一种改进的激光点云滤波算法

针对常规的点云滤波方法在去除接近模型噪声的过程中会对模型造成较大破坏的问题,提出一种结合双张量投票和多尺度法向量估计的点云滤波算法.首先采用主成分分析法在较大的尺度下估计各点的法向量,对各点进行双张量投票以提取特征点.然后对提取出的特征点在较小的尺度下估计法向量,并结合随机采样一致性方法对小范围噪声平面进行剔除.最后采用曲率对剩余的噪声进行滤波,获得最终的点云数据.实验结果表明,所提算法可以有效剔除噪声点,并较好地保留三维模型的尖锐特征,为后续点云配准和三维重建奠定基础.     

一种改进的具有半径滤波和RANSAC优点的点云图像去噪方法

为了剔除点云中离散点噪声和密集平面噪声且保留点云的特征,提出了一种改进的具有半径滤波和RANSAC优点的点云图像去噪新方法.首先利用体素下采样对原始点云数据进行精简,然后针对离散点噪声,使用半径滤波将其剔除,最后在保留原始RANSAC算法的基础上,引入高度信息参数对拟合出的平面进行区分,据此进一步剔除点云中的密集平面噪...     

PTD算法在激光三维点云数据滤波中的应用

提高激光三维点云数据滤波精度,有助于构建高精度的地表模型,为此,提出了基于点云地面点滤波算法的激光三维点云数据滤波方法。采用双边滤波算法消除激光三维点云数据中存在的噪声,提取的法向量、回波率以及后向散射系数,将其输入支持向量机完成激光三维点云数据的分类,采用点云地面点滤波算法实现三维激光图像双边滤波处理。结果表明,本方法的数据滤波处理误差低于2.0%,信息熵与峰值信噪比为9.74和23.44 dB,获取的三维激光图像清晰度高。     

三维点云混合去噪算法研究

针对三维点云模型数据在去噪平滑过程中存在的不同尺度噪声和算法计算耗时问题,提出一种点云噪声基于分类思想的去噪算法。此算法将噪声分成两类,分别为尺度大的噪声和尺度小的噪声,首先使用统计滤波配合几何滤波去除尺度大的噪声;然后利用改进之后的双边滤波算法对小尺度噪声实现平滑去噪,实现点云模型的去噪和平滑。与传统的双边滤波相比,利用改进之后的双边滤波算法对点云模型数据进行平滑,有效提升了计算的速率。实验结果显示,此算法既能快速平滑点云数据噪声又能很好地保留被扫物体的几何特征。     

基于脉冲耦合神经网络的点云曲面去噪

 提出一种基于脉冲耦合神经网络(PCNN)的点云曲面去噪算法.该算法主要分为两步:噪声点定位和噪声点滤波.首先针对点云曲面构建一个PCNN神经网络,各个神经元的外部刺激值由邻近点的几何位置差异和法向差异构成,利用神经元输出的自适应点火捕获特性,实现了噪声点的定位;而后针对点云曲面中的噪声点,基于网格光顺中双边滤波的思想,实现噪声点的滤波,对于非噪声点,则保持原有的几何位置不变.实验结果表明,由于区分了噪声点和非噪声点,该算法较传统的点云曲面去噪算法能更加有效的去除噪声的同时并保持模型的几何特征.     

基于主成分分析与曲面拟合的激光点云滤波去噪

为了消除激光点云采集时点云中的噪声点，避免噪声尤其是一些孤立离群点对点云数据质量的影响，将散乱的、含有噪声点云变成规则的、高精度的点云，采用了基于主成分分析与曲面拟合进行点云去噪的方法，首先提出了点云区域的主成分分析计算方法，在主成分分析的法向量进行粗去噪，而后去噪后的点云进行曲面拟合，最后根据点到曲面的距离进行了点云的滤波，得到滤波后的点云。结果表明，该方法去噪效果精度高，尤其针对散乱点云，去噪效果明显，最佳滤波性能误差仅为0.018mm。该研究为散乱激光点云的去噪滤波提供了参考。     

基于改进DBSCAN和双边滤波算法的点云去噪

为了提高激光雷达点云去噪效果，提出了改进DBSCAN和双边滤波算法。首先通过点云数据空间欧氏距离划分栅格，从而删除无效点云；接着基于距离-密度方法在密度较大的段内找到DBSCAN的eps值，避免错误值出现，使用自适应方法获得DBSCAN的min pts值；然后利用点云邻域的曲率以及法向夹角优化双边滤波权值因子，便于保持点云的细节特征；最后给出了算法流程。实验结果显示所提算法能够去除接近点云模型的噪声以及混杂在点云模型中的噪声，评价指标较优。     

于法向量夹角信息熵的点云简化算法

针对点云简化很难完全保证精度和速度上达到最优的问题,提出了基于法向量夹角信息熵的点云简化算法。利用经典的主成分分析方法来估计点的法向量,计算法向量与参考平面的夹角,利用最邻近点搜索算法,确定每个点的K个最邻近点,并根据信息熵的定义,提出法向量夹角局部熵模型,局部熵的大小直接反映了表面的特征状况;针对不同区域局部熵大小,进行逐步的点云简化,从而可以保留凸变区域较多的点,精简较多平面区域的点,实现点云的非均匀简化。实验结果表明,该方法在简化精度和速度上都能达到较优。     

一种基于飞行时间相机的点云目标提取方法

基于飞行时间(Time of Flight,TOF)原理的深度相机成像方法不同于二维图像来计算三维信息,而是通过光在空气中的飞行时间,来计算出目标的距离,从而直接获取场景目标的三维点云信息。本文通过研究基于飞行时间红外相机的三维重建技术,设计了一种基于飞行时间红外相机的点云目标提取方法。利用飞行时间相机直接获得场景的三维点云数据,提出一种双阈值空间滤波算法,对点云数据进行空间滤波,并对滤波效果进行了对比评价。在双阈值空间滤波算法的基础上提出了一种改进的基于法向量的随机抽样一致性(RANSAC)算法,实现了对三维点云数据的目标提取,为基于飞行时间相机的场景目标三维重建奠定了基础。     

基于点云的地平面初系数估测

提出了一种基于点云的地平面初系数估测算法。采用八叉树存储包含RGB和空间位置信息点云数据,通过比较相邻两帧树的叶节点来获取运动目标的局部点云。并使用随机采样一致性算法估计,由运动目标局部点云重心所构成的点集上的平面模型参数。同时,采用ISOCLUS算法对场景在法向空间和距离空间上进行两次聚类来分割平面。最终,以运动平面法向信息作为参考因素,从待选平面中标识出地平面点云数据。实验结果显示,该方法可有效地估测出地平面初系数。