一种三维点云去噪的装置及方法制造方法及图纸

本发明专利技术属于图像去噪领域，具体地说，是一种三维点云去噪的装置及方法，该装置及方法基于拉普拉斯正则化子空间非局部低秩学习，将先前提出的像素块的低维流模型扩展到点云中的表面块，使用面片的图拉普拉斯正则化器得到3D点云图像的流形维度，然后基于图像点云的高维信息位于低维子空间的原理，采用子空间非局部低秩因子研究子空间的非局部自相似性，估计由非局部相似三维面片生成的三维张量，最后使用三维张量构建去噪模型，得到视觉和量化指标更优的去噪图像，该方法得到的去噪后的图像点云可以更好地保留了视觉上显著的结构特征，量化指标也很好。指标也很好。指标也很好。

【技术实现步骤摘要】
一种三维点云去噪的装置及方法


[0001]本专利技术属于图像去噪领域，具体地说，是一种三维点云去噪的装置及方法，该装置及方法基于拉普拉斯正则化子空间非局部低秩学习。

技术介绍

[0002]三维点云是一种新的立体物体的信号表示，是三维空间中标记外部物体表面位置的三元组的离散集合。三维(3D)点云已经成为三维空间中立体对象的重要、流行的信号表示。3D点云可以直接使用低成本深度传感器例如微软Kinect，或高分辨率3D扫描仪，例如LiDAR，获取。此外，近年来为了从图像或视频中恢复3D模型，广泛研究了多视图立体匹配技术，其中典型的输出格式是点云。然而，在任何一种情况下，输出的点云都存在噪声，这会极大程度上影响后续的计算机视觉研究，所以针对含有噪声的图像点云存在许多去噪方法。
[0003]当前的点云去噪工作可分为四类：基于移动最小二乘(MLS)的方法、基于局部最优投影(LOP)的方法、基于稀疏度的方法和基于非局部相似性的方法。基于MLS的方法，将输入的样本近似平滑曲面，并将点投影到生成的曲面上。为了构造曲面，Alexa等人提出的方法为第一个移动最小二乘方法，该方法最适合为相邻点的每个点找到局部参考域，然后通过将多项式函数拟合到相邻数据来定义基于参考域的函数。还提出了一些扩展，解决了高曲率情况下的不稳定重建问题，例如代数点集曲面(APSS)。这些方法可以从含有很多噪声的输入图像中稳健地生成平滑曲面，但经常因过度平滑而受到批评。与基于MLS的方法不同，基于LOP的方法不计算曲面的显式参数。例如，Lipman等人提出的基于LOP的方法输出一组表示底层表面的点，同时在优化中使用排斥项在点云上强制均匀分布。其修改包括加权LOP(WLOP)，通过使排斥项适应局部密度来提供更均匀分布的输出，以及各向异性WLOP(AWLOP)，通过修改WLOP以使用各向异性加权函数来保持尖锐的特征。基于LOP的方法由于使用局部算子也会存在过度平滑的问题，或由于噪声也会导致产生额外的特征。基于稀疏度的方法根据对局部平面性的假设，并针对某些几何特征的稀疏表示进行优化。基于表面法线稀疏性的方法首先通过使用l1或l2正则化解决全局最小化问题来获得表面法线的稀疏重建，然后通过基于局部平面假设解决另一个全局最小化问题，用表面法线更新点位置。最近的一种称为移动鲁棒主成分分析(MRPCA)的方法使用点偏离局部参考平面的l1最小化来保持尖锐特征。基于稀疏度的方法可以实现最先进的性能，但在高噪声情况下，法线或局部平面的估计可能非常差，从而导致过度平滑或过度锐化。非局部方法广泛用于图像去噪，该方法将非局部均值和BM3D图像去噪算法中的非局部自相似性概念推广到点云去噪，并显示出在高噪声水平下更好地保留结构特征。但由于点云中缺乏规则结构，将非局部图像去噪方案扩展到点云是困难的。可以利用基于曲率的相似性进行非局部滤波，使得滤波考虑了邻域几何结构，更好地保留了精细的形状特征。也可以使用局部MLS曲面的多项式系数作为邻域描述符来计算点相似性。

