CN116452439A - 一种针对激光雷达点云强度图像的降噪方法及装置 - Google Patents
一种针对激光雷达点云强度图像的降噪方法及装置 Download PDFInfo
- Publication number
- CN116452439A CN116452439A CN202310317123.7A CN202310317123A CN116452439A CN 116452439 A CN116452439 A CN 116452439A CN 202310317123 A CN202310317123 A CN 202310317123A CN 116452439 A CN116452439 A CN 116452439A
- Authority
- CN
- China
- Prior art keywords
- frequency component
- noise reduction
- noise
- wavelet
- image
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000009466 transformation Effects 0.000 claims abstract description 61
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 238000012952 Resampling Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 19
- 238000013139 quantization Methods 0.000 claims description 17
- 239000000654 additive Substances 0.000 claims description 7
- 230000000996 additive effect Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000011002 quantification Methods 0.000 abstract description 3
- 230000002401 inhibitory effect Effects 0.000 abstract 1
- 238000003384 imaging method Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 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
- 238000003672 processing method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种针对激光雷达点云强度图像的降噪方法,属于三维点云处理及图像处理技术领域,用于实现对激光雷达点云数据乘性散斑噪声的抑制。本发明包括以下步骤:基于激光雷达点云的回波强度数据,通过重采样及投影、异常点去除、强度值量化等数据预处理过程得到激光雷达强度图像;基于含散斑噪声的强度图像,采用同态变换和小波分解得到强度图像的高频分量和低频分量;采用小波阈值收缩对高频分量降噪,非局部均值对低频分量降噪;对降噪后的结果采用小波重建和同态逆变换得到降噪结果。以上具体实施方式仅说明本发明,而不应理解为对本发明的限制,本发明的技术具有普适性,用于对激光雷达点云数据的降噪任务中。
Description
技术领域
本发明属于三维点云处理及图像处理技术领域,更具体地,涉及一种针对激光雷达点云强度图像的降噪方法及装置,用于实现对激光雷达点云数据乘性散斑噪声的抑制。
背景技术
激光雷达成像是在激光测距的基础上发展起来的,其基本原理是利用激光测角及测距,然后将角度-角度-距离信息转换成三维的坐标信息,得到三维的点云图像或者二维的距离图像及强度图像。激光雷达作为激光主动成像设备发展的最新阶段,是激光主动制导技术未来的发展方向。激光雷达成像是一种主动成像方式,具有全天候成像的优势,但是受限于照射光均匀性不好和接收光强较弱,使得采集的数据中具有噪声干扰强烈的不足。噪声的存在严重影响了数据质量,降低了对目标的信息解译能力,尤其在激光主动成像精确制导中,噪声的抑制问题更显突出。因此,数据降噪是激光雷达点云数据处理中的关键问题。
