CN114581331A - 一种适用于多种场景的点云降噪方法及装置 - Google Patents

一种适用于多种场景的点云降噪方法及装置 Download PDF

Info

Publication number
CN114581331A
CN114581331A CN202210246971.9A CN202210246971A CN114581331A CN 114581331 A CN114581331 A CN 114581331A CN 202210246971 A CN202210246971 A CN 202210246971A CN 114581331 A CN114581331 A CN 114581331A
Authority
CN
China
Prior art keywords
point cloud
voxel
point
noise reduction
neighborhood
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
Application number
CN202210246971.9A
Other languages
English (en)
Inventor
周浩源
彭斌
姚毅
全煜鸣
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.)
Shenzhen Lingyun Shixun Technology Co ltd
Luster LightTech Co Ltd
Original Assignee
Shenzhen Lingyun Shixun Technology Co ltd
Luster LightTech Co Ltd
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 Shenzhen Lingyun Shixun Technology Co ltd, Luster LightTech Co Ltd filed Critical Shenzhen Lingyun Shixun Technology Co ltd
Priority to CN202210246971.9A priority Critical patent/CN114581331A/zh
Publication of CN114581331A publication Critical patent/CN114581331A/zh
Pending legal-status Critical Current

Links

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
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本申请提供一种适用于多种场景的点云降噪方法及装置，方法包括获取3D原始点云；对3D原始点云进行体素网格划分，并获取体素网格索引；根据体素网格索引和3D原始点云的场景，采用对应的点云降噪算法剔除3D原始点云的离群点，得到离群点剔除点云；根据体素网格索引和3D原始点云的场景，采用对应的点云平滑算法对离群点剔除点云进行平滑修正，得到降噪结果点云。本申请通首先对3D原始点云进行体素网格划分，快速获取3D原始点云的拓扑关系，提升对目标点邻域的搜索效率；其次通过点云降噪算法对离群点进行去除；最后通过加权平均平滑算法对去除离群点之后的点云进行平滑修正，可以较完整地保留边缘特征点，降噪精度更高，平滑效果更好。

