保持特征的散乱点云数据去噪

为保证在去除点云数据噪声的同时不损失模型的细节特征,提出了一种基于特征信息的加权模糊C均值聚类去噪算法。首先,构建点云K-D树拓扑结构,根据点的r半径球邻域点统计特性去除大尺度离群噪声点。然后,利用主元分析法估算点云的曲率和法向量,根据曲率特征标识点云数据的特征区域,并采用特征加权模糊C均值聚类算法对特征区域去噪,采用加权模糊C均值聚类算法对非特征区域去噪。最后,使用双边滤波器对点云模型进行平滑。对提出的算法进行了验证实验,结果显示:去噪后点云模型的最大偏差保持在模型尺寸的0.15%以内;标准偏差保持在模型尺寸的0.03%以内。本文算法能够在有效去除不同尺度和强度的噪声的同时不损失点云模型的细节特征,去噪精度高,且对不同的噪声模型具有较强的鲁棒性。     

一种基于模糊C均值和均值滤波的点云去噪算法

因点云数据中存在噪声,通常对不同特征的点云数据采用相同的处理方法,虽然能删除噪声但也会因删除尖锐特征造成过光顺。提出了一种基于模糊C均值(FCM)聚类算法且均值滤波的点云去噪算法。该算法使用模糊C均值聚类算法删除大尺度噪声后,再将均值滤波应用到点云光顺中,对数据点中的小尺度噪声进行光顺。实验结果表明,该算法去噪效果明显,在去噪光顺过程中较好地保持了边界特征,也避免了过光顺问题的产生。     

装配面点云特征增强的去噪算法研究

为了去除与法兰装配面数据点混合在一起的噪声并更好地保留装配面的特征,将装配面点云数据中的噪声分为 2 类。利用空间栅格划分将点云数据栅格化,使用 K 领域搜索的方法筛选出第 1 类噪声点,运用采样点邻域点数统计法删除第 1 类噪声点;采用改进的双边滤波法对第 2 类噪声点进行去噪。通过与各类算法进行比较,实验结果表明,该去噪算法在达到预期去噪效果的同时还可以增加装配面特征的保持度,并且能够避免传统双边滤波在去噪后产生光顺过度的现象。     

层次化点云去噪算法

三维激光扫描设备获取的初始点云模型中含有较多的噪声点,不利于后期的点云处理,需要将其进行剔除。为了有效地保持点云的尖锐几何特征,本文提出一种由粗到精的层次化点云去噪算法。首先构造点及其邻域点的张量投票矩阵,通过计算该矩阵的特征值和特征向量构造扩散张量,并基于该扩散张量利用各向异性扩散方程进行循环滤波,从而实现点云初始粗去噪;然后计算滤波后点云的曲率特征,并根据曲率值进一步删除点云中的噪声点,从而实现点云精确去噪;最后通过计算点云熵值对去噪算法进行定量评价。实验结果表明,本文提出的点云去噪算法具有较大的熵值、较小的去噪误差和较高的执行效率。因此说,该层次化点云去噪算法在保持尖锐几何特征的同时,可以快速精确剔除噪声点,是一种有效的点云去噪算法。     

航空发动机外形点云的保特征去噪方法

三维激光扫描设备可以提供航空发动机外形实测点云,但其中包含的噪声会直接影响后期外形几何模型的重建精度。为保证在去除噪声的同时不模糊或破坏掉发动机复杂的外形几何特征,提出了一种基于深度学习的点云保特征去噪方法。将航空发动机外形噪声点云分割成特征数据和非特征数据之后,分别设计了特征去噪网络和非特征去噪网络,用于预测特征噪声点和非特征噪声点的位置修正向量,噪声点沿预测向量移动后被投影回模型真实的底层表面上,实现去噪。构建了用于特征去噪学习和非特征去噪学习的数据集。验证结果表明,在将该方法应用于各种噪声尺度的发动机外形点云时,相比现有的学习基方法,去噪效果得到提高,且有更好的几何特征保护能力,可以为后续重建提供高质量点云。     

