基于区域生长的非结构巷道点云去噪方法

目前针对地下巷道点云去噪研究未完全满足巷道点云的特殊去噪需求,尤其是在狭长、密闭且复杂的地下巷道环境中,未能充分应对管壁附属物、粉尘和人为噪声等因素造成的挑战。通过分析井下非结构场景和传感器误差,考虑行人、移动设备和管网带来的噪声,提出一种基于区域生长的非结构巷道点云去噪方法。利用三维激光扫描技术获得井下巷道场景的3D点云信息,并分析其中由于井下非结构场景和传感器误差造成的异常点,以及行人、移动设备和风/水管网形成的噪声特点;利用k维树(kd-tree)构建点云的拓扑关系,选取适当的种子节点和生长准则,设定合适的曲率和角度阈值,通过区域生长算法实现巷道点云的有效分割,去除未加入分割区域的离群点云;根据噪声特点,基于巷道点云区域分割结果进一步去噪优化。试验结果表明:对于巷道中存在行人、设备等特征的情况,建议将区域生长算法的角度阈值设定为10°左右,曲率阈值设定为3左右;在实际应用中,应平衡数据量的减少与去噪效果,以确保数据处理的有效性,同时提高数据质量;采用基于区域生长的非结构巷道点云去噪方法进行去噪时,点云数量减少幅度介于SOR滤波器和低通滤波器之间,能有效移除行人、设备等噪声。

基于下采样的自监督点云去噪方法

针对无噪点云采集困难且使用模拟噪声在合成数据集上训练泛化性能较低的问题,提出一种仅需含噪点云即可完成训练的自监督去噪方法,以实现在不同环境下的点云去噪.该方法首先通过设计并实现特殊的采样器,对带噪点云下采样,得到训练网络所需的配对点云;然后通过设计轻型多尺度去噪网络,解决网络训练中噪声的扰动问题.在多个数据集上的实验结果表明该方法有效,在不同场景下能获得与有监督训练相同的效果.

基于密度与局部统计的单光子点云去噪方法

针对北京遥测技术研究所自主研发的64通道机载单光子激光雷达,提出一种基于密度与局部统计的二维剖面点云去噪方法:在确定信号点云的高程区间后,先使用基于密度的改进空间聚类算法粗去噪,然后使用基于局部统计的统计移除离群点算法精去噪,获取信号点云。实验结果表明,本方法可适用于多种地物类型点云,高程均方根误差为0.27 m,准确率90.78%,精度高于常规点云去噪算法,满足国产机载单光子激光雷达获取高精度地表三维轮廓的技术需求。

混合滤波与改进双边滤波的点云去噪算法

激光扫描获取的曲面零件点云中包含的噪声点将影响零件的曲面拟合精度.提出了一种根据噪声分类分步降噪及光顺方法,利用kd tree结合K-means聚类算法去除离群点噪声,引入采样点曲率改进双边滤波因子,对非离群点噪声进行光顺.利用该方法对液力变矩器导轮叶片点云进行去噪,并与利用三坐标测量机接触式测量获得的叶片局部测量结果配准比较.实验结果表明,70%以上的接触式扫描测量点与利用本文方法去噪后的叶片点云之间的偏差在±10μm之间.表明该方法可以很好地保留扫描物体的几何特征,获得的点云模型能够满足后续模型重建的精度要求.

基于双尺度算法的激光雷达点云去噪

为了提高激光雷达点云去噪效果,提出双尺度算法。首先通过张量投票矩阵将激光雷达点云进行初步去噪;接着动态半径滤波对大尺度噪声去噪,有效提升滤波精度和算法效率;然后改进双边滤波算法对小尺度点云噪声去噪,权值系数对点云平滑处理,同时能获得点云细节特征;最后给出了算法流程。实验显示本文算法能够去除不同尺度的噪声,去噪后的点云模型能够保留细节处的几何特征,评价指标较优。

山地坡度自适应星载光子计数激光雷达点云去噪方法

星载光子计数激光雷达在接收信号的过程中会产生大量噪声,并且在复杂的山区地形中信噪比低,极大地影响对植被点云信号的准确提取。为解决该问题,提出了一种基于山地坡度的密度聚类算法。通过分析点云数据的密度和森林目标地形特征,用最大密度中心搜索法进行粗去噪,基于点云数据计算坡度角以优化密度聚类,完成数据精去噪。通过对提取的森林区域信号进行分类,拟合植被冠层廓线和地表廓线,结果表明本算法提取植被光子信号的准确率较高,地面与冠层廓线的RMSE分别为0.3588 m和3.7449 m,更适用于植被遥感点云数据处理。

基于改进DBSCAN和双边滤波算法的点云去噪

为了提高激光雷达点云去噪效果,提出了改进DBSCAN和双边滤波算法。首先通过点云数据空间欧氏距离划分栅格,从而删除无效点云;接着基于距离-密度方法在密度较大的段内找到DBSCAN的eps值,避免错误值出现,使用自适应方法获得DBSCAN的min pts值;然后利用点云邻域的曲率以及法向夹角优化双边滤波权值因子,便于保持点云的细节特征;最后给出了算法流程。实验结果显示所提算法能够去除接近点云模型的噪声以及混杂在点云模型中的噪声,评价指标较优。