降噪方法是一种针对性很强的数据处理方法,必须要细致地分析激光雷达成像特性和点云数据特点,才能有针对地设计优秀的降噪方法。现有的许多降噪技术仅仅从数据增强的角度来设计方法,对激光雷达主动成像的原理和点云数据特点针对性不强。因此,现有的许多降噪方法存在如下技术问题:
1.针对性不强,对激光雷达主动成像机理分析不足,激光的相干性和目标表面粗糙造成图像的散斑效应比较明显,强度数据中存在明显的乘性噪声;
2.鲁棒性不足,由于仅仅从信号处理的角度考虑,而没有重视退化机理分析,导致降噪算法的鲁棒性不足;
3.泛化能力较弱,数据增强型的降噪算法对特定的数据效果较好,而当数据变化后,降噪能力显著下降,方法泛化能力不足。
发明内容
针对现有技术的问题,本发明提供了一种针对激光雷达点云强度图像的降噪方法,通过建立激光雷达点云强度信息的乘性散斑噪声理论模型,解决点云数据的降噪问题。
本发明为了解决上述技术问题,采用以下技术手段:
一种针对激光雷达点云强度图像的降噪方法,包括以下步骤:
步骤1:数据预处理,基于激光雷达采集到的原始点云强度数据,通过重采样及投影、异常点去除、强度值量化等过程,将数据转换成为规则格网化的强度图像;
步骤2:图像多尺度分解,对激光雷达强度图像进行同态变换和小波分解,以获得图像多尺度信息,即获得强度图像的小波高频分量和低频分量;
步骤3:图像降噪,基于强度图像多尺度分解结果,对高频分量采用小波阈值收缩进行降噪,对低频分量采用非局部均值进行降噪;
步骤4:图像多尺度重建,基于降噪后的高频分量和低频分量进行小波逆变换重建得到重建结果,然后对重建结果进行同态逆变换得到最终降噪后的强度图像。
上述技术方案中,所述步骤1的具体步骤为:
步骤1.1:重采样及投影,将激光雷达扫描采集的时间序列的点云数据重采样为规则栅格化的数据阵列,然后向特定方向进行投影,得到二维阵列数据,并用回波强度数据作为每个像素的像素值,所述特定方向包括大地平面;
步骤1.2:去除异常点,将回波强度数据中的异常点,包括极大值点、极小值点、无效点、空洞点的剔除,采用均值法、中值法中的一种或多种;
步骤1.3:强度值量化,将激光雷达回波强度数据通过线性量化或者非线性量化进行拉伸和量化操作,使强度数据被映射到0-255的范围。
上述技术方案中,所述步骤2的具体步骤为:
步骤2.1:同态变换,将预处理后的强度图像利用I=ln Y=ln(XF)=ln X+ln F进行同态变换,其中Y表示含噪声的强度图像,X表示不含噪声的图像,F表示乘性散斑噪声,I表示同态变换结果,通过同态变换可以将乘性噪声转变成加性噪声,得到同态变换的结果;
步骤2.2:小波分解,通过小波变换(A,[H,V,D])=DWT(I)将同态变换的结果分解成为高频分量[H,V,D]和低频分量A,其中高频分量中,H表示水平分量,V表示垂直分量,D表示对角线分量。
上述技术方案中,所述步骤3的具体步骤为:
步骤3.1:高频分量降噪,高频分量采用小波阈值收缩降噪,设置一个滤波阈值,滤波阈值代表噪声水平,将高频分量中小于阈值的置为0,高频分量中高于滤波阈值的部分,采用指数修正软阈值函数:
进行调整,得到降噪结果,其中ωδ表示修正后的高频分量,高频分量代表高频分量,sgn()表示符号函数,exp()为指数函数函数,δ表示滤波阈值;
步骤3.2:低频分量降噪,首先采用拉普拉斯方差自适应噪声估计法确定一个噪声阈值,然后用非局部均值方法对低频分量进行降噪。
上述技术方案中,所述步骤4的具体步骤为:
步骤4.1:小波重建,通过小波逆变换将降噪的结果进行小波重建,其中,Idenoise表示降噪后的小波重建结果,/>表示降噪后低频分量,高频分量中:/>表示降噪后水平分量,/>表示降噪后垂直分量,/>表示降噪后对角线分量;
步骤4.2:同态逆变换,将小波重建后的降噪图像利用Ydenoise=exp(Idenoise)进行同态逆变换,其中Ydenoise表示降噪后的强度图像。
本发明还提供了一种针对激光雷达点云强度图像的降噪装置,包括以下模块:
数据预处理模块:基于激光雷达采集到的原始点云强度数据,通过重采样及投影、异常点去除、强度值量化过程,将数据转换成为规则格网化的强度图像;
图像多尺度分解模块:对强度图像进行同态变换和小波分解,以获得图像多尺度信息,即获得强度图像的小波高频分量和低频分量;
图像降噪模块:基于强度图像多尺度分解结果,对高频分量采用小波阈值收缩进行降噪,对低频分量采用非局部均值进行降噪;