Description

一种适用于多种场景的点云降噪方法及装置
技术领域
本申请涉及计算机视觉技术领域，尤其涉及一种适用于多种场景的点云降噪方法及装置。
背景技术
目前，三维机器视觉检测技术已经被广泛应用于工业智能制造邻域。在实际检测项目中，三维机器视觉检测技术通常使用高分辨率相机获取物体表面的3D点云数据。由于环境光噪声、相机光源固有的非线性误差以及物体表面颜色等因素的影响，获取到的3D点云数据中存在离群点噪声，导致3D点云数据的处理精度较低。因此，需要通过点云降噪算法剔除3D点云数据中的离群点，对3D点云数据进行平滑修正，即降噪处理。
为了提高3D点云数据的处理精度，现有技术提供了一种基于统计学的点云降噪方法对获取到的3D点云数据进行降噪处理。该方法首先构建3D点云数据的搜索树拓扑结构；然后根据搜索树拓扑结构，统计3D点云数据邻域平均点距的均值和标准差；最后根据服从正态分布的原则剔除离群点。
但是上述基于统计学的点云降噪方法在剔除3D点云数据中离群点的同时，无法很好的保留3D点云数据的边缘特征点，降噪精度较低。
发明内容
本申请提供了一种适用于多种场景的点云降噪方法及装置，以解决现有技术中存在的在剔除3D点云数据中离群点的同时，无法很好的保留3D点云数据的边缘特征点，降噪精度较低的问题。
第一方面，本申请提供一种适用于多种场景的点云降噪方法，包括：
获取3D原始点云，所述3D原始点云包括至少一个目标点；
对所述3D原始点云进行体素网格划分，并获取体素网格索引，所述体素网格索引包括至少一个所述目标点及与目标点相对应的体素网格索引号；
根据所述体素网格索引和3D原始点云的场景，采用对应的点云降噪算法剔除所述3D原始点云的离群点，得到离群点剔除点云；
根据所述体素网格索引和3D原始点云的场景，采用对应的点云平滑算法对所述离群点剔除点云进行平滑修正，得到降噪结果点云。
在本申请的较佳实施例中，对所述3D原始点云进行体素网格划分，并获取体素网格索引，包括：
创建可以包围所述3D原始点云的三维体素网格；
根据所述三维体素网格和单个体素网格尺寸，将所述3D原始点云中的每个目标点归属至对应的单个体素网格中；
记录与所述目标点相对应的单个体素网格索引号，得到体素网格索引。
在本申请的较佳实施例中，根据所述体素网格索引和3D原始点云的场景，采用对应的点云降噪算法剔除所述3D原始点云的离群点，得到离群点剔除点云，包括：
根据所述体素网格索引，搜索所述3D原始点云中所述目标点的体素邻域点；
统计所述目标点的体素邻域点数，并计算所述目标点与各个体素邻域点之间的欧氏距离均值和标准差；
根据高斯分布特性和3D原始点云的场景，确定体素邻域点数阈值或欧氏距离阈值；
剔除所述3D原始点云中在所述体素邻域点数阈值或欧氏距离阈值范围之外的离群点，得到离群点剔除点云。
在本申请的较佳实施例中，根据所述体素网格索引和3D原始点云的场景，采用对应的点云平滑算法对所述离群点剔除点云进行平滑修正，得到降噪结果点云，包括：
获取所述离群点剔除点云中目标点的体素邻域信息，所述体素邻域信息包括至少一个体素邻域点；
根据3D原始点云的场景，对至少一个所述体素邻域点采用对应的点云平滑算法进行降噪处理，得到降噪结果点云，所述点云平滑算法包括双边滤波、三边滤波和MLS移动最小二乘法。
在本申请的较佳实施例中，采用双边滤波的点云平滑算法对离群点剔除点云进行平滑修正的过程如下：
根据三维体素网格和体素网格索引，设置固定的体素邻域搜索数；
按照所述体素邻域搜索数对离群点剔除点云中的目标点进行搜索后，得到与所述目标点对应的体素邻域；
采用双边滤波对所述体素邻域进行加权修正，得到与所述目标点对应的平滑修正目标点；
将至少一个所述平滑修正目标点组合输出为降噪结果点云。
在本申请的较佳实施例中，采用三边滤波的点云平滑算法对离群点剔除点云进行平滑修正的过程如下：
根据三维体素网格和体素网格索引，设置固定的体素邻域搜索数；
