CN113658077A - 一种基于曲率的分区域双边海量点云降噪方法 - Google Patents
一种基于曲率的分区域双边海量点云降噪方法 Download PDFInfo
- Publication number
- CN113658077A CN113658077A CN202110952423.3A CN202110952423A CN113658077A CN 113658077 A CN113658077 A CN 113658077A CN 202110952423 A CN202110952423 A CN 202110952423A CN 113658077 A CN113658077 A CN 113658077A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- point
- noise reduction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000002146 bilateral effect Effects 0.000 title claims abstract description 40
- 238000001914 filtration Methods 0.000 claims abstract description 45
- 238000005070 sampling Methods 0.000 claims abstract description 39
- 239000013598 vector Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000003672 processing 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及海量点云数据的降噪技术领域,具体是一种基于曲率的分区域双边海量点云降噪方法,用于解决现有技术中不能高效处理航空复杂结构特征工件的海量点云数据点云,以及不能解决点云数据降噪过程中丢失边缘特征而过度光顺的问题。本发明首先通过对原始包含噪声点云数据栅格化进行降采样,然后基于曲率将点云数据分为尖锐特征的高频区域和特征平缓的低频区域,针对低频区域采用中值滤波方法,高频区域采用改进的双边滤波方法,这样可以合理减少点云数据的处理量,提高点云数据的处理效率,同时可以在一定程度上避免点云降噪过程中产生过度光顺而丢失边缘特征,从而引起数据失真,增强对扫描对象的还原度。
Description
技术领域
本发明涉及海量点云数据的降噪技术领域,更具体的是涉及一种基于曲率的分区域双边海量点云降噪方法。
背景技术
随着现代航空航天对精密制造的强烈需求,三维扫描技术在飞机装配以及复杂主体结构件数控加工以及检测等场合中的应用越来越频繁,由于三维数字化扫描设备的迅猛发展,同时为了获取更加精确的扫描对象的形貌信息,要对扫描对象进行全型面扫描,所得点云数据规模往往是数以万计,这必然加大点云数据处理器的负担以及降低点云处理效率,点云处理一般包括降噪、光顺以及曲面重建等步骤。
现有技术中一种基于曲率特征分类的散乱点云滤波算法,实现了散乱点云的保持特征光顺处理,但不能较好地保证降噪过程中一些边缘特征点的保留,一种基于特征选择的双边滤波算法,该方法能够在降噪的同时有效保持扫描对象特征以及降低双边滤波过程中的因不能兼顾领域点特征而过度光顺性问题。
可见,已有的点云处理方法在不同程度上解决了点云降噪过程中丢失边缘特征而过度光顺、曲面重建精度低等问题,但是针对具有复杂结构特征的海量点云数据,如何高效处理点云数据的同时又能保持扫描对象良好的形貌信息是亟待解决的问题。
发明内容
基于以上问题,本发明提供了一种基于曲率的分区域双边海量点云降噪方法,用于解决现有技术中不能高效处理航空复杂结构特征工件的海量点云数据点云,以及不能解决点云数据降噪过程中丢失边缘特征而过度光顺的问题。本发明中首先通过对原始包含噪声点云数据栅格化进行降采样,然后基于曲率将点云数据分为尖锐特征的高频区域和特征平缓的低频区域,针对低频区域采用中值滤波方法,高频区域采用改进的双边滤波方法,这样可以合理减少点云数据的处理量,提高点云数据的处理效率,通过改进的双边滤波方法,可以保证在滤波过程中采样点与邻域内点的欧式距离对降噪效果不产生较显著的影响,可以在一定程度上避免点云数据降噪过程产生过度光顺而丢失边缘特征,从而引起数据失真,增强对扫描对象的还原度。
