基于改进邻域搜索的统计和双边滤波点云去噪方法技术

本发明专利技术公开了一种基于改进邻域搜索的统计和双边滤波点云去噪方法，包括以下步骤：步骤1，利用基于改进领域搜索的统计滤波算法对点云数据进行处理，得到处理后的点云数据：步骤1.1，获得点云二维平面投影图；步骤1.2,网格划分得到多个矩形；步骤1.3，初步剔除离群点；步骤1.4，计算任意点p对应的平均距离；步骤1.5，计算平均距离μ和标准差σ；步骤1.6，计算最大阈值d

【技术实现步骤摘要】
基于改进邻域搜索的统计和双边滤波点云去噪方法


[0001]本专利技术属于3D点云数据处理
，具体涉及一种基于改进领域搜索的统计和双边滤波的点云去噪方法。

技术介绍

[0002]随着三维重建技术的发展，3D点云数据在重建过程中得到越来越广泛的应用。而非接触式的点云数据采集方法因其高精度和高分辨率以及采样速度，在人工智能、工业生产、医学等领域有着非常重要的应用。利用三维激光扫描设备得到的点云数据呈现出无序散乱的状态，另外由于目标对象表面粗糙度、设备精度、环境光照等因素的影响，获得的3D点云不可避免地受到噪声点的影响。噪声点严重影响不仅会严重影响后续的特征提取及匹配、重构精度及点云数据识别率的高低。因此，去除点云数据中的噪声点，同时获得完整可用的点云一直是人们研究的重点。
[0003]对于无序点云或者部分有序点云，去噪相关的滤波算法也有很多。统计滤波算法是通过计算点到其k邻域内点云间的平均距离的计算，在一定范围之外点，可以视为离群点剔除，但是对于点云内部的小尺度噪声不能很好的去除。双边滤波主要是使点云的数据点沿着法向量向其边缘移动，这样能够去除一些点云内部噪声，使其向表面移动同时增强边缘信息，以此来平滑噪声。但是对离群孤立噪声点的去噪效果并不好。另外，传统统计滤波算法在对点云邻域搜索时，利用空间上的栅格化进行搜索，计算量大、搜索速率慢。