按照所述体素邻域搜索数对离群点剔除点云中的目标点进行搜索后，得到与所述目标点对应的体素邻域；
采用三边滤波对所述体素邻域进行加权修正，得到与所述目标点对应的平滑修正目标点；
将至少一个所述平滑修正目标点组合输出为降噪结果点云。
在本申请的较佳实施例中，采用MLS移动最小二乘法的点云平滑算法对离群点剔除点云进行平滑修正的过程如下：
根据三维体素网格和体素网格索引，设置固定的体素邻域搜索数；
按照所述体素邻域搜索数对离群点剔除点云中的目标点进行搜索后，得到与所述目标点对应的体素邻域，所述体素邻域包括至少一个体素邻域点；
建立所述体素邻域的局部坐标系；
计算所述体素邻域点在所述局部坐标系中的坐标值；
将坐标值带入二次曲面方程进行二次曲面拟合，得到局部拟合二次曲面；
求取所述目标点在所述局部拟合曲面上对应的目标投影点；
将至少一个所述目标投影点组合输出为降噪结果点云。
第二方面，本申请提供一种适用于多种场景的点云降噪装置，所述点云降噪装置包括相互连接的获取单元、体素网格划分单元、点云降噪单元和点云平滑单元；
其中，所述获取单元被配置为：
获取3D原始点云，所述3D原始点云包括至少一个目标点；
所述体素网格划分单元被配置为：
对所述3D原始点云进行体素网格划分，并获取体素网格索引，所述体素网格索引包括目标点及目标点对应的体素网格索引号；
所述点云降噪单元被配置为：
根据所述体素网格索引和3D原始点云的场景，采用对应的点云降噪算法剔除所述3D原始点云的离群点，得到离群点剔除点云；
所述点云平滑单元被配置为：
根据所述体素网格索引和3D原始点云的场景，采用对应的点云平滑算法对所述离群点剔除点云进行平滑修正，得到降噪结果点云。
第三方面，本申请提供一种终端设备，包括存储器、处理器以及存储在所述存储器中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一种适用于多种场景的点云降噪方法的步骤。
第四方面，本申请提供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程序，所述计算机程序被处理器执行时实现一种适用于多种场景的点云降噪方法的步骤。
本申请提供的一种适用于多种场景的点云降噪方法及装置，相较于现有技术而言，具有以下有益效果：
本申请首先通过采用体素网格划分算法对输入的3D原始点云进行处理，可以快速获取3D原始点云的体素网格索引，即拓扑关系，相较于现有的kd-Tree或oc-Tree搜索树搜索的方法可以很大程度提升对3D原始点云中每个目标点邻域的搜索效率；其次，通过基于邻域点数或邻域点距的离群点剔除方法对离群点进行去除，算法过程简单，耗时较短，可以有效提高对3D原始点云中离群点剔除的精度和效率；最后通过基于双边滤波或三边滤波或MLS移动最小二乘法等一系列改进的加权平均平滑算法对去除离群点之后的点云进行平滑修正，可以较完整地保留3D原始点云的边缘特征点，点云降噪精度更高，平滑效果更好。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例1的一种适用于多种场景的点云降噪方法流程图；
图2是本申请实施例1中基于双边滤波或三边滤波的点云平滑算法原理图；
图3是本申请实施例1中基于MLS移动最小二乘法的点云平滑算法原理图。
具体实施方式
为使本申请的目的、实施方式和优点更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，所描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
基于本申请描述的示例性实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请所附权利要求保护的范围。此外，虽然本申请中公开内容按照示范性一个或几个实例来介绍，但应理解，可以就这些公开内容的各个方面也可以单独构成一个完整实施方式。
