关的镜头畸变、测距偏移、距离刻度误差,在进行3D图像的提取和重建之前对获取的三维点云数据进行去燥预处理具有深远的意义。
目前,针对三维点云数据去燥处理的方法主要根据深度数据的高斯噪声和椒盐噪声采用高斯滤波和均值滤波的常规方式进行去燥处理,这两种滤波方式在处理细节较为丰富,包含边缘信息较多的深度图像时,容易导致图像边缘细节信息失真,并且这两种滤波方法针对的是高斯噪声和椒盐噪声,而通过飞行时间传感器采集的三维点云数据产生的噪声并不限于上述两种,因此仅通过高斯滤波和均值滤波无法对其它形式的噪声起到良好的过滤效果。
发明内容
针对现有技术缺陷,本发明实施例的目的是提供一种三维点云数据的去噪处理方法,可以针对不同复杂场景稳定、高效、准确的滤除由飞行时间相机采集到的三维点云数据中的噪点。
为实现上述目的,本发明提供了一种三维点云数据的去噪处理方法,所述方法包括:
获取原始三维点云数据;其中,原始三维点云数据包括多个像素点数据;
根据第一像素点的第一位置数据与第二像素点的第二位置数据,得到所述第一像素点与第二像素点的第一距离数据;
对多个所述第一距离数据按照升序进行排序处理,并确定排在前第一预设个数的第一距离数据对应的第二像素点为第一邻近像素点;
根据所述第一预设个数所述第一邻近像素点对应的第一距离数据的平均值,得到第一距离均值数据;
根据每个第一像素点对应的第一距离均值数据和高斯分布概率密度关系进行计算处理,得到高斯均值和标准差;
根据所述第一像素点对应的第一距离数据中小于所述高斯均值的第一距离数据的个数,得到第一邻域点个数;
当第一邻域点个数小于预设邻域点个数阈值时,确定所述第一像素点为第一噪声像素点;
当第一邻域点个数大于等于所述预设邻域点个数阈值时,确定所述第一像素点对应的第一距离数据中排在前第二预设个数的第一距离数据的平均值,得到第二距离均值数据;
当所述第二距离均值数据大于等于所述高斯均值与二倍所述标准差之和时,将所述第一像素点确定为第二噪声像素点;
当所述第二距离均值数据小于所述高斯均值与二倍所述标准差之和时,将所述第一像素点确定为有效像素点;
删除所述第一噪声像素点和所述第二噪声像素点,并根据所述有效像素点生成去噪后的三维点云数据。
优选的,所述距离数据为欧式距离数据。
优选的,所述距离数据为曼哈顿距离数据。
优选的,所述原始三维点云数据为通过飞行时间相机拍摄一帧场景图像生成的三维点云数据。
优选的,在所述根据第一像素点的第一位置数据与第二像素点的第二位置数据,得到所述第一像素点与第二像素点的第一距离数据之前,所述方法还包括:
调用预设深度校准方法对所述原始三维点云数据进行深度校准处理,得到校准后的三维点云数据。
进一步优选的,调用预设深度校准方法对所述原始三维点云数据进行深度校准处理,得到校准后的三维点云数据具体包括:
提取所述原始三维点云数据的各像素的图像横坐标、图像纵坐标和深度值;
根据每个像素的所述图像横坐标与所述图像纵坐标的平方和,得到相对距离值的平方;
根据所述深度值与所述相对距离值的平方差,得到校准深度值的平方;
使用所述校准深度值替换所述原始三维点云数据中对应像素的深度值,生成校准后的三维点云数据。
优选的,所述预设邻域点个数阈值为5。
优选的,所述第二预设个数小于等于所述第一预设个数。
进一步优选的,所述第一预设个数为30。
本发明实施例提供的一种三维点云数据的去噪处理方法,对三维点云数据中根据每个像素点最邻近的第一预设个数的第二像素点的距离数据计算出第一距离均值数据,并根据其满足高速近似点云分布的特点,计算出高斯均值和标准差,根据每个像素点与相邻近的像素点的距离数据、高斯均值和标准差进行两次判断,对每个像素点进行噪声像素点和有效像素点的确定,最终将噪声像素点从三维点云数据中删除,得到去噪后的三维点云数据。通过本发明实施例提供的三维点云数据的去噪处理算法具有鲁棒性强、计算量小、错误率低,质心偏移量低于的特点,对比传统三维滤波方法具有更好的客观有效性。
附图说明
图1为本发明实施例提供的一种三维点云数据的去噪处理方法流程图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的一种三维点云数据的去噪处理方法,图1为本发明实施例提供的一种三维点云数据的去噪处理方法流程图,如图所示,包括以下步骤:
步骤101,获取原始三维点云数据。