本发明为了实现上述目的具体采用以下技术方案:
一种基于曲率的分区域双边海量点云降噪方法,包括以下步骤:
S1:对原始点云数据进行体素栅格降采样,并计算栅格边长;
S1包括如下步骤:
S1.1:确定包围盒边长,点云数据在x轴、y轴、z轴方向的最大范围分别是:
式中:Lx、Ly、Lz分别表示点云数据在x轴、y轴、z轴方向的最大范围,Xmax、Ymax、Zmax分别表示点云数据在x轴、y轴、z轴方向的最大坐标值;Xmin、Ymin、Zmin分别表示点云数据在x轴、y轴、z轴方向的最小坐标值;
S1.2:计算小立方体栅格边长,计算公式为:
为了调节小立方体栅格的边长,令L=λL',式中λ为比例因子,用来调节小立方体栅格的边长,根据点云降噪效果而变化;ω表示比例系数,其由点云密度决定,N表示待处理点云数量;
设原始点云数据为集合A,根据确定的体素栅格边长L′,设定栅格内的点云密度阈值b,对原始点云数据进行降采样得到点云数据集合B。
S2:将体素栅格降采样后的点云数据分为低频区域和高频区域;
S3:对低频区域的点云数据进行中值滤波降噪,对高频区域的点云数据进行双边滤波降噪;
对低频区域的点云数据进行中值滤波降噪时,中值滤波的原理为:将当前采样点k近邻里面的所有点云数据从小到大排序,用k邻域里面点数据的中值代替当前采样点,计算公式为:
(median(x),median(y),median(z))→(x0',y0',z0')
式中median(x)表示求x方向的中值函数,median(y)表示求y方向的中值函数,median(z)表示在z方向的中值函数,x0′、y0′、z0′分别表示x轴、y轴、z轴方向采样点k邻域内求得的中值点的坐标;
通过中值滤波降噪后,低频区域S2的点云数据得到最终处理完的点云数据集C。
对高频区域的点云数据进行双边滤波降噪时,对于高频区域S1的点云数据来说,通过改进的双边滤波的方法来降噪双边滤波的方法为p′=p+αn,其中p为原点云,p′为降噪后的点云数据,n为法矢方向,α为双边滤波因子,双边滤波因子的计算公式为:
定义光顺滤波权函数为特征保持权重函数其中x表示采样点p与其邻域点pj的距离,σs=max(||p-pj||),ξ=<p-pj,n>,对空间特征保持权函数添加距离权重项Wij=Da-Db,所以空间特征保持权重函数为
其中,k和j均表示求和的累加求和的范围,表示k邻域内采样点与k邻域点表示的向量与法矢量n之间的内积平均值;Da表示采样点在k邻域内与其特点距离的最大值,Db表示采样点在k邻域内与其特点距离的最小值,Wij表示距离权重函数,ξj表示向量内积,pj表示采样点p的邻域点,<p-pj,n>表示采样点与k邻域点的向量与法矢量n之间的内积,||<p-pj,n>||表示两个向量之间内积的模长,||p-pj||表示向量模长,即两点之间的距离;
通过双边滤波降噪后,高频区域S1的点云数据得到最终处理完的点云数据集C。
本发明的有益效果如下:
本发明中首先通过对原始包含噪声点云数据栅格化进行降采样,然后基于曲率将点云数据分为尖锐特征的高频区域和特征平缓的低频区域,针对低频区域采用中值滤波方法,高频区域采用改进的双边滤波方法,这样可以合理减少点云数据的处理量,提高点云数据的处理效率,通过改进双边滤波方法,可以保证在滤波过程中采样点与邻域内点的欧式距离对降噪效果不产生较显著的影响,可以在一定程度上避免点云数据降噪过程产生过度光顺而丢失边缘特征,从而引起数据失真,增强对扫描对象的还原度。
附图说明
图1为本发明的流程图;
具体实施方式
为了本技术领域的人员更好的理解本发明,下面结合附图和以下实施例对本发明作进一步详细描述。
实施例:
如图1所示,一种基于曲率的分区域双边海量点云降噪方法,包括以下步骤:
S1:对原始点云数据进行体素栅格降采样,并计算栅格边长;
S1包括如下步骤:
S1.1:确定包围盒边长,点云数据在x轴、y轴、z轴方向的最大范围分别是:
式中:Lx、Ly、Lz分别表示点云数据在x轴、y轴、z轴方向的最大范围,Xmax、Ymax、Zmax分别表示点云数据在x轴、y轴、z轴方向的最大坐标值;Xmin、Ymin、Zmin分别表示点云数据在x轴、y轴、z轴方向的最小坐标值;
S1.2:计算小立方体栅格边长,计算公式为:
为了调节小立方体栅格的边长,令L=λL',式中λ为比例因子,用来调节小立方体栅格的边长,根据点云降噪效果而变化;ω表示比例系数,其由点云密度决定,点云密度由点云数目N和点云坐标范围决定,N表示待处理点云数量;计算L是为了确定体素栅格边长,进行体素栅格滤波下采样。