图像多尺度重建模块:基于降噪后的高频分量和低频分量进行小波逆变换重建得到重建结果,然后对重建结果进行同态逆变换得到最终降噪后的强度图像。
上述技术方案中,数据预处理模块的具体实现步骤为:
步骤1.1:重采样及投影,将激光雷达扫描采集的时间序列的点云数据重采样为规则栅格化的数据阵列,然后向特定方向进行投影,得到二维阵列数据,并用回波强度数据作为每个像素的像素值,所述特定方向包括大地平面;
步骤1.2:去除异常点,将回波强度数据中的异常点,包括极大值点、极小值点、无效点、空洞点的剔除,采用均值法、中值法中的一种或多种;
步骤1.3:强度值量化,将激光雷达回波强度数据通过线性量化或者非线性量化进行拉伸和量化操作,使强度数据被映射到0-255的范围。
上述技术方案中,图像多尺度分解模块的具体实现步骤为:
步骤2.1:同态变换,将预处理后的强度图像利用I=ln Y=ln (XF)=ln X+ln F进行同态变换,其中Y表示含噪声的强度图像,X表示不含噪声的图像,F表示乘性散斑噪声,I表示同态变换结果,通过同态变换可以将乘性噪声转变成加性噪声,得到同态变换的结果;
步骤2.2:小波分解,通过小波变换(A,[H,V,D])=DWT(I)将同态变换的结果分解成为高频分量[H,V,D]和低频分量A,其中高频分量中,H表示水平分量,V表示垂直分量,D表示对角线分量。
上述技术方案中,图像降噪模块的具体步骤为:
步骤3.1:高频分量降噪,高频分量采用小波阈值收缩降噪,设置一个滤波阈值,滤波阈值代表噪声水平,将高频分量中小于阈值的置为0,高频分量中高于滤波阈值的部分,采用指数修正软阈值函数:
进行调整,得到降噪结果,其中ωδ表示修正后的高频分量,高频分量代表高频分量,sgn()表示符号函数,exp()为指数函数函数,δ表示滤波阈值;
步骤3.2:低频分量降噪,首先采用拉普拉斯方差自适应噪声估计法确定一个噪声阈值,然后用非局部均值方法对低频分量进行降噪。
上述技术方案中,图像多尺度重建模块的具体步骤为:
步骤4.1:小波重建,通过小波逆变换将降噪的结果进行小波重建,其中,Idenoise表示降噪后的小波重建结果,/>表示降噪后低频分量,高频分量中:/>表示降噪后水平分量,/>表示降噪后垂直分量,/>表示降噪后对角线分量;
步骤4.2:同态逆变换,将小波重建后的降噪图像利用Ydenoise=exp(Idenoise)进行同态逆变换,其中Ydenoise表示降噪后的强度图像。
本发明同现有技术相比,其有益效果表现在:
1.针对性强,本发明是基于激光雷达主动成像机理而设计的方法;
2.鲁棒性强,本发明从激光相干性形成的散斑噪声干扰出发,结合点云数据处理、图像处理的技术而设计的降噪方案,具体地,在激光点云预处理中,通过重采样和投影将空间上不规则的点云数据转化成为规则的格网化数据,通过去除异常点和强度值量化将幅度上不规则的激光回波强度值转化成为规则的像素值,而得到激光雷达强度图像;在降噪处理中,通过同态变换将难以分离的乘性噪声转换成为比较容易分离的加性噪声,通过小波变换将图像分解为噪声水平不同的高频分量和低频分量,对高频分量采用小波阈值收缩降噪,有助于剔除噪声时保持图像细节,对低频分量采用非局部均值降噪,有助于剔除噪声时保持图像灰度动态范围;综上,本发明降噪方案具有较强的鲁棒性;
3.泛化能力好,本发明属于基于噪声模型的降噪方法,成像机理不变的前提下,对不同传感器的数据都具有很好的降噪效果;
4.细节保护性好,本发明的降噪方法无论对高频分量还是低频分量都是采用自适应噪声水平的降噪方法,可以在降噪的同时有效保护细节信息。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面将结合附图及具体实施方式对本发明作进一步的描述。
图1为本发明的流程的示意图,主要流程包括数据预处理、图像多尺度分解、图像降噪、图像多尺度重建这4步。
一种针对激光雷达点云强度图像的降噪方法,包括以下步骤:
步骤1:数据预处理,基于激光雷达采集到的原始点云强度数据,通过重采样及投影、异常点去除、强度值量化等过程,将数据转换成为规则格网化的强度图像;
步骤1的具体步骤为:
步骤1.1:重采样及投影,将激光雷达扫描采集的时间序列的点云数据重采样为规则栅格化的数据阵列,然后向特定方向(通常是大地平面)进行投影,得到二维阵列数据,并用回波强度作为每个像素的像素值;
步骤1.2:去除异常点,将回波强度数据中的异常点,包括极大值点、极小值点、无效点、空洞点等剔除,可以采用均值法、中值法等;