需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
为便于对申请的技术方案进行，以下首先在对本申请所涉及到的一些概念进行说明。
在本申请中，诸如“第一”、“第二”等术语仅仅是用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或顺序。另外，术语“包括”、“还包括”、“被配置为”或者任何其他变体意在涵盖非排他性的包含，从而使得其不仅包括明确列出的要素，还包括没有明确列出的其他要素。因此，不会造成本申请的方案不清楚。
现有技术中也提供了一种基于分割的点云降噪方法，该方法通过设置3D点云数据在XYZ三个方向上的边界上下限，剔除在边界上下限范围之外的离群点。上述方法的算法过程简单，但是无法处理距离3D点云数据较近的离群点，降噪精度较低。
现有技术中还提供了一种基于半径滤波的点云降噪方法，该方法通过构建3D点云数据的搜索树拓扑结构，统计3D点云数据中各个目标点的邻域点数，筛选出离散点。上述方法需要进行球邻域搜索，搜索过程复杂，算法耗时较长，且邻域点数阈值的具体数值不好确定，降噪效果不佳。
实施例1
如图1所示，本实施例1提供了一种适用于多种场景的点云降噪方法，所述方法包括：
S101，获取3D原始点云，所述3D原始点云包括至少一个目标点；
S102，对所述3D原始点云进行体素网格划分，并获取体素网格索引，所述体素网格索引包括目标点及目标点对应的体素网格索引号；
S103，根据所述体素网格索引和3D原始点云的场景，采用对应的点云降噪算法剔除所述3D原始点云的离群点，得到离群点剔除点云；
S104，根据所述体素网格索引和3D原始点云的场景，采用对应的点云平滑算法对所述离群点剔除点云进行平滑修正，得到降噪结果点云。
进一步地，在本实施例1的一种具体实施方式中，步骤S102中对所述3D原始点云进行体素网格划分，并获取体素网格索引的步骤包括：
创建可以包围所述3D原始点云的三维体素网格，所述三维体素网格根据预设的单个体素网格尺寸进行创建；
根据所述三维体素网格和所述单个体素网格尺寸，将所述3D原始点云中的每个目标点归属至对应的单个体素网格中；
记录所述3D原始点云中与每个目标点对应的单个体素网格索引号，得到体素网格索引。
更进一步地，在本实施例1的一种具体实施方式中，创建可以包围所述3D原始点云的三维体素网格的具体过程如下：
计算所述3D原始点云的轴向包围框；
获取所述轴向包围框的最大边界点和最小边界点；
将所述最大边界点和最小边界点分别偏移半个体素网格尺寸，得到可包围3D原始点云的三维体素网格。
进一步地，在本实施例1的一种具体实施方式中，步骤S103，根据所述体素网格索引和3D原始点云的场景，采用对应的点云降噪算法剔除所述3D原始点云的离群点，得到离群点剔除点云，包括：
根据所述体素网格索引，搜索所述3D原始点云中每个目标点的体素邻域点；
根据3D原始点云的场景，统计所述目标点的体素邻域点数，并计算所述目标点与各个体素邻域点之间的欧氏距离均值和标准差；
根据高斯分布特性和3D原始点云的场景，确定体素邻域点数阈值或欧氏距离阈值；
剔除所述3D原始点云中在所述体素邻域点数阈值或欧氏距离阈值范围之外的离群点，得到离群点剔除点云。
需要特别说明的是，高斯分布特性具体指的是由距离均值M、标准差ó和预设的标准差系数N确定体素邻域点数阈值或欧氏距离阈值，具体公式为：Thresh＝M+N*ó，Thresh表示体素邻域点数阈值或欧氏距离阈值，具体指的是哪个阈值根据实际中采用的参数而定，各个参数的具体数值范围也根据实际情况而定，本申请对其不做限制。
具体地，在本实施例1中，步骤S103的具体处理过程如下：
