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。     

基于特征信息分类的三维点数据去噪

为了有效去除获取三维点云数据时的噪声,同时又不损失模型的特征信息,提出了一种基于三维点云特征信息分类的去噪算法。首先采用主成分分析法和二次曲面拟合法估算三维点云的微分几何信息;然后根据点云平均曲率的局部特征权值,将点云数据划分为特征信息较少的平坦区域和特征信息丰富的区域,针对不同特征区域分别采用邻域距离平均滤波算法和自适应双边滤波算法进行去噪滤波。实验结果表明:滤波后点云数据的最大误差为0.144 7mm,标准偏差为0.021 0mm。在不同噪声强度下,该去噪算法均能够达到较好的去噪效果,并保留点云的高频特征信息。     

基于参数自适应各向异性高斯核的散乱点云保特征去噪

为解决传统点云去噪算法造成的过光顺及局部失真问题,提出一种基于各向异性高斯核的散乱点云保特征去噪算法。根据邻域点在其切平面上的投影和采样点法向构建信息相似度函数,并通过信息相似度函数定义有效邻域;应用主元分析理论研究曲面采样点、棱线采样点和角点的特征值及特征向量的分布特性;在此基础上构建以协方差矩阵的伪逆矩阵为带宽矩阵的参数自适应的各向异性高斯核函数,并将其与双边滤波算法结合用于散乱点云去噪。实验结果表明,该算法能够根据点云的局部分布特性自适应地调整滤波主方向和各主方向的衰减速度,在实现散乱点云去噪的同时可有效保持点云模型的原始尖锐特征。     

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。     

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。     

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。     

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。     

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。     

层次优化的颅骨点云配准

颅骨配准是颅面复原的重要步骤之一,其配准精度和效率对复原结果有着重要的影响。为了提高颅骨点云模型的配准精度和效率,本文提出了一种层次优化的颅骨点云配准方法。将颅骨配准分为粗配准和细配准两个过程。首先对颅骨点云模型进行去噪、简化和归一化等预处理;然后对颅骨点云模型提取特征点并计算其特征序列,根据特征序列进行约束寻找初始对应点对,并采用k-means算法剔除误匹配点,实现颅骨粗配准;最后通过加入几何特征约束的改进迭代最近点(ICP)算法实现颅骨细配准,从而达到颅骨精确配准的目的。本文分别对粗配准、细配准和先粗再细完整配准过程进行实验,结果表明:粗配准过程,与未优化的粗配准算法相比,本文优化后的粗配准算法的配准精度提高了约35%,算法耗时增加了约6%;细配准过程,与ICP算法相比,本文改进ICP算法的配准精度和收敛速度分别提高了约20%和43%,算法耗时减少了约47%;先粗再细的完整配准过程,本文算法的配准精度和收敛速度都要优于其他两种方法。证明了本文方法是一种有效的颅骨点云配准算法,可以实现颅骨点云的精确配准。     

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。     

应用改进迭代最近点方法的点云数据配准

提出了基于点云边界特征点的改进迭代最近点(ICP)方法来提高逆向工程中点云数据配准的效率和精度.首先,提出了基于点云边界特征点的初始配准方法.对点云最小包围盒进行三维空间划分,建立空间网格模型;运用边界种子网格识别及生长算法,从点云边界提取特征点,运用奇异值矩阵分解法(SVD)求出点云的变换矩阵,得到初始配准结果.然后,提出了改进的ICP精确配准方法.对点云对应点赋予权重,剔除权重大于阈值的点,通过对目标函数引入M-估计(M-estimation),剔除异常点.最后,在初始配准的基础上,运用改进的ICP方法精确配准.对经典ICP方法和改进ICF方法做对比实验,结果显示,改进方法的配准效率提高了70％以上,误差减小到0.02％.实验表明,本文方法大幅提高了点云配准的效率和精度.     

一种无人机激光雷达系统的点云去噪方法

针对以无人机为平台的LiDAR激光雷达系统,提出了一种将距离和数量双约束的KNN算法和高斯滤波方法相结合的点云去噪平滑算法,针对不同尺度的噪声,既可以解决数据点中包含大尺度噪声的问题,也避免了产生过光顺造成的模型失真问题。通过试验给出了适合室外场景的参数。试验结果表明,研究中的组合滤波方法具有较好的保持特征性和鲁棒性,可为无人机扫描的三维点云数据的滤波提供一定参考。     

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。     

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。     

利用噪声特点与曲面拟合的点云去噪及光顺算法研究

逆向工程中,随着三维扫描测量技术的迅速发展以及基于海量采样点云数据的高精度模型的产生,使得快速有效地处理点云这一技术显得更加重要.点云的去噪和光顺是法矢估计、曲率计算及曲面重建等后续处理工作的重要基础,依据散乱数据点云中的噪声点的特点,对其进行分类,并提出一种新的基于曲面拟合及噪声特点分步去噪的方法.     