步骤1.3:强度值量化,将激光雷达回波强度数据通过线性量化或者非线性量化进行拉伸和量化操作,使强度数据被映射到0-255的范围。
步骤2:图像多尺度分解,对激光雷达强度图像进行同态变换和小波分解,以获得图像多尺度信息,即强度图像的小波高频分量和低频分量;
步骤2的具体步骤为:
步骤2.1:同态变换,将预处理后的强度图像利用I=ln Y=ln(XF)=ln X+ln F进行同态变换,其中Y表示含噪声的强度图像,X表示理论上的不含噪声的图像,F表示乘性散斑噪声,I表示同态变换结果,通过同态变换可以将乘性噪声转变成加性噪声;
步骤2.2:小波分解,通过小波变换(A,[H,V,D])=DWT(I)将同态变换的结果分解成为高频分量[H,V,D]和低频分量A,其中高频分量中,H表示水平分量,V表示垂直分量,D表示对角线分量。
步骤3:图像降噪,基于强度图像多尺度分解结果,对高频分量采用小波阈值收缩进行降噪,对低频分量采用非局部均值进行降噪;
步骤3的具体步骤为:
步骤3.1:高频分量降噪,高频分量采用小波阈值收缩降噪,设置一个滤波阈值,该阈值代表噪声水平,将高频分量中小于阈值的置为0,高频分量中高于阈值的部分,采用指数修正软阈值函数:
进行调整,得到降噪结果,其中,其中ωδ表示修正后的高频分量,高频分量代表高频分量,sgn()表示符号函数,exp()为指数函数函数,δ表示滤波阈值;;
步骤3.2:低频分量降噪,首先采用拉普拉斯方差自适应噪声估计法确定一个噪声阈值,然后用非局部均值方法对低频分量进行降噪。
步骤4:图像多尺度重建,基于降噪后的高频分量和低频分量进行小波逆变换重建,然后对重建结果进行同态逆变换得到最终降噪后的强度图像。
步骤4的具体步骤为:
步骤4.1:小波重建,通过小波逆变换将降噪的结果进行小波重建,其中,Idenoise表示降噪后的小波重建结果,/>表示降噪后低频分量,高频分量中:/>表示降噪后水平分量,/>表示降噪后垂直分量,/>表示降噪后对角线分量;
步骤4.2:同态逆变换,将小波重建后的降噪图像利用Ydenoise=exp(Idenoise)进行同态逆变换,其中Ydenoise表示降噪后的强度图像。
实施例
图1为本发明的针对激光雷达点云强度图像的降噪方法的流程示意图,从图中可以看出:
本发明实施例中,基于激光雷达采集到的原始含噪点云强度数据,通过数据预处理、图像多尺度分解、图像降噪、图像多尺度重建实现对激光雷达强度图像的降噪;
重采样及投影,通过重采样及投影将激光雷达扫描采集的时间序列的点云数据重采样为规则栅格化的数据阵列,然后向特定方向(通常是大地平面)进行投影,得到二维阵列数据,并用回波强度作为每个像素的像素值;
去除异常点,采用对异常点周围的4个点取均值的方法,将回波强度数据中的异常点去除,包括极大值点、极小值点、无效点、空洞点等;
强度值量化,将激光雷达回波强度数据通过线性量化或者非线性量化进行拉伸和量化操作,使强度数据被映射到0-255的范围;
同态变换,将预处理后的强度图像利用I=ln Y=ln(XF)=ln X+ln F进行同态变换,其中Y表示含噪声的强度图像,X表示理论上的不含噪声的图像,F表示乘性散斑噪声,I表示同态变换结果,通过同态变换可以将乘性噪声转变成加性噪声;
小波分解,通过小波变换(A,[H,V,D])=DWT(I)将同态变换的结果分解成为高频分量[H,V,D]和低频分量A,其中高频分量中,H表示水平分量,V表示垂直分量,D表示对角线分量;
高频分量降噪,设置一个滤波阈值,该阈值代表噪声水平,对高频分量采用小波阈值收缩降噪,将高频分量中小于阈值的置为0,高频分量中高于阈值的部分,采用指数修正软阈值函数:
进行调整,得到降噪结果;
低频分量降噪,采用拉普拉斯方差自适应噪声估计法确定一个低频分量噪声阈值,然后用非局部均值方法对低频分量进行降噪;
小波重建,通过小波逆变换将降噪的结果进行小波重建,其中,Idenoise表示降噪后的小波重建结果,/>表示降噪后低频分量,高频分量中:/>表示降噪后水平分量,/>表示降噪后垂直分量,/>表示降噪后对角线分量;
同态逆变换,将小波重建后的降噪图像利用Ydenoise=exp(Idenoise)进行同态逆变换,其中Ydenoise表示降噪后的强度图像。
以上仅是本发明众多具体应用范围中的代表性实施例,本文中采用具体个例对本发明的原理及实施方式进行阐述,仅是帮助说明本发明方法及核心思想,不应理解为对本发明的保护范围的限制,凡是采用变换或者等效替换而形成的技术方案,均应视为本发明的保护范围所涵盖。