具体的,原始三维点云数据是由三维点云数据获取设备对其拍摄场景进行图像采集后,经数据处理后生成的三维点云数据。其中三维点云获取设备可以是激光红外扫描设备,结构光三维数据获取设备,飞行时间相机等。在本发明实施例中,原始三维点云数据为通过飞行时间相机拍摄一帧场景图像,经过数据处理后生成的三维点云数据。其中,原始三维点云数据包括多个像素点数据,每个像素点数据包括指示像素对应场景的空间位置的位置数据。
本发明实施例中,飞行时间相机分辨率为M×N(M、N都为正整数),所以其获取的深度图像数据具有M×N个像素点,每个像素点进一步包括指示像素点对应的场景的空间位置的三维坐标值x、y、z。
本发明实施例的一个具体例子中,飞行时间相机包括240×320分辨率的传感器和配套的飞行时间控制器,飞行时间相机采用850nm的红外光源作为发射光源,采集的深度数据包括相位信息、强度振幅信息、环境光和标志位。飞行时间相机采集的图像信息经过集成的处理模块生成原始三维点云数据。
步骤102,根据第一像素点的第一位置数据与第二像素点的第二位置数据,得到第一像素点与第二像素点的第一距离数据。
具体的,三维点云数据种的每个第一像素点都有多个与之相邻近的第二像素点,通过第一像素点的位置数据和与其对应的每个第二像素点的位置数据进行距离就算,可以得到多个第二像素点分别与第一像素点的第一距离数据。也即是说,每个第一像素点具有多个第一距离数据。
在本发明实施例的优选方案中,计算第一像素点与第二像素点的欧式距离。第一像素点的位置数据为其对应的三维坐标值(x1,y1,z1),第二像素点对应的位置数据为其对应的三维坐标值(x2,y2,z2),根据计算公式:
其中,d为第一像素点与第二像素点的欧式距离。
在本发明实施例的另一个优选方案中,计算第一像素点与第二像素点的曼哈顿距离。第一像素点的位置数据为其对应的三维坐标值(x1,y1,z1),第二像素点对应的位置数据为其对应的三维坐标值(x2,y2,z2),根据计算公式:
l=|x1-x2|+|y1-y2|+|z1-z2| (2)
其中,l为第一像素点与第二像素点的曼哈顿距离。
需要说明的是,在本步骤中,选定第一距离的就算方法后,就在之后的步骤中都按照本步骤所选定的距离计算方法进行像素点间的距离计算。一般情况下,按照欧式距离计算。
本发明实施例的优选方案中,在对原始三维点云数据进行去噪处理前,还对原始三维点云数据进行深度校准处理,生成校准后的三维点云数据,其处理步骤包括:
首先,提取原始三维点云数据的各像素的图像横坐标、图像纵坐标和深度值。
其次,根据每个像素的图像横坐标与图像纵坐标的平方和,得到相对距离值的平方。
再次,根据深度值与相对距离值的平方差,得到校准深度值的平方。
最后,使用校准深度值替换原始三维点云数据中对应像素的深度值,生成校准后的三维点云数据。
在对原始三维点云数据校准进行深度校准处理后,本步骤及之后的步骤实际处理的数据为校准后的三维点云数据。
步骤103,对多个第一距离数据按照升序进行排序处理,并确定排在前第一预设个数的第一距离数据对应的第二像素点为第一邻近像素点。
具体的,对每个第一像素点而言,都计算出它与相邻的多个第二像素点间的第一距离数据。对一个第一像素点对应的多个第二像素点按照第一距离数据的升序进行排序,并将排序在前第一预设个数的第二像素点确定为与第一像素点最邻近的第一预设个数个像素点,即第一预设个数个第一邻近像素点。其中,第一预设个数为本发明实施例在多次试验,对去噪效果进行比对后确定的,本发明实施例中,第一预设个数为30。也即是说,从与第一像素点相邻的第二像素点中确定30个与第一像素点最近的像素点为第一像素点的第一邻近像素点。
步骤104,根据第一预设个数第一邻近像素点对应的第一距离数据的平均值,得到第一距离均值数据。
具体的,对第一像素点的所有第一邻近像素点对应的第一距离数求平均值,得到第一像素点的第一距离均值数据。例如,第一预设个数为n,那么第一像素点对应有n个第一邻近像素点,每个第一邻近像素点与第一像素点之间的距离,也就是第一距离数据分别为d1、d2、d3……d29、d30,那么,根据计算公式:
dv=(d1、d2、d3……d29、d30)/n (3)
其中,dv为第一像素点对应的第一距离均值数据。
在本步骤中,对所有的第一像素点都能求出与其对应的第一距离均值数据。本发明实施例中,原始三位点云数据由分辨率为M×N的飞行时间相机生成,所以原始三维点云数据具有M×N像素点,在本步骤中,可以求得M×N个第一像素点中每个相对点对应的第一距离均值数据。
