【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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。