Claims (10)
1.一种针对激光雷达点云强度图像的降噪方法,其特征在于,包括以下步骤:
步骤1:数据预处理,基于激光雷达采集到的原始点云强度数据,通过重采样及投影、异常点去除、强度值量化过程,将数据转换成为规则格网化的强度图像;
步骤2:图像多尺度分解,对强度图像进行同态变换和小波分解,以获得图像多尺度信息,即获得强度图像的小波高频分量和低频分量;
步骤3:图像降噪,基于强度图像多尺度分解结果,对高频分量采用小波阈值收缩进行降噪,对低频分量采用非局部均值进行降噪;
步骤4:图像多尺度重建,基于降噪后的高频分量和低频分量进行小波逆变换重建得到重建结果,然后对重建结果进行同态逆变换得到最终降噪后的强度图像。
2.根据权利要求1所述的一种针对激光雷达点云强度图像的降噪方法,其特征在于,所述步骤1的具体步骤为:
步骤1.1:重采样及投影,将激光雷达扫描采集的时间序列的点云数据重采样为规则栅格化的数据阵列,然后向特定方向进行投影,得到二维阵列数据,并用回波强度数据作为每个像素的像素值,所述特定方向包括大地平面;
步骤1.2:去除异常点,将回波强度数据中的异常点,包括极大值点、极小值点、无效点、空洞点的剔除,采用均值法、中值法中的一种或多种;
步骤1.3:强度值量化,将激光雷达回波强度数据通过线性量化或者非线性量化进行拉伸和量化操作,使强度数据被映射到0-255的范围。
3.根据权利要求1所述的一种针对激光雷达点云强度图像的降噪方法,其特征在于,所述步骤2的具体步骤为:
步骤2.1:同态变换,将预处理后的强度图像利用I=ln Y=ln(XF)=ln X+ln F进行同态变换,其中Y表示含噪声的强度图像,X表示不含噪声的图像,F表示乘性散斑噪声,I表示同态变换结果,通过同态变换可以将乘性噪声转变成加性噪声,得到同态变换的结果;
步骤2.2:小波分解,通过小波变换(A,[H,V,D])=DWT(I)将同态变换的结果分解成为高频分量[H,V,D]和低频分量A,其中高频分量中,H表示水平分量,V表示垂直分量,D表示对角线分量。
4.根据权利要求1所述的一种针对激光雷达点云强度图像的降噪方法,其特征在于,所述步骤3的具体步骤为:
步骤3.1:高频分量降噪,高频分量采用小波阈值收缩降噪,设置一个滤波阈值,滤波阈值代表噪声水平,将高频分量中小于阈值的置为0,高频分量中高于滤波阈值的部分,采用指数修正软阈值函数:
进行调整,得到降噪结果,其中ωδ表示修正后的高频分量,高频分量代表高频分量,sgn()表示符号函数,exp()为指数函数函数,δ表示滤波阈值;
步骤3.2:低频分量降噪,首先采用拉普拉斯方差自适应噪声估计法确定一个噪声阈值,然后用非局部均值方法对低频分量进行降噪。
5.根据权利要求1所述的一种针对激光雷达点云强度图像的降噪方法,其特征在于,所述步骤4的具体步骤为:
步骤4.1:小波重建,通过小波逆变换将降噪的结果进行小波重建,其中,Idenoise表示降噪后的小波重建结果,/>表示降噪后低频分量,高频分量中:/>表示降噪后水平分量,/>表示降噪后垂直分量,/>表不降噪后对角线分量;
步骤4.2:同态逆变换,将小波重建后的降噪图像利用Ydenoise=exp(Idenoise)进行同态逆变换,其中Ydenoise表示降噪后的强度图像。
6.一种针对激光雷达点云强度图像的降噪装置,其特征在于,包括以下模块:
数据预处理模块:基于激光雷达采集到的原始点云强度数据,通过重采样及投影、异常点去除、强度值量化过程,将数据转换成为规则格网化的强度图像;
图像多尺度分解模块:对强度图像进行同态变换和小波分解,以获得图像多尺度信息,即获得强度图像的小波高频分量和低频分量;
图像降噪模块:基于强度图像多尺度分解结果,对高频分量采用小波阈值收缩进行降噪,对低频分量采用非局部均值进行降噪;
图像多尺度重建模块:基于降噪后的高频分量和低频分量进行小波逆变换重建得到重建结果,然后对重建结果进行同态逆变换得到最终降噪后的强度图像。
7.根据权利要求6所述的一种针对激光雷达点云强度图像的降噪方法,其特征在于,数据预处理模块的具体实现步骤为:
步骤1.1:重采样及投影,将激光雷达扫描采集的时间序列的点云数据重采样为规则栅格化的数据阵列,然后向特定方向进行投影,得到二维阵列数据,并用回波强度数据作为每个像素的像素值,所述特定方向包括大地平面;