步骤105,根据每个第一像素点对应的第一距离均值数据和高斯分布概率密度关系进行计算处理,得到高斯均值和标准差。
具体的,对于三维点云数据中的所有第一像素点和其对应的第一距离均值数据来说,其满足高斯近似点云的分布,也就是满足高斯分布规律,所以每个第一像素点与其对应的第一距离均值数满足高斯分布概率密度函数关系:
其中,dvi为第i个第一像素点Pi的第一距离均值,也就是第i个第一像素点Pi与它对应的第一预设个第一邻近像素点的第一距离的平均值,μ为高斯均值,σ为标准差。经过对高斯均值和标准差进行求解,可以得到高斯均值和标准差。具体求解过程根据高斯分布的均值和方差求解方法完成,本实施例中不再赘述。
步骤106,根据第一像素点对应的第一距离数据中小于高斯均值的第一距离数据的个数,得到第一邻域点个数。
具体的,将第一像素点对应的多个第一距离数据与高斯均值进行比较,对小于高斯均值的第一距离数据进行个数统计,得到小于高斯均值的第一距离数据的个数,即为第一邻域点个数。例如,第一像素点对应的第一距离数据中有50个小于高斯均值,那么第一领域点个数就为50。
步骤107,当第一邻域点个数小于预设邻域点个数阈值时,确定第一像素点为第一噪声像素点。
具体的,比较第一邻域点个数与预设领域点个数阈值,当第一邻域点个数小于预设邻域点个数阈值时,将第一像素点判断为第一噪声像素点,并将被确定为第一噪声像素点的第一像素点标记为噪声像素点。
本发实施例的优选方案中,预设邻域点个数阈值为5。也就是说,当第一像素点的第一邻域点个数小于5时,该第一像素点就为第一噪声像素点。
步骤108,当第一邻域点个数大于等于预设邻域点个数阈值时,确定第一像素点对应的第一距离数据中排在前第二预设个数的第一距离数据的平均值,得到第二距离均值数据。
具体的,当第一领域点个数大于等于预设邻域点个数阈值时,需要对第一像素点进行进一步判断。此时,计算与第一像素点最邻近的第二预设个数的第一距离数据的平均值,得到第二距离均值数据。本发明实施例的优选方案中,第二预设个数小于等于第一预设个数。
在本发明实施例的优选方案中,第二预设个数与第一预设个数相等。例如:第一预设个数为30,第二预设个数也为30。
步骤109,当第二距离均值数据大于等于高斯均值与二倍标准差之和时,将第一像素点确定为第二噪声像素点。
具体的,第j个第一像素点Pj对应的第二距离均值为dvj,高斯均值为μ,标准差为σ,判断dvj与μ+2ⅹσ的大小关系。当dvj≥μ+2ⅹσ时,将第一像素点Pj确定为第二噪声像素点,并将Pj标记为噪声像素点。
步骤110,当第二距离均值数据小于高斯均值与二倍标准差之和时,将第一像素点确定为有效像素点。
具体的,第k个第一像素点Pk对应的第二距离均值为dvk根据步骤109的判断方法,当dvk<μ+2ⅹσ时,将第一像素点Pk确定为有效像素点,并将Pk标记为有效像素点。
步骤111,删除第一噪声像素点和第二噪声像素点,并根据有效像素点生成去噪后的三维点云数据。
具体的,对三维点云数据中的所有第一像素点进行判断后,每个第一像素点都将被标记为有效像素点或者噪声像素点。将所有标记为噪声像素点的第一像素点从三维点云数据中删除,同时保留所有标记为有效像素点的第一像素点,生成去噪后的三维点云数据。
本发明实施例提供的一种三维点云数据的去噪处理方法,对三维点云数据中根据每个像素点最邻近的第一预设个数的第二像素点的距离数据计算出第一距离均值数据,并根据其满足高速近似点云分布的特点,计算出高斯均值和标准差,根据每个像素点与相邻近的像素点的距离数据、高斯均值和标准差进行两次判断,对每个像素点进行噪声像素点和有效像素点的确定,最终将噪声像素点从三维点云数据中删除,得到去噪后的三维点云数据。通过本发明实施例提供的三维点云数据的去噪处理算法具有鲁棒性强、计算量小、错误率低,质心偏移量低于的特点,对比传统三维滤波方法具有更好的客观有效性。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种三维点云数据的去噪处理方法,其特征在于,所述方法包括:
获取原始三维点云数据;其中,原始三维点云数据包括多个像素点数据;
根据第一像素点的第一位置数据与第二像素点的第二位置数据,得到所述第一像素点与第二像素点的第一距离数据;
对多个所述第一距离数据按照升序进行排序处理,并确定排在前第一预设个数的第一距离数据对应的第二像素点为第一邻近像素点;
根据所述第一预设个数所述第一邻近像素点对应的第一距离数据的平均值,得到第一距离均值数据;
