一种基于图卷积网络的点云去噪方法技术

本发明专利技术提供了一种基于图卷积网络的点云去噪方法，该方法引入图结构表示三维点云数据，在点的对偶空间中引入图卷积运算以提取点云模型中的几何信息，实现了对于神经网络轻量级的训练及推断过程。本发明专利技术中的网络架构采用了多尺度输入及动态边缘卷积EdgeConv模块，在保证置换不变性的同时提取多种尺度层级的局部几何信息，相比于在3D噪声空间中定义邻域，根据点的高维特征空间表示之间的相似性对图进行动态计算可以发掘出更复杂的潜在相关性，最终可以简单高效地达到高度特征保持的点云去噪效果。本发明专利技术将图卷积神经网络应用在点云的去噪问题上，通过动态图卷积实现有效的特征学习，在CAD模型和原始扫描模型等多个噪声数据集中均达到了最优的去噪效果。

【技术实现步骤摘要】
一种基于图卷积网络的点云去噪方法
本专利技术属于计算机图形学领域，涉及一种基于图卷积网络的点云去噪方法，特别适用于对三维数据采集过程中的噪声与特征模糊进行处理。
技术介绍
三维激光扫描是一种快速获取高精度点云的新技术，但由于受物体本身的构造、粗糙程度、纹理以及测量环境等因素的影响，获取的点云数据大多存在孤立的噪声点。为了获得逼真的三维网格模型，在对实测三维数据进行曲面重建之前必须对其进行去噪处理。三维模型的去噪技术受到二维图像去噪技术的很大启发，目前已经引入了各种低通和保留特征的滤波器来进行去噪处理，如应用最广泛的双边滤波器。但基于滤波的去噪有一个明显的缺点，即噪声程度过大时模型的几何特征被严重破坏，用滤波器难以恢复出来，特别是模型中的弱特征。另一类方法是基于优化进行点云去噪。但此类方法仅适用满足其几何假设的点云，并且对于具有不同特征的点云不能很好地概括噪声模式。相比之下，基于学习的方法并未对模型几何特征或噪声模式做出特定假设，并且已成功应用于图像去噪。但是，与图像不同，3D点云通常是不规则的，因此基于图像的卷积运算不能直接适用。
技术实现思路
本专利技术的提出了一种基于图卷积神经网络(GCN)的点云去噪方法，通过在点云顶点的对偶空间上使用具有旋转不变性的图表示，进而通过动态图卷积网络实现有效的特征学习。本专利技术中的网络架构采用了多尺度输入及动态边缘卷积EdgeConv模块，在保证置换不变性的同时提取多种尺度层级的局部几何信息，相比于在3D噪声空间中定义邻域，根据点的高维特征空间表示之间的相似性对图进行动态计算，可以发掘出更复杂的潜在相关性，最终可以简单高效地达到高度特征保持的点云去噪效果。本专利技术是通过以下技术方案来实现的：一种基于图卷积网络的点云去噪方法，包括以下步骤：步骤一：对噪声点云中每个顶点求在不同尺度层级的局部块，并采用法向张量投票算法对各尺度层级的局部块进行旋转对齐。其中，所述不同尺度层级的局部块由在以顶点为球心、不同半径的包围球内均匀采样顶点获得，尺度层级与包围球的半径一一对应。步骤二：将步骤一对齐的局部块均转换为图表示，以每个顶点的不同尺度层级的局部块为一组数据共同输入至训练好的图卷积神经网络，所述图卷积神经网络包括K个图卷积模块、池化层及L1层全连接(FC)层，K为尺度数，图卷积模块由Ld层EdgeConv层组成，其中，每个尺度层级的局部块分别输入至图卷积模块提取特征，K个提取的特征经过全连接层聚合预测出无噪声的局部坐标系下归一化的顶点坐标，再对点云模型的全局顶点坐标进行更新，得到去噪后的模型。进一步地，所述步骤一通过以下子步骤来实现：(1.1)对于选取的顶点vi，以其为原点，按照不同尺度下的半径划定包围球，在各个包围球内均匀采样顶点作为局部块pi中的点。(1.2)定义对于该块中所有点vi的法向投票张量Ti，并得到特征值和单位特征向量。(1.3)根据1.2得到的特征向量构造一个旋转矩阵Ri，并将pi中每个的点和法向与Ri-1相乘以生成旋转对齐后的局部块数据进一步地，所述步骤1.1中，采用三种尺度，三种尺度对应的包围球半径分别为点云模型对角线长度的0.025倍，0.05倍及0.1倍，对应在包围球内均匀采样至局部块pi中的点的数目分别为32，64，128。进一步地，所述步骤二通过以下子步骤来实现：(2.1)以每个顶点的不同尺度层级的局部块为一组数据，将每个尺度的局部块中顶点的坐标与法向特征信息迭代输入至对应的图卷积模块，进行动态边卷积处理，得到特征空间中最邻近的特征点。(2.2)将2.1图卷积后学习到的特征通过全连接层聚合。(2.3)特征聚合后由池化层进行对称性池化操作，选取最主要的特征预测偏移量，得到无噪声的局部坐标系下归一化的顶点坐标。(2.4)将局部坐标系下的顶点坐标还原至全局坐标系下，最终对点云模型的全局顶点坐标进行更新，得到去噪后的模型。进一步地，所述图卷积神经网络的训练数据集通过如下方法构建：对数据集中无噪声模型的点云数据每个顶点以顶点为球心、固定半径(0.05倍点云模型对角线长度)划定包围球，并在包围球内均匀采样获得局部块；应用法向张量投票算法到每个顶点生成的局部块上，得到三个特征值λ1,λ2,λ3。根据特征值将所有的数据中所有模型的局部块分为特征块和无特征块两组，均匀采样块数据构建成训练数据集。本专利技术的突出贡献是：本专利技术提出了一种基于图卷积网络(GCN)的特征保持的点云去噪方法。与先前的基于体素的表示进行特征学习或基于人为构造特征学习的点云去噪方法不同，本专利技术引入图结构表示三维点云数据，然后在点的对偶空间中引入动态边缘卷积运算。本专利技术采用图表示形式自然地提取三维点云模型中的几何信息，实现了对于神经网络轻量级的训练及推断过程。本专利技术中的网络架构采用了多尺度输入及动态边缘卷积EdgeConv模块，可以在未连接邻近点的潜在隐式联系中提取不同尺度特征，在保证置换不变性的同时充分学习数据的局部几何信息。本专利技术将图卷积神经网络应用在点云的去噪问题上，通过动态图卷积实现有效的特征学习，在CAD模型和原始扫描模型等多个噪声数据集中均达到了最优的去噪效果。附图说明图1是本专利技术进行点云去噪的流程示意图。图2是本专利技术的多尺度输入图卷积网络结构，右下角为EdgeConv层结构示意。图3是本专利技术的点云去噪效果图。图4是本专利技术的点云去噪后进行泊松重建得到的网格模型效果图。具体实施方式本专利技术提出了一种新的点云去噪方法，引入图卷积运算以自然地提取点云模型中的几何信息，同时，将不规则的点云块数据划分成多种尺度输入到图卷积网络中，使其能够全面获取点云信息，有效提高网络模型的性能。图卷积网络已经被应用于处理非欧几里得结构。图卷积网络的早期工作需要静态图结构，因此无法扩展为具有变化拓扑的点云。对动态图卷积的最新研究表明，可变边缘可以表现得更好。本专利技术还利用动态图结构来有效地学习块中的几何特征，相比于在3D噪声空间中定义邻域，根据点的高维特征空间表示之间的相似性对图进行动态计算可以发掘出更复杂的潜在相关性，能够比其他现有的方法更好地捕获噪声下源模型的固有几何特征。具体地，本专利技术对于点云数据的每个顶点vi，按照不同尺度(即不同固定半径)划定包围球，分别提取不同尺度下包围球内的顶点作为该点、该尺度对应的局部块pi，利用不同尺度的局部块共同预测无噪声的局部坐标系下归一化的顶点坐标。进而还原至全局坐标系下，最终对点云模型的全局顶点坐标进行更新实现去噪。具体包括如下步骤：步骤一：对于选取的顶点vi，按照其点云模型的0.025、0.05及0.1倍对角长度为固定半径分别划定包围球，将包围球内顶点进行均匀采样后得到该块pi中的点。对于该块中所有点ci的法向投票张量Ti，并得到特征值和单位特征向量。根据特征向量构造一个旋转矩阵Ri，并将pi中每个的点和法向与Ri-1相乘以生成旋转对齐后的块数据步骤二：将步骤一本文档来自技高网...