步骤1.2:去除异常点,将回波强度数据中的异常点,包括极大值点、极小值点、无效点、空洞点的剔除,采用均值法、中值法中的一种或多种;
步骤1.3:强度值量化,将激光雷达回波强度数据通过线性量化或者非线性量化进行拉伸和量化操作,使强度数据被映射到0-255的范围。
8.根据权利要求6所述的一种针对激光雷达点云强度图像的降噪方法,其特征在于,图像多尺度分解模块的具体实现步骤为:
步骤2.1:同态变换,将预处理后的强度图像利用I=ln Y=ln(XF)=ln X+ln F进行同态变换,其中Y表示含噪声的强度图像,X表示不含噪声的图像,F表示乘性散斑噪声,I表示同态变换结果,通过同态变换可以将乘性噪声转变成加性噪声,得到同态变换的结果;
步骤2.2:小波分解,通过小波变换(A,[H,V,D])=DWT(I)将同态变换的结果分解成为高频分量[H,V,D]和低频分量A,其中高频分量中,H表示水平分量,V表示垂直分量,D表示对角线分量。
9.根据权利要求6所述的一种针对激光雷达点云强度图像的降噪方法,其特征在于,图像降噪模块的具体步骤为:
步骤3.1:高频分量降噪,高频分量采用小波阈值收缩降噪,设置一个滤波阈值,滤波阈值代表噪声水平,将高频分量中小于阈值的置为0,高频分量中高于滤波阈值的部分,采用指数修正软阈值函数:
进行调整,得到降噪结果,其中ωδ表示修正后的高频分量,高频分量代表高频分量,sgn()表示符号函数,exp()为指数函数函数,δ表示滤波阈值;
步骤3.2:低频分量降噪,首先采用拉普拉斯方差自适应噪声估计法确定一个噪声阈值,然后用非局部均值方法对低频分量进行降噪。
10.根据权利要求6所述的一种针对激光雷达点云强度图像的降噪方法,其特征在于,图像多尺度重建模块的具体步骤为:
步骤4.1:小波重建,通过小波逆变换将降噪的结果进行小波重建,其中,Idenoise表示降噪后的小波重建结果,/>表示降噪后低频分量,高频分量中:/>表示降噪后水平分量,/>表示降噪后垂直分量,/>表示降噪后对角线分量;
步骤4.2:同态逆变换,将小波重建后的降噪图像利用Ydenoise=exp(Idenoise)进行同态逆变换,其中Ydenoise表示降噪后的强度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310317123.7A CN116452439A (zh) | 2023-03-29 | 2023-03-29 | 一种针对激光雷达点云强度图像的降噪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310317123.7A CN116452439A (zh) | 2023-03-29 | 2023-03-29 | 一种针对激光雷达点云强度图像的降噪方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116452439A true CN116452439A (zh) | 2023-07-18 |
Family
ID=87126631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310317123.7A Pending CN116452439A (zh) | 2023-03-29 | 2023-03-29 | 一种针对激光雷达点云强度图像的降噪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452439A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117346751A (zh) * | 2023-10-10 | 2024-01-05 | 广东省核工业地质局测绘院 | 基于无人机机载激光雷达和倾斜摄影测量的矿山测绘系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200440A (zh) * | 2014-09-16 | 2014-12-10 | 哈尔滨恒誉名翔科技有限公司 | 一种基于多尺度小波变换的斑点图像处理算法 |
CN104574346A (zh) * | 2013-10-23 | 2015-04-29 | 核工业北京地质研究院 | 一种光学遥感图像分解算法 |
CN110221277A (zh) * | 2019-06-21 | 2019-09-10 | 北京航空航天大学 | 一种基于激光雷达扫描的隧道表面渗水区域提取方法 |