涡轮叶片密集点云数据与CAD模型配准方法

针对密集点云数据与CAD模型的配准问题,提出了一种基于简化模型曲率计算的配准方法。该方法通过计算简化模型和CAD模型各点的曲率提取出两模型上某一对应的特征面,根据特征面求出三组对应点对并计算坐标变换矩阵;把得到的变换矩阵应用于简化前的原始点云模型实现模型的预配准;最后通过奇异值分解和最近点迭代相结合的算法实现精确配准。实例表明,该方法实现了密集点云数据与CAD模型的配准,并在保证配准精度的前提下提高了配准的速度,从而验证了方法的有效性和实用性。     

基于局部自适应鲁棒回归的点云消噪

针对传统点云消噪算法低频平滑与高频磨平之间的矛盾,提出基于局部自适应邻域鲁棒回归的点云消噪算法。提出采样点局部自适应邻域的概念,使采样点邻域的大小能够根据模型局部形状进行自适应调整,为点云模型的低频区域平滑和高频区域特征保持奠定基础;针对传统的最小二乘曲面拟合受旁值点影响大,采样点微分几何信息提取可靠性差的问题,提出对采样点局部自适应邻域进行鲁棒回归,以实现采样点微分几何信息的可靠提取;以采样点法向和最大最小曲率为基础,构造一种新的采样点特征测度函数。在对测度函数的特性进行研究的基础上,根据测度函数值将采样点划分为特征点、非特征点和过渡点,并利用特征测度函数进行有效子邻域识别,实现点云数据的低频平滑和高频保特征消噪;通过对比试验验证算法的有效性。     

基于样本熵的改进空域相关去噪算法

针对传统的小波空域相关去噪算法存在噪声与信号系数误判以及终止滤波迭代过程的阈值确定困难等问题,提出了1种基于样本熵的改进空域相关去噪算法。考虑到不同频率段的小波包系数中噪声含量的不同,对不同小波包节点系数分别进行归一化相关系数计算与去噪迭代,且对每1次迭代后的小波包节点系数进行样本熵计算,选取当各节点小波包系数样本熵取最大值时做为终止迭代条件,认为此时的小波包系数全为噪声系数。对仿真信号进行分析,结果证明了该方法的有效性;将该方法应用于故障滚动轴承振动信号去噪中,能够较好地还原信号的特征频率,取得了较其他传统算法更好的去噪效果。     

基于样本熵的改进小波包阈值去噪算法

为了更好地消除噪声对被测振动信号的干扰,分析了样本熵算法与噪声的关系,提出了一种基于样本熵的改进小波包阈值去噪算法。在阈值函数方面,该方法利用样本熵作为特征参数,对含噪信号小波包系数的噪声分布进行表征,且依据此特征参数值对阈值函数进行改进,使其能够根据信号的小波包系数受噪声影响的情况进行自适应的调整;在阈值选取方面,定义去噪后信号与原始信号之差作为噪声信号的估计,利用样本熵作为判别依据,选取使得噪声估计的样本熵值最大的阈值作为最优阈值。该方法与其他方法进行对比,结果表明,该方法能够有效地去除噪声且更好地还原信号的频率特征,是一种更为优越的去噪算法。     

应用摄像机位姿估计的点云初始配准

基于摄像机位姿估计的数学模型,提出了一种检测摄像机位移前后目标图像特征点的方法,通过求解摄像机发生位移前后的相对位姿矩阵来解决应用视觉图像获得点云的初始配准问题。首先,介绍了摄像机位姿估计模型,包括本质矩阵、旋转矩阵以及平移矩阵;然后,介绍了SURF算子的特征点检测、描述和匹配的方法,在此基础上面向双目视觉和单目结构光系统,分别提出了摄像机位移前后目标图像SURF特征点匹配和深度估计模型;最后,分别进行双目视觉和单目结构光系统点云的获取、位移前后目标图像特征点检测匹配和深度估计实验,应用摄像机位姿估计模型求解旋转矩阵和位移矩阵,并对位移矩阵进行统计分析剔除粗差。实验中采用基于点云空间特征点和基于图像的方法进行对比,点云对应特征点均方误差缩小至12.46mm。实验结果验证了方法的可行性,表明本文的点云初始配准方法能较好地获得点云精确配准初值。