设原始点云数据为集合A,根据确定的体素栅格边长L′,设定栅格内的点云密度阈值b,对原始点云数据进行降采样得到点云数据集合B,点云密度阈值b影响海量点云原始数据降采样的效果,阈值过大,点云模型会失真,阈值过小,起不到下采样的目的,不能为后面的分区域降噪提供良好的点云数据,所以需要设定点云密度阈值b。
S2:将体素栅格降采样后的点云数据分为低频区域和高频区域;
S3:对低频区域的点云数据进行中值滤波降噪,对高频区域的点云数据进行双边滤波降噪;
对低频区域的点云数据进行中值滤波降噪时,中值滤波的原理为:将当前采样点k近邻里面的所有点云数据从小到大排序,用k邻域里面点数据的中值代替当前采样点,计算公式为:
(median(x),median(y),median(z))→(x0',y0',z0')
式中median(x)表示求x方向的中值函数,median(y)表示求y方向的中值函数,median(z)表示在z方向的中值函数,x0′、y0′、z0′分别表示x轴、y轴、z轴方向采样点k邻域内求得的中值点的坐标;
通过中值滤波降噪后,低频区域S2的点云数据得到最终处理完的点云数据集C。
对高频区域的点云数据进行双边滤波降噪时,对于高频区域S1的点云数据来说,通过改进的双边滤波的方法来降噪双边滤波的方法为p′=p+αn,其中p为原点云,p′为降噪后的点云数据,n为法矢方向,α为双边滤波因子,双边滤波因子的计算公式为:
定义光顺滤波权函数为特征保持权重函数其中x表示采样点p与其邻域点pj的距离,σs=max(||p-pj||),ξ=<p-pj,n>,对空间特征保持权函数添加距离权重项Wij=Da-Db,所以空间特征保持权重函数为 算出空间特征保持权重函数为Ws'后,再将Ws'带入双边滤波因子的计算公式中,将Ws换为Ws'得到改进后的双边滤波因子α,再将改进后的双边滤波因子α带入p'=p+αn中,即可对高频区域S1的点云数据进行双边滤波降噪处理。
其中,k和j均表示求和的累加求和的范围,表示k邻域内采样点与k邻域点表示的向量与法矢量n之间的内积平均值;Da表示采样点在k邻域内与其特点距离的最大值,Db表示采样点在k邻域内与其特点距离的最小值,Wij表示距离权重函数,ξj表示向量内积,pj表示采样点p的邻域点,<p-pj,n>表示采样点与k邻域点的向量与法矢量n之间的内积,||<p-pj,n>||表示两个向量之间内积的模长,||p-pj||表示向量模长,即两点之间的距离;
通过双边滤波降噪后,高频区域S1的点云数据得到最终处理完的点云数据集C。
综上,针对航空复杂结构特征工件的海量点云数据点处理效率低以及解决点云降噪过程中丢失边缘特征而过度光顺的问题,通过上述技术方案先对原始包含噪声点云数据栅格化进行降采样,然后基于曲率将点云数据分为尖锐特征的高频区域和特征平缓的低频区域,针对低频区域采用中值滤波方法,高频区域采用改进的双边滤波方法,这样可以合理减少点云数据的处理量,提高点云数据的处理效率,通过改进双边滤波方法,可以保证在滤波过程中采样点与邻域内点的欧式距离对降噪效果不产生较显著的影响,可以在一定程度上避免点云数据降噪过程产生过度光顺而丢失边缘特征,从而引起数据失真,增强对扫描对象的还原度。
如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明验证过程,并非用以限制本发明的专利保护范围,本发明的专利保护范围仍然以其权利要求书为准。
Claims (4)
1.一种基于曲率的分区域双边海量点云降噪方法,其特征在于,包括以下步骤:
S1:对原始点云数据进行体素栅格降采样,并计算栅格边长;
S2:将体素栅格降采样后的点云数据分为低频区域和高频区域;
S3:对低频区域的点云数据进行中值滤波降噪,对高频区域的点云数据进行双边滤波降噪;
S1包括如下步骤:
S1.1:确定包围盒边长,点云数据在x轴、y轴、z轴方向的最大范围分别是:
式中:Lx、Ly、Lz分别表示点云数据在x轴、y轴、z轴方向的最大范围,Xmax、Ymax、Zmax分别表示点云数据在x轴、y轴、z轴方向的最大坐标值;Xmin、Ymin、Zmin分别表示点云数据在x轴、y轴、z轴方向的最小坐标值;
S1.2:计算小立方体栅格边长,计算公式为:
为了调节小立方体栅格的边长,令L=λL',式中λ为比例因子,用来调节小立方体栅格的边长,根据点云降噪效果而变化;ω表示比例系数,其由点云密度决定,N表示待处理点云数量;