CN110969650A (zh) * | 2019-11-20 | 2020-04-07 | 中北大学 | 一种基于中心投影的强度图像与纹理序列间的配准方法 |
CN111915662A (zh) * | 2019-05-07 | 2020-11-10 | 北京京东尚科信息技术有限公司 | 一种三维激光点云数据预处理方法和装置 |
CN112270713A (zh) * | 2020-10-14 | 2021-01-26 | 北京航空航天大学杭州创新研究院 | 标定方法以及装置、存储介质、电子装置 |
CN112991230A (zh) * | 2021-04-27 | 2021-06-18 | 南京誉葆科技有限公司 | 一种合成孔径雷达图像处理方法 |
CN113137919A (zh) * | 2021-04-29 | 2021-07-20 | 中国工程物理研究院应用电子学研究所 | 一种激光点云栅格化方法 |
CN113592725A (zh) * | 2021-06-29 | 2021-11-02 | 南京诺源医疗器械有限公司 | 一种医疗光学成像噪声消除方法 |
CN114994702A (zh) * | 2022-06-15 | 2022-09-02 | 江苏省水利科学研究院 | 一种基于机载激光雷达的水库库容测算方法 |
-
2023
- 2023-03-29 CN CN202310317123.7A patent/CN116452439A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574346A (zh) * | 2013-10-23 | 2015-04-29 | 核工业北京地质研究院 | 一种光学遥感图像分解算法 |
CN104200440A (zh) * | 2014-09-16 | 2014-12-10 | 哈尔滨恒誉名翔科技有限公司 | 一种基于多尺度小波变换的斑点图像处理算法 |
CN111915662A (zh) * | 2019-05-07 | 2020-11-10 | 北京京东尚科信息技术有限公司 | 一种三维激光点云数据预处理方法和装置 |
CN110221277A (zh) * | 2019-06-21 | 2019-09-10 | 北京航空航天大学 | 一种基于激光雷达扫描的隧道表面渗水区域提取方法 |
CN110969650A (zh) * | 2019-11-20 | 2020-04-07 | 中北大学 | 一种基于中心投影的强度图像与纹理序列间的配准方法 |
CN112270713A (zh) * | 2020-10-14 | 2021-01-26 | 北京航空航天大学杭州创新研究院 | 标定方法以及装置、存储介质、电子装置 |
CN112991230A (zh) * | 2021-04-27 | 2021-06-18 | 南京誉葆科技有限公司 | 一种合成孔径雷达图像处理方法 |
CN113137919A (zh) * | 2021-04-29 | 2021-07-20 | 中国工程物理研究院应用电子学研究所 | 一种激光点云栅格化方法 |
CN113592725A (zh) * | 2021-06-29 | 2021-11-02 | 南京诺源医疗器械有限公司 | 一种医疗光学成像噪声消除方法 |
CN114994702A (zh) * | 2022-06-15 | 2022-09-02 | 江苏省水利科学研究院 | 一种基于机载激光雷达的水库库容测算方法 |
Non-Patent Citations (3)
Title |
---|
彭静等: "一种改进的非局部均值井下图像去噪", 《工业仪表与自动化装置》, no. 6, pages 83 - 85 * |
王强等: "激光主动成像图像噪声抑制算法研究", 《电光与控制》, vol. 23, no. 11, pages 52 - 56 * |
陈莉著: "基于BIM的工程项目设计与创新研究", 中国原子能出版传媒有限公司, pages: 255 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117346751A (zh) * | 2023-10-10 | 2024-01-05 | 广东省核工业地质局测绘院 | 基于无人机机载激光雷达和倾斜摄影测量的矿山测绘系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhonsle et al. | Medical image denoising using bilateral filter | |