大型椭球类复杂曲面仿形加工点云数据去噪光顺算法

针对装备制造、航空航天等领域中许多高性能要求的大型椭球薄壁类零/部件在仿形加工过程中数据量大、工件表面细微特征复杂的加工难点,提出了一种大型椭球类复杂曲面仿形加工点云数据去噪光顺算法。去噪光顺算法利用S-H-ESD(Seasonal-Hybrid-ESD)算法将点云数据分解,以进行噪声点的识别与光顺,然后利用改进后的双边滤波算法对点云数据进行整体光顺。最后通过实验,以某装备制造现场采集的大型球冠工件点云数据作为实验对象,证明了该算法能够快速有效地进行大型椭球类复杂曲面点云数据的去噪与光顺。     

一种结合高斯统计的点云引导滤波算法

针对三维信息采集设备得到的点云中含有噪声点会影响观测和重建的问题,提出一种结合高斯统计的引导滤波方法用于点云去噪和平滑处理。首先通过计算点云中各点与邻域点的欧式距离及其均值和标准差设置高斯分布阈值去除离群点,然后采用引导滤波算法平滑模型表面噪声点。仿真实验展示了不同参数下高斯统计方法去除离群点的效果,将点云引导滤波分别与均值滤波、双边滤波进行对比,结果表明点云引导滤波具有良好的几何特征保持性能和算法耗时低的优点。     

特征保持的点云光顺算法

提出了一种特征保持的三维点云光顺去噪算法。首先对点云模型构造kd树结构,计算采样点的k邻域,然后把点云模型的局部几何信息,包括邻域点间距离、法向夹角、曲率等作为特征参数,根据其特征性强弱将采样点沿法向方向移动不同距离来实现点云去噪。实验结果表明,算法既能有效去除噪声,又能很好地保留原始模型的特征信息。     

基于DBSCAN-3σ的雷达去噪算法研究

为了解决雷达探测数据中噪点过多的问题,提出了结合基于密度的噪声聚类算法(DBSCAN)和拉依达准则(3σ)的去噪方法。以雷达实际测量的目标运动信息为实验数据,运用DBSCAN算法进行聚类,剔除数据中的离群噪点,再通过拉依达准则去除影响较大的奇异值。实验结果表明,去噪之后雷达测距的线性误差由12 mm减少到0.36 mm,性能优于经典的半径滤波算法,可为实际雷达测量提供参考。     

基于法向修正的双边滤波点云去噪处理

为了在降噪的同时保持点云模型的几何特征,并较好地处理离群点,针对不同种类的噪音问题,提出了一种基于法向修正的双边滤波点云综合去噪算法。该算法先对点云模型进行空间单元格划分,构造基于单元格最佳连通域,保留内部点云数据并去除点云模型离群点,然后根据双边滤波需要求法线的特点,对点云模型进行法向修正后再进行滤波处理。实验结果表明该算法简单快捷,能够很好地去除离群点,在去噪的同时可以很好地保留点云模型的几何特征,在处理效率和稳定性方面均优于单一的双边滤波算法。     

特征提取的点云自适应精简

作为一种反映物体形貌的三维信息,点云数据的原始数据量十分庞大,直接对过多的数据进行操作会影响后续重建等工作。本文提出了一种新的点云特征提取自适应精简算法。首先对原始点云进行空间划分,构建点的k邻域,设置特征参数,进行特征分析,识别不同区域的信息和数据。然后针对平面数据预先进行边界的检测和提取,对剩余部分进行精简。最后,针对非平面区域,先提取特征,再根据曲率的不同进行不同程度的精简。办公室数据扫描实验结果表明,处理大小为百万以内点的点云模型可以在几秒之内完成,精简比能够达到90%以上,与原始数据间的误差较小:平面部分在精简前后平均偏差均在0.02mm以内,波动很小,为0.005 7mm;非平面区域精简前后的平均偏差均在0.08mm左右,差值仅为0.000 3mm,精简精度得以保证。因此,利用提出的算法处理后的数据能更好地展示物体的形貌。     