设原始点云数据为集合A,根据确定的体素栅格边长L′,设定栅格内的点云密度阈值b,对原始点云数据进行降采样得到点云数据集合B。
3.根据权利要求2所述的一种基于曲率的分区域双边海量点云降噪方法,其特征在于:S3中中值滤波的原理为:将当前采样点k近邻里面的所有点云数据从小到大排序,用k邻域里面点数据的中值代替当前采样点,计算公式为:
(median(x),median(y),median(z))→(x0',y0',z0')
式中,median(x)表示求x方向的中值函数,median(y)表示求y方向的中值函数,median(z)表示在z方向的中值函数,x0′、y0′、z0′分别表示x轴、y轴、z轴方向采样点k邻域内求得的中值点的坐标;
通过中值滤波降噪后,低频区域S2的点云数据得到最终处理完的点云数据集C。
4.根据权利要求2所述的一种基于曲率的分区域双边海量点云降噪方法,其特征在于:S3中双边滤波的方法为p′=p+αn,其中p为原点云,p′为降噪后的点云数据,n为法矢方向,α为双边滤波因子,双边滤波因子的计算公式为:
定义光顺滤波权函数为特征保持权重函数其中x表示采样点p与其邻域点pj的距离,σs=max(||p-pj||),ξ=<p-pj,n>,对空间特征保持权函数添加距离权重项Wij=Da-Db,所以空间特征保持权重函数为
其中,k和j均表示求和的累加求和的范围,表示k邻域内采样点与k邻域点表示的向量与法矢量n之间的内积平均值;Da表示采样点在k邻域内与其特点距离的最大值,Db表示采样点在k邻域内与其特点距离的最小值,Wij表示距离权重函数,ξj表示向量内积,pj表示采样点p的邻域点,<p-pj,n>表示采样点与k邻域点的向量与法矢量n之间的内积,||<p-pj,n>||表示两个向量之间内积的模长,||p-pj||表示向量模长,即两点之间的距离;
通过双边滤波降噪后,高频区域S1的点云数据得到最终处理完的点云数据集C。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110952423.3A CN113658077A (zh) | 2021-08-19 | 2021-08-19 | 一种基于曲率的分区域双边海量点云降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110952423.3A CN113658077A (zh) | 2021-08-19 | 2021-08-19 | 一种基于曲率的分区域双边海量点云降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113658077A true CN113658077A (zh) | 2021-11-16 |
Family
ID=78481211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110952423.3A Pending CN113658077A (zh) | 2021-08-19 | 2021-08-19 | 一种基于曲率的分区域双边海量点云降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658077A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114396892A (zh) * | 2021-12-02 | 2022-04-26 | 重庆交通大学 | 轨道交通曲线轨道曲率测量方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106600617A (zh) * | 2016-12-29 | 2017-04-26 | 中科宇图科技股份有限公司 | 基于曲率从Lidar点云数据提取建筑物轮廓线的方法 |
CN111968224A (zh) * | 2020-08-14 | 2020-11-20 | 南通诺德瑞海洋工程研究院有限公司 | 船舶3d扫描点云数据处理方法 |
-
2021
- 2021-08-19 CN CN202110952423.3A patent/CN113658077A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106600617A (zh) * | 2016-12-29 | 2017-04-26 | 中科宇图科技股份有限公司 | 基于曲率从Lidar点云数据提取建筑物轮廓线的方法 |