Chen et al. | Coupling denoising algorithm based on discrete wavelet transform and modified median filter for medical image | |
CN103020916A (zh) | 一种二维希尔伯特变换和bemd结合的图像去噪方法 | |
CN109785260B (zh) | 一种针对侧扫声呐图像的非线性增强方法 | |
CN116452439A (zh) | 一种针对激光雷达点云强度图像的降噪方法及装置 | |
CN108042126B (zh) | 一种改进的激光散斑衬比血流成像方法 | |
CN109738903A (zh) | 一种侧扫声呐实时二维成像方法及系统 | |
Zhan et al. | Infrared image enhancement based on wavelet transformation and retinex | |
Weizheng et al. | Digital image denoising method based on mean filter | |
CN112862716A (zh) | 基于双树复数小波和模糊理论的声呐图像目标增强方法 | |
Sharumathi et al. | A survey on various image enhancement techniques for underwater acoustic images | |
CN111144318A (zh) | 一种水下声呐系统点云数据降噪方法 | |
CN113592725B (zh) | 一种医疗光学成像噪声消除方法 | |
CN112750090A (zh) | 一种改进小波阈值的水下图像降噪方法及系统 | |
Zhang et al. | A reverberation noise suppression method of sonar image based on shearlet transform | |
CN113222833B (zh) | 一种侧扫声呐图像处理方法与装置 | |
kumar Dass et al. | Improvising MSN and PSNR for finger-print image noised by GAUSSIAN and SALT & PEPPER | |
Pang | Improved image denoising based on Haar wavelet transform | |
Sang et al. | Speckle noise reduction mechanism based on dual-density dual-tree complex wavelet in optical coherence tomography | |
Ni et al. | Speckle suppression for sar images based on adaptive shrinkage in contourlet domain | |
Guo et al. | An Image Denoising Algorithm based on Kuwahara Filter | |
Kaur et al. | MRI denoising using non-local PCA with DWT | |
CN116797476B (zh) | 一种医疗光学成像噪声消除方法 | |
Sakuragi et al. | Depth estimation from stereo images using sparsity | |
Arivazhagan et al. | A new hybrid image restoration method based on fusion of spatial and transform domain methods |
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 |