根据每个第一像素点对应的第一距离均值数据和高斯分布概率密度关系进行计算处理,得到高斯均值和标准差;
根据所述第一像素点对应的第一距离数据中小于所述高斯均值的第一距离数据的个数,得到第一邻域点个数;
当第一邻域点个数小于预设邻域点个数阈值时,确定所述第一像素点为第一噪声像素点;
当第一邻域点个数大于等于所述预设邻域点个数阈值时,确定所述第一像素点对应的第一距离数据中排在前第二预设个数的第一距离数据的平均值,得到第二距离均值数据;
当所述第二距离均值数据大于等于所述高斯均值与二倍所述标准差之和时,将所述第一像素点确定为第二噪声像素点;
当所述第二距离均值数据小于所述高斯均值与二倍所述标准差之和时,将所述第一像素点确定为有效像素点;
删除所述第一噪声像素点和所述第二噪声像素点,并根据所述有效像素点生成去噪后的三维点云数据;
其中,所述根据每个第一像素点对应的第一距离均值数据和高斯分布概率密度关系进行计算处理,得到高斯均值和标准差具体包括:
2.根据权利要求1所述三维点云数据的去噪处理方法,其特征在于,所述距离数据为欧式距离数据。
3.根据权利要求1所述三维点云数据的去噪处理方法,其特征在于,所述距离数据为曼哈顿距离数据。
4.根据权利要求1所述三维点云数据的去噪处理方法,其特征在于,所述原始三维点云数据为通过飞行时间相机拍摄一帧场景图像生成的三维点云数据。
5.根据权利要求1所述三维点云数据的去噪处理方法,其特征在于,在所述根据第一像素点的第一位置数据与第二像素点的第二位置数据,得到所述第一像素点与第二像素点的第一距离数据之前,所述方法还包括:
调用预设深度校准方法对所述原始三维点云数据进行深度校准处理,得到校准后的三维点云数据。
6.根据权利要求5所述三维点云数据的去噪处理方法,其特征在于,调用预设深度校准方法对所述原始三维点云数据进行深度校准处理,得到校准后的三维点云数据具体包括:
提取所述原始三维点云数据的各像素的图像横坐标、图像纵坐标和深度值;
根据每个像素的所述图像横坐标与所述图像纵坐标的平方和,得到相对距离值的平方;
根据所述深度值与所述相对距离值的平方差,得到校准深度值的平方;
使用所述校准深度值替换所述原始三维点云数据中对应像素的深度值,生成校准后的三维点云数据。
7.根据权利要求1所述三维点云数据的去噪处理方法,其特征在于,所述预设邻域点个数阈值为5。
8.根据权利要求1所述三维点云数据的去噪处理方法,其特征在于,所述第二预设个数小于等于所述第一预设个数。
9.根据权利要求8所述三维点云数据的去噪处理方法,其特征在于,所述第一预设个数为30。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010300735.1A CN111507919B (zh) | 2020-04-16 | 2020-04-16 | 一种三维点云数据的去噪处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010300735.1A CN111507919B (zh) | 2020-04-16 | 2020-04-16 | 一种三维点云数据的去噪处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507919A CN111507919A (zh) | 2020-08-07 |
CN111507919B true CN111507919B (zh) | 2023-07-14 |
Family
ID=71877691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010300735.1A Active CN111507919B (zh) | 2020-04-16 | 2020-04-16 | 一种三维点云数据的去噪处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507919B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419190B (zh) * | 2020-11-24 | 2023-06-20 | 海南大学 | 一种基于局部统计信息和几何距离的脉冲噪声滤波方法、系统 |
CN114627020B (zh) * | 2022-03-18 | 2023-06-20 | 易思维(杭州)科技有限公司 | 一种曲面工件反光噪点去除方法 |
