基于噪声分类的双边滤波点云去噪算法

针对三维点云数据模型在去噪光顺中存在不同尺度噪声的问题,提出一种基于噪声分类的双边滤波点云去噪算法。该算法首先将噪声细分为大尺度和小尺度噪声,并使用统计滤波结合半径滤波对大尺度噪声进行去除;然后对三维点云数据进行曲率估计,并对现有点云双边滤波进行改进,增强其鲁棒性和保特征性;最后使用改进的双边滤波对小尺度噪声进行光顺,实现三维点云数据模型的去噪、光顺。与单独使用双边滤波、Fleishman双边滤波相比,改进算法在三维点云数据模型光顺平均误差指标上分别降低了50.53%和21.67%。实验结果表明,该改进算法对噪声进行尺度的细分既提高了计算效率,又避免了过光顺和细节失真,较好地保持模型中的几何特征。     

点云模型的双边滤波去噪算法

提出一种特征保持点云模型光顺去噪算法。该算法首先为每个采样点建立k-邻域并估算法矢,然后以该点处的微切平面为视平面,设计一个双边滤波器。算法充分考虑了模型表面法向的变化和邻域点间的距离同噪声之间的关系,通过调整采样点在法向的位置,来实现一个局部的光顺去噪过程。实验结果表明算法简单高效,同时较好地保持了模型的特征。     

基于CUDA的点云去噪算法

提出一种基于统一计算设备架构(CUDA)的双边滤波点云去噪算法,将点云去噪划分为多个并行度较高的步骤,利用GPU的并行计算能力,设计每个步骤的CUDA核函数。采用高斯加权的法矢计算方法,在双边去噪算法中加入面积权重缓解过光顺。实验结果表明,该算法能有效提高法矢计算的准确度,与CPU算法相比,计算速度提高了多个数量级。     

基于全向声呐的引水隧洞点云模型去噪方法研究

三维重建技术逐渐成为引水隧洞运营期安全检测的关键手段。而受隧洞特殊水文环境噪声、数据采集设备噪声以及载体运动噪声等影响,采集的点云数据不可避免的会遭受到噪声干扰,导致有用信息缺乏,不利于三维重建的进行。因此,该文提出了基于声呐数据特征点的点云去噪算法,实现隧洞点云数据的去噪。首先,该文依据引水隧洞声呐点云数据的特点,定义视觉距离和视角向量特征参数;其次,通过耦合视角向量与点云法向量估计点云漂移向量,并使用核函数方法估计视角距离参数的概率密度分布从而计算漂移距离;最后,采用漂移算法在保持点云模型特征的同时实现噪声的滤波。实验结果表明,该文提出的算法在去除隧洞点云模型数据噪声的同时能很好的保持引水隧洞模型的细节特征,为后续隧洞病害的检测提供高精度点云数据模型。     

平面曲线去噪的混合双边算法

介绍了一种对平面离散曲线进行去噪声的新的方法。在网格去噪算法中,有两种比较好的去噪方法,分别是由Fleishman等人与Jones等人提出的。这两种网格去噪算法都能较好地保持特征,但是它们的缺点是前者会产生收缩,而后者则会产生扩张,将这两种算法结合起来,并且应用于曲线,得到了一种新的不会产生收缩,并且能够很好保持特征的平面曲线去噪算法,较好地解决了在曲线去噪中的两个重要问题：收缩和保特征。     

一种聚类与滤波融合的点云去噪平滑方法

针对采集的原始三维点云数据存在噪声、表面不光滑不利于后期三维重建的问题,提出一种自适应密度聚类与双边滤波融合的三维点云去噪平滑方法。该方法首先对点云模型进行自适应密度聚类分析,根据聚类结果删除模型中的噪声点;然后再计算采样点的k邻域,并求得利用k邻域构造采样点所在平面的法矢,进而得到双边滤波因子,以对点云模型进行平滑。实验结果表明,该算法能有效识别并去除噪声,并对点云模型进行平滑,同时还能保持原始模型的特征信息。     