技术实现思路

[0004]本专利技术的目的是,提供一种基于改进邻域搜索的统计和双边滤波点云去噪方法，该方法将点云数据投影到平面并进行网格划分，在相邻的9个矩形进行搜索，这样解决了传统统计滤波算法搜索邻域速度慢、计算量大的问题，以及仅仅使用统计滤波或者双边滤波时，对于不同尺度的噪声点不能够较好去除的局限的问题。
[0005]为了实现上述目的，本专利技术采用如下技术方案予以解决：
[0006]一种基于改进邻域搜索的统计和双边滤波点云去噪方法，具体包括以下步骤：
[0007]步骤1，利用基于改进领域搜索的统计滤波算法对点云数据进行处理，得到处理后的点云数据：包括如下子步骤：
[0008]步骤1.1，根据点云数据中大尺度离群噪声点的分布情况，选择侧视图或者俯视图的投影方向，获得点云二维平面投影图；
[0009]步骤1.2,在点云二维平面投影图中对点云数据进行网格划分，得到多个矩形；
[0010]步骤1.3，若p点所在矩形的点的个数小于该点所在矩形的所有相邻矩形内的点的个数总和，则将p点作为离群点剔除；
[0011]步骤1.4，计算任意点p与其所在矩形的相邻矩形内的所有点的平均距离；
[0012]步骤1.5，对步骤1.3得到的全体点云数据中的每个点，计算平均距离μ和标准差σ：
[0013]步骤1.6，根据平均距离μ和标准差σ，利用公式4计算得到最大阈值d
max
，比较每个
点与其所在矩形的相邻矩形内的所有点的平均距离与最大阈值d
max
，将超过最大阈值的点作为离群噪声点去除；
[0014]步骤2，对步骤1得到的处理后的点云数据进行双边滤波，得到滤波后的点云数据，包括如下子步骤：
[0015]步骤2.1，对于步骤1得到的处理后的点云数据，搜索得到每个数据点p
i
的k邻域的集合N
k
(p
i
)，估算得到每个数据点p
i
的法向量；
[0016]步骤2.2，计算得到高斯核函数Wc(x)和Ws(y)；
[0017]步骤2.3，根据高斯核函数Wc(x)和Ws(y)，计算双边滤波因子λ；
[0018]步骤2.4，计算双边滤波后的数据点，利用得到的数据点对步骤1得到的点云数据中的对应点进行更新，直到更新所有的数据点。
[0019]进一步的，所述步骤1.4中，采用利用公式(1)计算任意点p与其所在矩形的相邻矩形内的所有点的平均距离d
k
；
[0020][0021]其中，d
j
为任意点p到其所在矩形的相邻矩形内的每个点的距离，k为点p所在矩形的所有相邻矩形内的点的个数的总和。
[0022]进一步的，所述步骤1.5中，利用公式2和公式3计算平均距离μ和标准差σ：
[0023][0024][0025]其中，n为步骤1.3得到的点云数据总数，实施例中n＝1920040；d
ki
为第i个点与其所在矩形的相邻矩形内的所有点的平均距离，由步骤1.4获得。
[0026]进一步的，所述步骤1.6中，利用公式4计算得到最大阈值d
max
：
[0027]d
max
＝μ+α
×
σ
ꢀꢀ
(4)
[0028]其中，α为比例系数，α＝0.1。
[0029]进一步的，所述步骤2.1中，利用Kdtree邻域搜索得到每个数据点p
i
的k邻域的集合N
k
(p
i
)；
[0030]通过基于主元分析方法估算得到每个数据点p
i
的法向量；操作具体如下：
[0031]利用公式5构建协方差矩阵C，并计算协方差矩阵C的最小特征根λ对应的特征向量v，并将其作为数据点p
i
的法向量的近似估计。
[0032][0033]其中，p
s
为步骤1得到的处理后的点云数据中的任一点，p
s
为数据点p
i
的k邻域中的任一点，k为点p的k邻域中的点的个数。
[0034]进一步的，所述步骤2.2中，由公式6和公式7计算得到高斯核函数Wc(x)和Ws(y)。它们分别对应着空间域来控制光顺平滑和频域来控制边缘保持；
[0035][0036]其中，σ
c
是控制点云平滑光顺的参数，取为被测点k邻域的半径；
[0037][0038]其中，σ
s
是控制点云特征保持的参数，取为被测点的邻域点的标准偏差。
[0039]进一步的，所述步骤2.3中，利用公式8计算双边滤波因子λ：
[0040][0041]其中，p
j
为p
i
的k邻域中的任一点，n
i
，nj分别为点p
i
和点p
j
的法向量。
[0042]进一步的，利用公式9计算双边滤波后的数据点：
[0043]p
l
＝p
i
+λn
i
ꢀꢀ
(9)
[0044]其中，p
i
为步骤1处理后得到的点云数据中的第i个点，λ是双边滤波因子，n
i
是该点的法向量，p
l
是更新后的数据点。
[0045]相较于现有技术，本专利技术的有益效果如下：
[0046]与传统统计滤波算法的邻域搜索方法相比，本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进邻域搜索的统计和双边滤波点云去噪方法，其特征在于，具体包括以下步骤：步骤1，利用基于改进领域搜索的统计滤波算法对点云数据进行处理，得到处理后的点云数据：包括如下子步骤：步骤1.1，根据点云数据中大尺度离群噪声点的分布情况，选择侧视图或者俯视图的投影方向，获得点云二维平面投影图；步骤1.2,在点云二维平面投影图中对点云数据进行网格划分，得到多个矩形；步骤1.3，若p点所在矩形的点的个数小于该点所在矩形的所有相邻矩形内的点的个数总和，则将p点作为离群点剔除；步骤1.4，计算任意点p与其所在矩形的相邻矩形内的所有点的平均距离；步骤1.5，对步骤1.3得到的全体点云数据中的每个点，计算平均距离μ和标准差σ：步骤1.6，根据平均距离μ和标准差σ，利用公式4计算得到最大阈值d
max
，比较每个点与其所在矩形的相邻矩形内的所有点的平均距离与最大阈值d
max
，将超过最大阈值的点作为离群噪声点去除；步骤2，对步骤1得到的处理后的点云数据进行双边滤波，得到滤波后的点云数据，包括如下子步骤：步骤2.1，对于步骤1得到的处理后的点云数据，搜索得到每个数据点p
i
的k邻域的集合N
k
(p
i
)，估算得到每个数据点p
i
的法向量；步骤2.2，计算得到高斯核函数Wc(x)和Ws(y)；步骤2.3，根据高斯核函数Wc(x)和Ws(y)，计算双边滤波因子λ；步骤2.4，计算双边滤波后的数据点，利用得到的数据点对步骤1得到的点云数据中的对应点进行更新，直到更新所有的数据点。2.如权利要求1所述的改进邻域搜索的统计和双边滤波点云去噪方法，其特征在于，所述步骤1.4中，采用利用公式(1)计算任意点p与其所在矩形的相邻矩形内的所有点的平均距离d
k
；其中，d
j
为任意点p到其所在矩形的相邻矩形内的每个点的距离，k为点p所在矩形的所有相邻矩形内的点的个数的总和。3.如权利要求1所述的改进邻域搜索的统计和双边滤波点云去噪方法，其特征在于，所述步骤1.5中，利用公式2和公式3计算平均距离μ和标准差σ：步骤1.5中，利用公式2和公式3计算平均距离μ和标准差σ：其中，n为步骤1.3得到的点云数据总数，实施例中n＝1920040；d
ki
为第i个点与其所在
矩形的相邻矩形内的所有点的平均距离，由步骤1.4获得。4.如权利要...

【专利技术属性】
技术研发人员：马宗方，徐捷，王艳，段明，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：