CN111968224A (zh) * | 2020-08-14 | 2020-11-20 | 南通诺德瑞海洋工程研究院有限公司 | 船舶3d扫描点云数据处理方法 |
Non-Patent Citations (1)
Title |
---|
王凯旋: "《基于双目立体视觉的气瓶内壁缺陷检测与三维重建应用研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114396892A (zh) * | 2021-12-02 | 2022-04-26 | 重庆交通大学 | 轨道交通曲线轨道曲率测量方法 |
CN114396892B (zh) * | 2021-12-02 | 2023-08-25 | 重庆交通大学 | 轨道交通曲线轨道曲率测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986048B (zh) | 基于线激光扫描三维点云快速复合滤波处理方法 | |
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 | |
Song et al. | A progressive point cloud simplification algorithm with preserved sharp edge data | |
CN105096268A (zh) | 一种点云去噪平滑方法 | |
CN106504332A (zh) | 三维点云的曲面重建方法和装置 | |
CN113628263A (zh) | 一种基于局部曲率及其近邻特征的点云配准方法 | |
CN115222625A (zh) | 一种基于多尺度噪声的激光雷达点云去噪方法 | |
CN110807781A (zh) | 一种保留细节与边界特征的点云精简方法 | |
CN112651889A (zh) | 一种适用于slam点云去噪的融合滤波方法、电子设备、存储介质 | |
CN112036417A (zh) | 一种基于三角网格的激光点云特征点提取方法 | |
Ren et al. | Overall filtering algorithm for multiscale noise removal from point cloud data | |
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 | |
CN111539934B (zh) | 一种线激光中心的提取方法 | |
US7142206B1 (en) | Shared N-patch edges | |
CN113658077A (zh) | 一种基于曲率的分区域双边海量点云降噪方法 | |
CN113177897A (zh) | 一种无序3d点云的快速无损滤波方法 | |
Agam et al. | A sampling framework for accurate curvature estimation in discrete surfaces | |
Kang et al. | Research on improved region growing point cloud algorithm | |
CN107862749B (zh) | 一种点云几何细节特征去除方法 | |
CN112381945B (zh) | 三维模型过渡面的重建方法及系统 | |
Tang et al. | A novel structure adaptive algorithm for feature-preserving 3d mesh denoising | |
CN112270746A (zh) | 基于邻域协方差特征参数阈值的铝合金3d打印点云精简算法 | |
CN107067458B (zh) | 一种增强纹理平流的可视化方法 | |
CN112819945B (zh) | 一种基于稀疏视点视频的流体重建方法 | |
Chen et al. | A method for dynamic simplification of massive point cloud |
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 |