离散曲线去噪的内在算法

对离散曲线采用一种内在表示方法,用曲线的内在几何量——边长和边与x轴正方向的夹角来表示点的位置,用双边滤波的思想,对边与x轴夹角进行去噪声;然后以去噪后的角度作为一个约束条件,构造目标函数来反求曲线的顶点．该方法主要在于解决了去噪声方法中一般都会产生的收缩问题,并且能够保持曲线的基本特征．     

一种新的三维点云模型去噪光滑算法研究

提出一种三维点云模型的去噪光滑算法。该算法根据密度滤波和点法矢量信息对离群噪声点进行去除;再利用张量投票算法和数据点的近邻点在其最小二乘平面上投影的分布均匀性检测出模型的边界特征,并对特征实现加强操作;最后,采用双边滤波对模型表面进行光滑。实验表明,该算法能有效地对模型进行去噪光滑处理,且由于对模型边界特征进行了保留与加强,从而避免了模型光滑操作对模型特征造成损害的问题。     

一种新的散乱点云快速去噪算法

针对三维扫描仪获取的含噪点云数据会严重影响到后期三维重建的精度,提出一种新的散乱点云快速去噪算法。该算法首先通过改进的K-means聚类算法来建立点云的空间拓扑关系,然后对聚类后每一类的点云进行噪声点识别及去除。实验结果表明算法简单快速,在散乱点云实现有效聚类的基础上不但去噪效果良好,而且能够快速去除点云中的明显离群噪声点,保留理想目标点云。     

散乱点云去噪与简化的统一算法

针对三维点云去噪和简化很难用同一参数的问题,提出一种基于扩展的曲面变化度局部离群系数（ESVLOF）的散乱点云去噪与简化的统一算法。通过对ESVLOF定义的分析,给出了其性质。利用ESVLOF去噪过程中计算的曲面变化度和预设的相似度系数,构造出随曲面变化度增大而减小的参数γ,并将其作为点云简化的局部阈值,在点云去噪的同时进行点云简化。仿真结果显示,该方法能够保留原始数据的几何特征,与传统的三维点云预处理相比,效率提高近一倍。     

应用于三维点云数据去噪的改进C均值算法

针对三维激光扫描仪采集到的点云数据中离群点不易区分和去噪难度大的问题,提出了一种改进的C均值算法。通过分析三维点云数据特征,在传统C均值算法中引入模糊聚类权重因子,降低类内距离和拉大类间距离,有效增强了离群点特征以降低识别难度。进而将识别出的噪声分类别处理,利用改进的C均值算法去除大尺度噪声,构造双边滤波算法去除小尺度噪声数据。与密度聚类算法、正交整体最小二乘平面拟合和基于特征选择的双边滤波点云去噪等算法相比,去噪准确度分别提升了7.3%、6.5%和6.0%,实验结果表明该算法可以有效去除大尺度噪声并能较好地保留有效数据。     

采用密度k-means和改进双边滤波的点云自适应去噪算法

采用相移结构光测量系统得到的三维点云,不可避免存在噪声.通过密度k均值(k-means)聚类算法将点云分为大尺度噪声点和小尺度噪声点,设定邻域大小以及点的数量来去除孤立噪声点;使用类内距离和类间距离的比值作为评价函数,得到最佳聚类数去除小片噪声点云;对于混杂在真实点云中的小尺度噪声点,采用鲁棒性更强的改进型双边滤波器进行点云光顺.实验验证表明:采用基于密度k-means和改进双边滤波结合的点云去噪算法可以有效去除各类噪声点,保持点云特征,相比平均曲率算法和基于特征选择的双边滤波算法,去噪效率分别提高了24％和16％.     