技术实现思路

[0004]本专利技术的目的是克服现有技术中的不足，提供一种三维点云去噪的装置及方法，获得很好的保留视觉上显著的结构特征、量化指标也很好的去噪后的图像点云，该方法基于拉普拉斯正则化子空间非局部低秩学习。
[0005]本专利技术采用的具体技术方案如下：
[0006]一种三维点云去噪装置，包括：
[0007]获取3D点云模块：用于采用泊松圆盘获取含有不同噪声的3D图像模型和其对应的干净的3D图像模型的3D点云；
[0008]子空间模块：用于根据图像模型的3D点云，对3D点云数据进行子空间表征，得到子空间基E；
[0009]低维流形模块：用于将面片之间的相似性问题转换成了求解面片流形M(U)的维度问题；
[0010]子空间非局部低秩因子分解模块：用于根据图像点云的高维信息位于低维子空间的原理，研究子空间的非局部自相似性问题；
[0011]获取3D张量模块：用于从非局部相似三维面片中计算特征图像Z，从特征图像组成的图像中生成3D张量；
[0012]去噪模型模块：用于采样交替迭代最小化策略，迭代计算得到去噪后的3D点云图像。
[0013]此外，该装置还包括处理器及存储介质：存储介质用于存储指令；处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
[0014]本专利技术还披露了一种三维点云去噪方法，使用上述的三维点云去噪的装置，包括如下步骤：
[0015]步骤1：获取图像含有不同噪声的3D图像模型和其对应的干净的3D图像模型；
[0016]步骤2：对3D图像模型使用泊松圆盘在每个网格进行采样获得3D点云；
[0017]步骤3：对通过步骤2得到的3D点云数据进行子空间表征，得到子空间基E；
[0018]步骤4：基于低维流形模型，构建3D点云图像的中心点集和面片，将研究面片之间的相似性转换成了求解面片流形M(U)的维度问题；
[0019]步骤5：使用基于面片的图拉普拉斯正则化器逼近连续域中的流形维数，计算得到3D点云图像的流形维度；
[0020]步骤6：基于图像点云的高维信息位于低维子空间的原理，采用子空间非局部低秩因子研究子空间的非局部自相似性；
[0021]步骤7：从非局部相似三维面片中计算特征图像Z，从特征图像组成的图像中生成3D张量；
[0022]步骤8：将以上步骤得到的数据输入去噪模型中，采样交替迭代最小化策略，迭代计算得到去噪后的3D点云图像。
[0023]在上述技术方案中，步骤3中，对3D点云数据进行子空间表征的方法具体包括：设置子空间基E的子空间维度k；对3D点云数据进行奇异值分解；由3D点云数据奇异向量得到子空间基E。
[0024]步骤4中，将研究面片之间的相似性转换成了求解面片流形M(U)的维度问题，使用
先验和保真度项公式化最大后验问题的公式如下：
[0025][0026]其中，λ是保真度项交换先验的参数，而是Frobenius范数。
[0027]步骤5中的图拉普拉斯正则化计算流形维数的具体流程如下：
[0028]首先，在流形上的构造离散图G，其顶点集是在M(U)的上的观察到的曲面片即其中两个面片p
m
和p
n
之间的边缘权重为：
[0029]w
mn
＝(ρ
m
ρ
n
)
‑
1γ
ψ(d
mn
)
[0030]其中，ψ(
·
)是一个阈值高斯函数，表示为：
[0031][0032]d
mn
是两个面片p
m
和p
n
之间的欧几里德距离，即d
mn
＝||p
m
‑
p
n
||2，ε是边缘集，(ρ
m
ρ
n
)
‑
1γ
是正则本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种三维点云去噪的装置，其特征在于，包括以下模块：获取3D点云模块：用于采用泊松圆盘获取含有不同噪声的3D图像模型和其对应的干净的3D图像模型的3D点云；子空间模块：用于根据图像模型的3D点云，对3D点云数据进行子空间表征，得到子空间基E；低维流形模块：用于将面片之间的相似性问题转换成了求解面片流形M(U)的维度问题；子空间非局部低秩因子分解模块：用于根据图像点云的高维信息位于低维子空间的原理，研究子空间的非局部自相似性问题；获取3D张量模块：用于从非局部相似三维面片中计算特征图像Z，从特征图像组成的图像中生成3D张量；去噪模型模块：用于采样交替迭代最小化策略，迭代计算得到去噪后的3D点云图像。2.一种三维点云去噪方法，其特征在于，使用如权利要求1所述的三维点云去噪的装置，包括如下步骤：步骤1：获取图像含有不同噪声的3D图像模型和其对应的干净的3D图像模型；步骤2：对3D图像模型使用泊松圆盘在每个网格进行采样获得3D点云；步骤3：对通过步骤2得到的3D点云数据进行子空间表征，得到子空间基E；步骤4：基于低维流形模型，构建3D点云图像的中心点集和面片，将研究面片之间的相似性转换成了求解面片流形M(U)的维度问题；步骤5：使用基于面片的图拉普拉斯正则化器逼近连续域中的流形维数，计算得到3D点云图像的流形维度；步骤6：基于图像点云的高维信息位于低维子空间的原理，采用子空间非局部低秩因子研究子空间的非局部自相似性；步骤7：从非局部相似三维面片中计算特征图像Z，从特征图像组成的图像中生成3D张量；步骤8：将以上步骤得到的数据输入去噪模型中，采样交替迭代最小化策略，迭代计算得到去噪后的3D点云图像。3.根据权利要求2所述三维点云去噪方法，其特征在于，所述步骤3中，对3D点云数据进行子空间表征的方法具体包括：设置子空间基E的子空间维度k；对3D点云数据进行奇异值分解；由3D点云数据奇异向量得到子空间基E。4.根据权利要求2所述三维点云去噪方法，其特征在于，所述步骤4中，将研究面片之间的相似性转换成了求解面片流形M(U)的维度问题，使用先验和保真度项公式化最大后验问题的公式如下：其中，λ是保真度项交换先验的参数，而|是Frobenius范数。5.根据权利要求2所述三维点云去噪方法，其特征在于，所述步骤5中的图拉普拉斯正则化计算流形维数的具体流程如下：首先，在流形上的构造离散图G，其顶点集是在M(U)的上的观察到的曲面片
其中两个面片p
m
和p
n
之间的边缘权重为：w
mn
＝(ρ
m
ρ
n
)
‑
1γ
ψ(d
mn
)其中，ψ(
·
)是一个阈值高斯函数，表示为：d
mn
是两个面片p
m
和p
n
之间的欧几里德距离，即d
mn
＝||p
m
‑
p
n
||2，ε是边缘集，(ρ
m
ρ
n
)
‑
1γ
是正则化项；然后使用图拉普拉斯正则化器GLR，计算离散域的流形维数，同时避免对全局坐标排序...

【专利技术属性】
技术研发人员：邓丽珍，龚涵骁，朱虎，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：