按照所述体素网格索引及预设的体素邻域搜索数，搜索所述3D原始点云中每个目标点的体素近邻，体素近邻搜索结果为当前体素网格邻近多个体素网格内包含的所有目标点；
统计所述3D原始点云中每个目标点对应的体素邻域点数；
计算所有体素邻域点数的平均值作为所述3D原始点云的邻域点数阈值；
根据预设的标准差系数，获取邻域平均点数阈值；
剔除所述3D原始点云中在所述邻域平均点数阈值范围之外的离群点，得到离群点剔除点云。
更进一步地，具体地，在本实施例1中，步骤S103的具体处理过程如下：
按照所述体素网格索引及预设的体素邻域搜索数，搜索所述3D原始点云中每个目标点的体素近邻，体素近邻搜索结果为当前体素网格邻近多个体素网格内包含的所有目标点；
统计所述3D原始点云中每个目标点对应的体素邻域点数；
计算每个目标点与其对应的多个体素邻域点之间的局部点平均距离；
根据所述局部点平均距离，计算所述3D原始点云的全局邻域均值和标准差；
根据预设的标准差系数，获取邻域平均点距阈值；
剔除所述3D原始点云中在所述邻域平均点距阈值范围之外的离群点，得到离群点剔除点云。
进一步地，在本实施例1的一种具体实施方式中，步骤S104，根据所述体素网格索引和3D原始点云的场景，采用对应的点云平滑算法对所述离群点剔除点云进行平滑修正，得到降噪结果点云，包括：
获取所述离群点剔除点云中每个目标点的体素邻域信息，所述体素邻域信息包括至少一个体素邻域点；
根据3D原始点云的场景，对所述目标点的至少一个体素邻域点采用对应的点云平滑算法进行降噪处理，得到降噪结果点云，所述点云平滑算法包括双边滤波、三边滤波和MLS移动最小二乘法(Moving Least Square)等。
更进一步地，在本实施例1的一种具体实施方式中，采用双边滤波的点云平滑算法对离群点剔除点云进行平滑修正的具体过程如下：
根据三维体素网格和体素网格索引，设置固定的体素邻域搜索数；
按照所述体素邻域搜索数对所述离群点剔除点云中的每个目标点进行搜索后，得到与所述目标点对应的体素邻域；
采用双边滤波对每个所述目标点对应的体素邻域进行加权修正，权重包含体素邻域点与目标点之间的欧氏距离权重及体素邻域点和目标点组成的向量与目标点法线夹角的权重，距离越大权重越小，夹角越大权重越小；具体公式如下：
Figure BDA0003545419970000061
其中，p'表示平滑修正目标点，p表示平滑前的目标点，np表示目标点p的法线，q表示体素邻域点，wd表示距离权重，wn表示法线权重，具体权重为高斯权重，公式如下：
Figure BDA0003545419970000062
dd表示体素邻域点与目标点之间的欧氏距离，dn表示体素邻域点法线与目标点连线的夹角余弦值，σd、σn均为预先设置的参数，一般设置为1即可；
将所述离群点剔除点云中所有经过上述公式平滑修正目标点p'组合输出为平滑修正后的降噪结果点云。
更进一步地，在本实施例1的一种具体实施方式中，采用三边滤波的点云平滑算法对离群点剔除点云进行平滑修正的具体过程如下：
根据三维体素网格和体素网格索引，设置固定的体素邻域搜索数；
按照所述体素邻域搜索数对所述离群点剔除点云中的每个目标点进行搜索后，得到与所述目标点对应的体素邻域；
采用三边滤波对每个所述目标点对应的体素邻域进行加权修正，权重包含体素邻域点与目标点之间的欧氏距离权重及体素邻域点和目标点组成的向量与目标点法线夹角的权重，距离越大权重越小，夹角越大权重越小；具体公式如下：
Figure BDA0003545419970000063
其中，p'表示平滑修正目标点，p表示平滑前的目标点，np表示目标点p的法线，nqi表示体素邻域点的法线，q表示体素邻域点，wd表示距离权重，wn1表示第一法线的权重，wn2表示第二法线的权重，具体权重为高斯权重，公式如下：
Figure BDA0003545419970000064