CN116299318B (zh) * | 2023-05-18 | 2023-08-11 | 成都凯天电子股份有限公司 | 基于点云密度的直升机大气数据的去噪方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609904A (zh) * | 2012-01-11 | 2012-07-25 | 云南电力试验研究院(集团)有限公司电力研究院 | 双变量非局部平均滤波x射线图像消噪方法 |
CN102629367A (zh) * | 2012-01-17 | 2012-08-08 | 安徽建筑工业学院 | 基于KDTree的点云数据双边滤波去噪的方法 |
CN106408545A (zh) * | 2016-12-12 | 2017-02-15 | 哈尔滨工业大学 | 基于统计规律的生物图像去噪算法 |
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 |
CN106918813A (zh) * | 2017-03-08 | 2017-07-04 | 浙江大学 | 一种基于距离统计的三维声纳点云图像增强方法 |
CN109272524A (zh) * | 2018-08-27 | 2019-01-25 | 大连理工大学 | 一种基于阈值分割的小尺度点云噪声去噪方法 |
CN110009727A (zh) * | 2019-03-08 | 2019-07-12 | 深圳大学 | 一种具有结构语义的室内三维模型自动重构方法及系统 |
CN110782416A (zh) * | 2019-11-05 | 2020-02-11 | 北京深测科技有限公司 | 三维点云数据的去燥方法 |
CN110969624A (zh) * | 2019-11-07 | 2020-04-07 | 哈尔滨工程大学 | 一种激光雷达三维点云分割方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8977049B2 (en) * | 2010-01-08 | 2015-03-10 | Nvidia Corporation | System and method for estimating signal-dependent noise of an image |
EP2525326B1 (en) * | 2011-05-20 | 2014-05-14 | Sony Corporation | An image processing method and an image processing device |
-
2020
- 2020-04-16 CN CN202010300735.1A patent/CN111507919B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609904A (zh) * | 2012-01-11 | 2012-07-25 | 云南电力试验研究院(集团)有限公司电力研究院 | 双变量非局部平均滤波x射线图像消噪方法 |
CN102629367A (zh) * | 2012-01-17 | 2012-08-08 | 安徽建筑工业学院 | 基于KDTree的点云数据双边滤波去噪的方法 |
CN106408545A (zh) * | 2016-12-12 | 2017-02-15 | 哈尔滨工业大学 | 基于统计规律的生物图像去噪算法 |
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 |
CN106918813A (zh) * | 2017-03-08 | 2017-07-04 | 浙江大学 | 一种基于距离统计的三维声纳点云图像增强方法 |
CN109272524A (zh) * | 2018-08-27 | 2019-01-25 | 大连理工大学 | 一种基于阈值分割的小尺度点云噪声去噪方法 |
CN110009727A (zh) * | 2019-03-08 | 2019-07-12 | 深圳大学 | 一种具有结构语义的室内三维模型自动重构方法及系统 |
CN110782416A (zh) * | 2019-11-05 | 2020-02-11 | 北京深测科技有限公司 | 三维点云数据的去燥方法 |