【技术保护点】
1.一种基于图卷积网络的点云去噪方法，其特征在于，包括以下步骤：/n步骤一：对噪声点云中每个顶点求在不同尺度层级的局部块，并采用法向张量投票算法对各尺度层级的局部块进行旋转对齐。其中，所述不同尺度层级的局部块由在以顶点为球心、不同半径的包围球内均匀采样顶点获得，尺度层级与包围球的半径一一对应。/n步骤二：将步骤一对齐的局部块均转换为图表示，以每个顶点的不同尺度层级的局部块为一组数据共同输入至训练好的图卷积神经网络，所述图卷积神经网络包括K个图卷积模块、池化层及L

【技术特征摘要】
1.一种基于图卷积网络的点云去噪方法，其特征在于，包括以下步骤：
步骤一：对噪声点云中每个顶点求在不同尺度层级的局部块，并采用法向张量投票算法对各尺度层级的局部块进行旋转对齐。其中，所述不同尺度层级的局部块由在以顶点为球心、不同半径的包围球内均匀采样顶点获得，尺度层级与包围球的半径一一对应。
步骤二：将步骤一对齐的局部块均转换为图表示，以每个顶点的不同尺度层级的局部块为一组数据共同输入至训练好的图卷积神经网络，所述图卷积神经网络包括K个图卷积模块、池化层及L1层全连接(FC)层，K为尺度数，图卷积模块由Ld层EdgeConv层组成，其中，每个尺度层级的局部块分别输入至图卷积模块提取特征，K个提取的特征经过全连接层聚合预测出无噪声的局部坐标系下归一化的顶点坐标，再对点云模型的全局顶点坐标进行更新，得到去噪后的模型。


2.根据权利要求1所述的一种基于图卷积网络的点云去噪方法，其特征在于，所述步骤一通过以下子步骤来实现：
(1.1)对于选取的顶点vi，以其为原点，按照不同尺度下的半径划定包围球，在各个包围球内均匀采样顶点作为局部块pi中的点。
(1.2)定义对于该块中所有点vi的法向投票张量Ti，并得到特征值和单位特征向量。
(1.3)根据1.2得到的特征向量构造一个旋转矩阵Ri，并将pi中每个的点和法向与Ri-1相乘以生成旋转对齐后的局部块数据


3.根据权利要求2所述的一种基于图卷积...

【专利技术属性】
技术研发人员：杜仲烁，郑友怡，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33