dd表示体素邻域点与目标点之间的欧氏距离，dn1表示体素邻域点法线与目标点连线的夹角余弦值，dn2表示体素邻域点法线与目标点法线的夹角余弦值，σd、σn1、σn2均为预先设置的参数，一般设置为1即可；
将所述离群点剔除点云中所有经过上述公式平滑修正目标点p'组合输出为平滑修正后的降噪结果点云。
具体地，如图2所示，为双边滤波和三边滤波的原理示意图，图2中的虚线框为目标点的体素邻域，
Figure BDA0003545419970000071
表示法线，箭头指向采用双边滤波或三边滤波的点云平滑算法平滑修正后的结果点云。
更进一步地，在本实施例1的一种具体实施方式中，如图3所示，采用MLS移动最小二乘法的点云平滑算法对离群点剔除点云，即图3中的扫描1数据进行平滑修正的具体过程如下：
根据三维体素网格和体素网格索引，设置固定的体素邻域搜索数；
按照所述体素邻域搜索数对所述离群点剔除点云中的每个目标点进行搜索后，得到与所述目标点对应的体素邻域，所述体素邻域包括至少一个体素邻域点；
建立所述体素邻域的局部坐标系；
计算体素邻域点在所述局部坐标系中的坐标值；
将所述坐标值带入二次曲面方程进行二次曲面拟合，得到如图3所示的局部拟合二次曲面；
求取所述目标点到所述局部拟合曲面上最近的目标投影点，如图3中所示的若干个虚线圆；
将所述离群点剔除点云中所有目标点所对应的目标投影点组合输出为平滑修正后的降噪结果点云，即图3中箭头指向采用MLS移动最小二乘法的点云平滑算法对扫描1数据平滑修正后的结果点云。
需要特别说明的是，上述仅列出了几种对离群点剔除点云进行平滑修正处理的算法，但是在实际应用中，本领域技术人员也可根据实际情况采用一系列改进的邻域加权平均的点云降噪算法对离群点剔除点云进行平滑修正，本申请对其不做限制。
另外，还需要特别指出的是，若3D原始点云的应用场景对降噪的效率要求较高，但精度要求较低，则软件程序自动优先选用邻域点数降噪算法和基于双边滤波的点云平滑算法分别对3D原始点云进行降噪处理和平滑修正处理。
若3D原始点云的应用场景对降噪的效率要求较低，但精度要求较高，则软件程序自动优先选用邻域点距降噪算法和基于三边滤波的点云平滑算法分别对3D原始点云进行降噪处理和平滑修正处理。
若3D原始点云的应用场景对降噪的效率要求较低，但精度要求很高，则软件程序自动优先选用邻域点距降噪算法和基于MLS移动最小二乘法的点云平滑算法分别对3D原始点云进行降噪处理和平滑修正处理。
实施例2
与上述一种适用于多种场景的点云降采样方法的实施例1相对应，本申请还提供了一种适用于多种场景的点云降噪装置的实施例2。所述点云降噪装置包括相互连接的获取单元、体素网格划分单元、点云降噪单元和点云平滑单元；
其中，所述获取单元被配置为：
获取3D原始点云，所述3D原始点云包括至少一个目标点；
所述体素网格划分单元被配置为：
对所述3D原始点云进行体素网格划分，并获取体素网格索引，所述体素网格索引包括目标点及目标点对应的体素网格索引号；
所述点云降噪单元被配置为：
根据所述体素网格索引和3D原始点云的场景，采用对应的点云降噪算法剔除所述3D原始点云的离群点，得到离群点剔除点云；
所述点云平滑单元被配置为：
根据所述体素网格索引和3D原始点云的场景，采用对应的点云平滑算法对所述离群点剔除点云进行平滑修正，得到降噪结果点云。
实施例3
本申请提供一种终端设备，包括存储器、处理器以及存储在所述存储器中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实施例1中一种适用于多种场景的点云降噪方法的步骤。
实施例4
本申请提供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程序，所述计算机程序被处理器执行时实现实施例1中一种适用于多种场景的点云降噪方法的步骤。
本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (10)