基于图像分割的点云去噪方法

在基于结构光条纹投影的三维形貌测量中,由于环境等各种因素的影响会产生各种噪声。在现有的点云去噪方法中,通过分析三维空间和点云的几何关系进行点云噪声的去除存在计算复杂、效率低等问题。为了提高点云精度和点云去噪的速度,提出了一种基于图像分割的点云去噪方法。首先,根据结构光条纹投影重构的三维点云建立二维点云映射图像;其次,利用图像阈值分割方法和区域生长方法对二维点云映射图像进行图像分割;然后,对分割出的噪声区域进行记录并去除;最后,对新的二维点云映射图像重新进行三维重建得出去除噪声的点云。实验结果表明,经过该方法处理后点云精度可以达到99.974%,去噪时间为0.954 s。所提方法可以有效去除点云噪声,避免在三维空间进行复杂的计算。

基于Transformer和多尺度的点云去噪

针对三维点云数据在获取过程中会包含噪声,影响下游任务精度的问题,文章提出了一种基于Transformer和多尺度的点云去噪方法.利用多尺度提取邻域特征,通过使用基于偏移注意力的Transformer网络获取局部和全局信息,增强特征提取能力.此外,为了更好地保护尖锐特征,引入了投影损失.文章不仅在合成数据上进行评估,还在真实扫描数据上进行测试.实验表明,文章方法在定量和定性方面均取得了良好的结果.

基于自适应邻域大小的点云去噪法

针对目前常用点云去噪方法在去噪过程中容易产生过度滤波或滤波不足的现象,提出了一种基于自适应邻域大小的点云去噪法。利用统计滤波去除大尺度噪声,并用主成分分析法求出点云法向量,再通过3个特征值构建局部邻域信息熵函数,依据邻域熵值最小原则判断最优邻域和对应邻域下的法向量,最后通过双边滤波算法进行滤波去噪。实验结果表明,与传统双边滤波算法相比,该方法不仅能达到较好去噪效果,还可保留点云特征,避免过度光顺现象产生。

一种参量自适应的OPTICS单光子点云去噪算法

星载单光子激光雷达在浅水域测深方面展现出巨大的潜力,但其接收到的点云数据中存在大量噪声,给高程信息的提取带来了困难。目前,基于OPTICS(Ordering Points to Identify the Clustering Structure)的去噪算法因其精度高,在强背景噪声下表现良好,得到了广泛的应用,但此算法在水底附近区域存在去噪效果不佳的现象。为了解决这个问题,文章提出了一种参量自适应的OPTICS单光子点云去噪算法,该算法与现有OPTICS算法固定输入参数的方式不同,是通过场景自适应获取更合适的输入参数来保证水底附近区域光子的分布参数的测量准确性,从而提升水底附近区域的去噪效果。凝聚度结果显示,新算法在水底附近区域的去噪效果较现有OPTICS算法提升了约13.67%,可为之后的水深测量等工作提供更高精度的单光子点云图像。

基于多特征点参数权值优化的蒙皮点云去噪研究

点云去噪的效果对三维扫描过程后续的曲面拟合与造型设计至关重要,如何快速准确提取特征点已成为研究热点,然而点云去噪的关键之处在于奇异值与离群值的检测。提出耦合多特征点参数的去噪模型,分别讨论每个特征点参数对去噪模型的影响程度;采用群智能算法求解出一组最优参数权重,以此确定点云去噪模型,从而达到三维散乱点云最优去噪效果;通过对Bunny模型进行去噪仿真以及某一型号的蒙皮进行去噪实验,对去噪模型进行验证。结果表明:本文提出的点云去噪模型相较于半径滤波器、统计滤波器、改进体素滤波结合高斯滤波模型,迭代更快、耗时更少,具有更好的去噪效果。

基于OCT-DBSCAN算法的三维点云去噪

在三维数据采集过程中,不可避免会混入噪声,影响点云模型后续的配准、分割、曲面重建。针对离群噪声问题,提出一种结合八叉树(Octree)和空间密度聚类算法——DBSCAN的并行去噪方法。通过Octree将点云数据进行空间分割,并将叶子结点进行合理合并,形成相对均匀的数据集合存入线性表。并行化处理数据集合,对每个数据集合进行DBSCAN聚类。将聚类后的点云簇合并,剔除噪声点与噪声簇。实验结果表明,该方法相比于半径滤波、统计滤波,能够去除孤立的噪声簇,点云去噪的精度达到99.5%,比人工DBSCAN去噪速度提升了12.68倍,可以快速、有效地处理三维点云数据中的离群噪声,并很好地保持点云细节特征。