点云模型适应性上采样算法

针对点云模型采样密度的不足,提出一种新的适应性上采样算法。算法首先采用均匀栅格法建立点云模型的拓扑关系,提高数据点K-邻域的查找效率,利用协方差矩阵求取点云模型中数据点的法向量,并用法向传播算法进行法向重定向,然后检测点云模型中采样点密度不足的区域,在采样密度不足区域的点的切向矩形平面内适应性均匀采样,并把这些采样点几乎垂直投影到点云模型所在的原始曲面上,由此得到的模型即为上采样模型。该算法得到的上采样模型可以较好地补充点云模型的细节信息,能够满足点云模型的绘制和后续几何处理的需求。     

文物点云模型的优化配准算法*

目的 针对带有噪声的文物点云模型,采用一种由粗到细的方法来实现其断裂面的精确配准。方法 首先采用一种变尺度点云配准算法实现粗配准,即配准测度函数的尺度参数由大到小逐渐变化,可避免算法陷入局部极值,并获得较高精度的初始配准结果。然后采用基于高斯概率模型的改进迭代最近点(iterative closest point, ICP)算法进行细配准,可以有效地抑制噪声对配准结果的影响,实现断裂面的快速精确匹配。结果 采用兵马俑文物碎块的配准结果表明,该优化配准算法能够实现文物断裂面的精确配准,而且在细配准阶段取得了较高的配准精度和收敛速度。结论 因此说,该优化配准算法是一种快速、精确、抗噪性强的文物点云配准方法。     

扩展点态卷积网络的点云分类分割模型

目的 点态卷积网络用于点云分类分割任务时,由于点态卷积算子可直接处理点云数据,逐点提取局部特征向量,解决了结构化点云带来的维度剧增和信息丢失等问题。但是为了保持点云数据结构的一致性,点态卷积算子及卷积网络模型本身并不具有描述点云全局特征的结构,因此,对点态卷积网络模型进行扩展,扩展后的模型具有的全局特征是保证分类分割准确性的重要依据。方法 构造中心点放射模型来描述点云逐点相对于全局的几何约束关系,将其引入到点态卷积网络的特征拼接环节扩展特征向量,从而为点态卷积网络构建完善的局部—全局特征描述,用于点云数据的分类分割任务。首先,将点云视为由中心点以一定方向和距离放射到物体表面的点的集合,由中心点指向点云各点的放射矢量,其矢量大小确定了各点所存在的曲面和对于中心点的紧密程度,矢量方向描述了各点对于中心点的包围方向及存在的射线。进而由点云中的坐标信息得到点云的中心点,逐点计算放射矢量构造中心点放射模型,用以描述点云的全局特征。然后,利用点云数据的坐标信息来检索点的属性,确定卷积中参与特定点卷积运算的邻域,点态卷积算子遍历点云各点,输出逐点局部特征,进一步经多层点态卷积操作得到不同深度上的局部特征描述。最后,将中心点放射模型的全局特征和点态卷积的局部特征拼接,完成特征扩展,得到点态卷积网络的扩展模型。拼接后的局部—全局特征输入全连接层用于类标签预测,输入点态卷积层用于逐点标签预测。结果 在ModelNet40和S3DIS（Stanford large-scale 3D indoor spaces dataset）数据集上分别进行实验,验证模型的分类分割性能。在ModelNet40的分类实验中,与点态卷积网络相比,扩展后的网络模型在整体分类精度和类属分类精度上分别提高1.8%和3.5%,在S3DIS数据集的分割实验中,扩展后的点态卷积网络模型整体分割精度和,类属分割精度分别提高0.7%和2.2%。结论 引入的中心点放射模型可以有效获取点云数据的全局特征,扩展后的点态卷积网络模型实现了更优的分类和分割效果。     

Bilateral signal variance estimation for wavelet-domain image denoising

The estimation of the signal variance is a critical challenge in wavelet-domain minimum mean square error(MMSE) based image denoising.In contrast to the conventional approaches that treat the neighboring wavelet coefficients equally to estimate the signal variance at each coefficient position,here an adaptive approach is proposed that utilizes a bilateral statistical scheme adaptively adjusting the contributions of neighboring wavelet coefficients to provide an accurate estimation of the signal variance.Experimental results are presented to demonstrate the superior performance of the proposed approach.