1.一种适用于多种场景的点云降噪方法，其特征在于，包括：
获取3D原始点云，所述3D原始点云包括至少一个目标点；
对所述3D原始点云进行体素网格划分，并获取体素网格索引，所述体素网格索引包括至少一个所述目标点及与目标点相对应的体素网格索引号；
根据所述体素网格索引和3D原始点云的场景，采用对应的点云降噪算法剔除所述3D原始点云的离群点，得到离群点剔除点云；
根据所述体素网格索引和3D原始点云的场景，采用对应的点云平滑算法对所述离群点剔除点云进行平滑修正，得到降噪结果点云。
2.根据权利要求1所述的一种适用于多种场景的点云降噪方法，其特征在于，对所述3D原始点云进行体素网格划分，并获取体素网格索引，包括：
创建可以包围所述3D原始点云的三维体素网格；
根据所述三维体素网格和单个体素网格尺寸，将所述3D原始点云中的每个目标点归属至对应的单个体素网格中；
记录与所述目标点相对应的单个体素网格索引号，得到体素网格索引。
3.根据权利要求1所述的一种适用于多种场景的点云降噪方法，其特征在于，根据所述体素网格索引和3D原始点云的场景，采用对应的点云降噪算法剔除所述3D原始点云的离群点，得到离群点剔除点云，包括：
根据所述体素网格索引，搜索所述3D原始点云中所述目标点的体素邻域点；
统计所述目标点的体素邻域点数，并计算所述目标点与各个体素邻域点之间的欧氏距离均值和标准差；
根据高斯分布特性和3D原始点云的场景，确定体素邻域点数阈值或欧氏距离阈值；
剔除所述3D原始点云中在所述体素邻域点数阈值或欧氏距离阈值范围之外的离群点，得到离群点剔除点云。
4.根据权利要求1所述的一种适用于多种场景的点云降噪方法，其特征在于，根据所述体素网格索引和3D原始点云的场景，采用对应的点云平滑算法对所述离群点剔除点云进行平滑修正，得到降噪结果点云，包括：
获取所述离群点剔除点云中目标点的体素邻域信息，所述体素邻域信息包括至少一个体素邻域点；
根据3D原始点云的场景，对至少一个所述体素邻域点采用对应的点云平滑算法进行降噪处理，得到降噪结果点云，所述点云平滑算法包括双边滤波、三边滤波和MLS移动最小二乘法。
5.根据权利要求1-4任意一项所述的一种适用于多种场景的点云降噪方法，其特征在于，采用双边滤波的点云平滑算法对离群点剔除点云进行平滑修正的过程如下：
根据三维体素网格和体素网格索引，设置固定的体素邻域搜索数；
按照所述体素邻域搜索数对离群点剔除点云中的目标点进行搜索后，得到与所述目标点对应的体素邻域；
采用双边滤波对所述体素邻域进行加权修正，得到与所述目标点对应的平滑修正目标点；
将至少一个所述平滑修正目标点组合输出为降噪结果点云。
6.根据权利要求1-4任意一项所述的一种适用于多种场景的点云降噪方法，其特征在于，采用三边滤波的点云平滑算法对离群点剔除点云进行平滑修正的过程如下：
根据三维体素网格和体素网格索引，设置固定的体素邻域搜索数；
按照所述体素邻域搜索数对离群点剔除点云中的目标点进行搜索后，得到与所述目标点对应的体素邻域；
采用三边滤波对所述体素邻域进行加权修正，得到与所述目标点对应的平滑修正目标点；
将至少一个所述平滑修正目标点组合输出为降噪结果点云。
7.根据权利要求1-4任意一项所述的一种适用于多种场景的点云降噪方法，其特征在于，采用MLS移动最小二乘法的点云平滑算法对离群点剔除点云进行平滑修正的过程如下：
根据三维体素网格和体素网格索引，设置固定的体素邻域搜索数；
按照所述体素邻域搜索数对离群点剔除点云中的目标点进行搜索后，得到与所述目标点对应的体素邻域，所述体素邻域包括至少一个体素邻域点；
建立所述体素邻域的局部坐标系；
计算所述体素邻域点在所述局部坐标系中的坐标值；
将坐标值带入二次曲面方程进行二次曲面拟合，得到局部拟合二次曲面；
求取所述目标点在所述局部拟合曲面上对应的目标投影点；
将至少一个所述目标投影点组合输出为降噪结果点云。
8.一种适用于多种场景的点云降噪装置，其特征在于，采用如权利要求1-7任意一项所述的一种适用于多种场景的点云降噪方法，所述点云降噪装置包括相互连接的获取单元、体素网格划分单元、点云降噪单元和点云平滑单元；
其中，所述获取单元被配置为：
获取3D原始点云，所述3D原始点云包括至少一个目标点；
所述体素网格划分单元被配置为：
对所述3D原始点云进行体素网格划分，并获取体素网格索引，所述体素网格索引包括目标点及目标点对应的体素网格索引号；
所述点云降噪单元被配置为：
根据所述体素网格索引和3D原始点云的场景，采用对应的点云降噪算法剔除所述3D原始点云的离群点，得到离群点剔除点云；
所述点云平滑单元被配置为：
根据所述体素网格索引和3D原始点云的场景，采用对应的点云平滑算法对所述离群点剔除点云进行平滑修正，得到降噪结果点云。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述一种适用于多种场景的点云降噪方法的步骤。
10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任意一项所述一种适用于多种场景的点云降噪方法的步骤。
CN202210246971.9A 2022-03-14 2022-03-14 一种适用于多种场景的点云降噪方法及装置 Pending CN114581331A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210246971.9A CN114581331A (zh) 2022-03-14 2022-03-14 一种适用于多种场景的点云降噪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210246971.9A CN114581331A (zh) 2022-03-14 2022-03-14 一种适用于多种场景的点云降噪方法及装置