CN110969624A (zh) * | 2019-11-07 | 2020-04-07 | 哈尔滨工程大学 | 一种激光雷达三维点云分割方法 |
Non-Patent Citations (2)
Title |
---|
Kaiqun Leng.An improved non-local means algorithm for imagedenoising.《2017 IEEE 2nd International Conference on Signal and Image Processing (ICSIP)》.2017,第149-153页. * |
王众豪.基于非局部均值和全变分模型的图像去噪算法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2019,I138-878. * |
Also Published As
Publication number | Publication date |
---|---|
CN111507919A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507919B (zh) | 一种三维点云数据的去噪处理方法 | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN106683070B (zh) | 基于深度相机的身高测量方法及装置 | |
KR101283262B1 (ko) | 영상 처리 방법 및 장치 | |
CN115761550A (zh) | 一种基于激光雷达点云和相机图像融合的水面目标检测方法 | |
CN110580481B (zh) | 一种基于epi的光场图像关键位置检测方法 | |
US11841421B2 (en) | Synthetic aperture radar image analysis system, synthetic aperture radar image analysis method, and synthetic aperture radar image analysis program | |
CN111768450A (zh) | 基于散斑图的结构光相机行偏差的自动检测方法和装置 | |
CN112686842B (zh) | 一种光斑检测方法、装置、电子设备及可读存储介质 | |
CN112991193A (zh) | 深度图像修复方法、设备及计算机可读存储介质 | |
CN115187676A (zh) | 一种高精度线激光三维重建标定方法 | |
CN109118453A (zh) | 一种背景抑制的图像处理方法 | |
CN114998365A (zh) | 一种基于极化干涉sar的地物分类方法 | |
CN116883588A (zh) | 一种大场景下的三维点云快速稠密重建方法及系统 | |
CN111948658A (zh) | 水底地貌影像识别匹配的深水区定位方法 | |
CN108388854A (zh) | 一种基于改进fast-surf算法的定位方法 | |
KR101129220B1 (ko) | 레인지 영상의 노이즈 제거장치 및 방법 | |
CN110782416B (zh) | 三维点云数据的去噪方法 | |
US8818124B1 (en) | Methods, apparatus, and systems for super resolution of LIDAR data sets | |
CN115236643B (zh) | 一种传感器标定方法、系统、装置、电子设备及介质 | |
CN116580121A (zh) | 一种基于深度学习的单张绘画生成2d模型的方法及系统 | |
CN115880371A (zh) | 一种红外视角下反光靶标中心定位方法 | |
CN112325790B (zh) | 一种激光挠度测量中激光光斑检测方法 | |
CN118521777B (zh) | 基于点扩散函数拟合的红外弱小目标检测方法及系统 | |
WO2024057904A1 (ja) | 情報処理装置、情報処理方法、およびプログラム |
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 |