基于噪声位置分布的点云去噪算法研究

针对三维点云噪声数据位置分布的特点,采用不同的去噪算法对噪声数据进行处理。通过结合K-D树算法和高斯滤波技术,可以有效地消除大尺度的体外点云噪声;而对于混杂在主体内部的噪声,由于其他目标点之间的距离比较近,可以采用随机采样一致算法来进行有效的抑制。实验结果表明,该算法不仅可以消除游离在点云周边的体外噪声点云数据,对主体内点云噪声也能有效地去掉,使得点云模型表面光顺平滑。

基于特征选择的双边滤波点云去噪算法

为了去除与真实点混合在一起的噪声并更好地保留特征,将点云噪声分为3类,将其中与真实点混合在一起的数据点称为第3类噪声点,利用改进的双边滤波算法去除该类噪声点.首先,利用邻域点判断该点属于特征点还是非特征点;然后,根据不同范围的点云来计算特征点和非特征点的双边滤波因子,实现基于特征选择的双边滤波点云去噪.利用该算法对手持三维激光扫描仪获得的盒子及工业构件的激光点云数据进行平滑去噪处理.结果表明,所提算法在去除噪声的同时可以有效保持被扫描物体的特征,避免出现因双边滤波不能兼顾邻域点特征而产生的过度光顺现象.

基于中轴线的隧道点云去噪算法

隧道作为一个狭长的封闭空间,其点云内部噪声影响点云分析精度,有效去除隧道点云内部的噪声是基于点云隧道形变分析的关键.提出一种基于中轴线的隧道点云去噪算法.通过对点云双向投影获取隧道在水平和垂直方向的姿态变化,根据高阶多项式拟合两条平面曲线并插值中轴线控制点,通过定义空间线段的夹角加密控制点以表达中轴线.通过计算各控制点处的切平面实现对隧道点云的分割,计算各分块内点到中轴线的距离,并根据给定的距离阈值实现隧道内部点云噪声的过滤.通过两组实验分析证实该方法的可行性与精确性.第一组通过模拟隧道点云数据并采用该方法拟合中轴线,比较分析其与已知中轴线的精度.第二组通过分析处理实际的隧道点云数据,实现隧道点云内部噪声的去除.

基于曲率特征混合分类的高密度点云去噪方法

为解决复杂曲面点云在平滑去噪中存在的问题,提出基于曲率信息混合分类的特征保持点云平滑算法.该方法将平面投影与双边滤波算法相结合,采用主成分分析法对点云的局部曲率特性进行评价,使用线性组合混合分类方法将数据分为平面、次特征、富特征类型以及组合类型.针对不同特征邻域类型,提出平面类型的投影平滑方法、次特征和富特征类型的变参数双边滤波法平滑方法的线性组合方法实现点云数据的平滑去噪.将该方法用于激光三维高分辨率人体扫描系统所得到的高密度点云数据,实验结果表明该方法能够在有效光顺点云的同时保持其表面的几何特征,且简化了法向调整的繁杂运算.

基于三维重建数据的双向点云去噪方法研究

逆向工程中,三维点云数据的重构是最终获取物体形貌的关键一环,如何从复杂的点云中去除噪声干扰是人们一直研究的重点。根据测量环境中产生的不同类型噪声数据进行分析,对于物体轮廓外的噪声点,采用人机交互的方式直接去除噪声点,对于物体轮廓内单个明显的噪声点采用相邻点加权平均的方法去除,而对轮廓内连续错误的噪声点,采用了双向去噪的方法,即在点云的垂直方向通过相邻点夹角的大小去除起伏明显的噪声点,在点云的水平方向通过相邻点云水平距离的加权平均来调整水平方向其余点的距离,最后应用最小二乘法拟合得到去除噪声点处的三维坐标。结果表明该种方法不仅有效去除了点云数据中夹杂的噪声,还对物体表面失真的数据进行了有效地调整和修改,获得了连续光滑的测量表面,具有良好的效果。

基于噪声分类的双边滤波点云去噪算法

针对三维点云数据模型在去噪光顺中存在不同尺度噪声的问题,提出一种基于噪声分类的双边滤波点云去噪算法。该算法首先将噪声细分为大尺度和小尺度噪声,并使用统计滤波结合半径滤波对大尺度噪声进行去除;然后对三维点云数据进行曲率估计,并对现有点云双边滤波进行改进,增强其鲁棒性和保特征性;最后使用改进的双边滤波对小尺度噪声进行光顺,实现三维点云数据模型的去噪、光顺。与单独使用双边滤波、Fleishman双边滤波相比,改进算法在三维点云数据模型光顺平均误差指标上分别降低了50.53%和21.67%。实验结果表明,该改进算法对噪声进行尺度的细分既提高了计算效率,又避免了过光顺和细节失真,较好地保持模型中的几何特征。

基于CUDA的点云去噪算法

提出一种基于统一计算设备架构(CUDA)的双边滤波点云去噪算法,将点云去噪划分为多个并行度较高的步骤,利用GPU的并行计算能力,设计每个步骤的CUDA核函数。采用高斯加权的法矢计算方法,在双边去噪算法中加入面积权重缓解过光顺。实验结果表明,该算法能有效提高法矢计算的准确度,与CPU算法相比,计算速度提高了多个数量级。