Publications (1)

Publication Number Publication Date
CN114581331A true CN114581331A (zh) 2022-06-03

Family

ID=81779506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210246971.9A Pending CN114581331A (zh) 2022-03-14 2022-03-14 一种适用于多种场景的点云降噪方法及装置

Country Status (1)

Country Link
CN (1) CN114581331A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115079128A (zh) * 2022-08-23 2022-09-20 深圳市欢创科技有限公司 一种激光雷达点云数据去畸变的方法、装置及机器人
CN117132478A (zh) * 2023-04-25 2023-11-28 兰州交通大学 一种基于法向量二范数特征参数的轨道点云去噪方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115079128A (zh) * 2022-08-23 2022-09-20 深圳市欢创科技有限公司 一种激光雷达点云数据去畸变的方法、装置及机器人
CN115079128B (zh) * 2022-08-23 2022-12-09 深圳市欢创科技有限公司 一种激光雷达点云数据去畸变的方法、装置及机器人
CN117132478A (zh) * 2023-04-25 2023-11-28 兰州交通大学 一种基于法向量二范数特征参数的轨道点云去噪方法
CN117132478B (zh) * 2023-04-25 2024-05-17 兰州交通大学 一种基于法向量二范数特征参数的轨道点云去噪方法

Similar Documents

Publication Publication Date Title
CN109191395B (zh) 图像对比度增强方法、装置、设备及存储介质
CN114581331A (zh) 一种适用于多种场景的点云降噪方法及装置
CN108510451B (zh) 一种基于双层卷积神经网络的重建车牌的方法
KR101570290B1 (ko) 화상 처리 장치, 화상 처리 방법, 화상 처리 제어 프로그램, 및 기록 매체
CN111192226B (zh) 一种图像融合去噪方法及装置、系统
CN106097313B (zh) 图像分割方法及装置
CN112488910B (zh) 点云优化方法、装置及设备
GB2547842A (en) Image processing device and method, image pickup device, program, and recording medium
CN113706591A (zh) 一种基于点云的表面弱纹理卫星三维重建方法
CN112561919A (zh) 一种图像分割方法、设备和计算机可读存储介质
CN116580028B (zh) 一种物体表面缺陷检测方法、装置、设备及存储介质
CN112837219A (zh) 图像处理方法、装置以及电子设备
CN113438386B (zh) 一种应用于视频处理的动静判定方法及装置
Kang et al. An adaptive fusion panoramic image mosaic algorithm based on circular LBP feature and HSV color system
CN114581332A (zh) 一种适用于多种场景的重叠点云消冗方法及装置
CN110363723B (zh) 改进图像边界效果的图像处理方法及装置
CN114283266A (zh) 一种三维模型调整方法、装置、存储介质及设备
CN112802175B (zh) 大规模场景遮挡剔除方法、装置、设备及存储介质
CN112150532A (zh) 图像处理的方法、装置、电子设备和计算机可读介质
CN109949245B (zh) 十字激光检测定位方法、装置、存储介质及计算机设备
CN112949641A (zh) 图像分割方法及电子设备、计算机可读存储介质
CN111476810A (zh) 图像边缘检测方法、装置、电子设备及存储介质
CN113469889A (zh) 一种图像降噪的方法及装置
CN111985535A (zh) 一种通过神经网络优化人体深度图的方法及其装置
CN110363708B (zh) 改进斜线方向插值效果的图像处理方法及装置

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