RAT矩函数在模态振形数据去噪中的应用

提出将RAT矩函数应用于三维结构模态振型数据去噪的方法,使用RAT矩函数对结构的振型数据进行矩变换,从振型数据中提取出包含所有振型信息的特征矩集,将幅值较小的矩值作为噪声从特征矩集中剔除,再利用特征矩集重构振型图像,即能实现对振型数据去噪。采用一个仿真的机匣结构,以正态分布的随机噪声模拟真实情况下的噪声,在不同噪声强度下利用RAT矩对振型数据去噪,来验证RAT矩函数的去噪能力。结果表明:RAT矩函数具有良好的抗噪性,能大幅度减小噪声对模态振型的影响。     

基于机器视觉的散乱柱类零件抓取系统

针对散乱摆放的柱类零件抓取问题,提出一种基于圆柱拟合的散乱柱类零件识别抓取系统。首先,采用直通滤波,离群点去除和体素滤波降低密度采样对点云数据进行预处理,然后使用平面拟合算法去除载物台点云,接着使用区域增长算法将不同圆柱的点云分离,由于分割后的圆柱点云存在大量噪点,采用随机抽样一致法和最小二乘法相结合的方式去除噪点,拟合圆柱面,最后将点云重心向圆柱轴线投影,得到准确的柱体中心。实验证明该算法鲁棒性好,精度较高,适用于柱类零件抓取。     

反求工程中一种数据平滑的方法

逆向工程中测量获得的点云数据中存在一定的噪声点，必须对其进行数据平滑处理。在比较弦高比阈值滤波、均值滤波和中值滤波的基础上，提出一种数据平滑的方法。该方法充分利用数据点间的相关性和位置信息，对数据点和噪声点采取不同的处理方式，避免了噪声的传播。实验研究表明，该方法既能较好地滤除噪声点又有较好的保边性。     

基于双通道能量差的环网柜局放信号消噪方法

利用放电声音信号检测环网柜的局部放电具有信息量丰富、能够准确反映放电故障等特点而得到广泛应用,但放电声音信号的有效检测是一个难点。双通道录音在消噪领域中具有独特的优势,能够有效消除非平稳噪声,根据现场测量噪声干扰多为远距离的非平稳噪声,而局放信号为近距离声源的特点,提出了一种基于双通道能量差(PLD)的环网柜放电信号消噪方法。仿真实验结果表明,相比基于谱减法和维纳滤波的单通道消噪方法,本文所提消噪方法在两种非平稳噪声下的信噪比分别平均高出了14.8 dB和9.1 dB,均方误差(1×10~(-4))分别平均减小了19.34和15.50,消噪效果优于单通道消噪算法,现场实验结果表明,环网柜放电声音波形明显被突出加强,能够有效去除周围环境中的非平稳噪声,从而保留有效放电信号,为环网柜的局放诊断提供有效的数据支撑。     

人体散乱点云数据的区域分割算法

正确的人体点云数据分析不仅是人体3D测量的必要手段,更是未来服装数字化设计的基础,也是服装定制化智能生产的数据来源。人体散乱点云数据相比规整数据拥有更多的噪声及不规则性,这使得提取轮廓以及提取分割特征点更加困难。为了解决人体散乱点云数据分割难题,提出了基于移动最小二乘的切割算法。首先使用主成分分析法进行点云数据的调整,并使用夹角分析法提取投影到特定平面的二维轮廓。在此基础上,采用移动最小二乘法对部分二维数据点进行局部拟合并根据导数信息提取分割特征点。最后,利用VT K作为点云显示平台,对不同人体点云数据进行算法验证。实验结果表明,该分割方法实用可靠。