一种自适应双边滤波点云去噪算法

目前双边滤波算法的空间方差σ_s和灰度方差σ_r凭借经验预先设定参数。然而,人工设置参数往往取值不合理,以致出现噪声不能滤除或者不同区域存在降噪和保留边缘特征之间矛盾的现象。文中提出一种自适应参数选择的双边滤波点云去噪算法,该算法首先为每个采样点建立k-邻域,然后以该点处的微切平面为视平面,在该视平面上利用目标尺度信息实现空间方差σ_s局部自适应取值,从而实现双边滤波算法自适应以保留更多的边缘特征。实验结果表明,所提出的方法滤波效果较传统双边滤波在边缘特征细节失真方面明显提高。     

一种改进的激光点云数据精简算法

随着三维激光扫描仪获取的点云数据量越来越大,激光点云数据精简已成为测绘领域中的一个新的研究热点。在对点云数据分层技术研究的基础上,将二维平面曲线精简算法—Douglas-Peucker算法拓展到三维空间并进行改进,使得算法在处理前不需要已知点云间的邻接关系,可以对三维散乱点云数据进行直接处理。借助于Matlab平台编程实现点云数据精简,并利用程序构建精简后的点云数据的网格模型。通过与原始点云的网格模型进行对比分析,实验表明此改进算法的精简效果比较理想。     

机载LiDAR点云分块插值滤波

现有机载激光雷达（LiDAR）点云滤波算法在简单地形下取得了较好的滤波效果,但普遍对陡坡地形适应性较差。为提高在不同地形下的滤波性能,提出了基于分块的多尺度表面插值滤波算法。该算法首先通过改进的区域增长分块算法将原始点云分为点云块集和散点集,然后通过构建的多尺度表面插值算法同时对点云块和散点进行分类。利用国际摄影测量与遥感学会(ISPRS)提供的基准数据验证表明,该方法在15个样本中有11个样本滤波效果优于现有滤波方法,对各类地形均有较强适应性,且该方法平均总误差最小。对三种不同地形特征的高密度数据滤波实验,也验证了该方法的良好性能。     

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。     

逆向工程中的点云采样算法研究

在逆向工程的数据处理中点云采样是一项关键技术,它可以实现点云精简,从而提高后续的建模效率。文中介绍了基于曲率的点云采样算法,并进行了相关的实验,对其有效性进行了验证。     

基于法线估计的鼢鼠头骨三维点云分割算法

针对复杂背景分割时出现的低效率、过分割等问题,提出一种基于法线估计的三维点云分割方法。首先,改进随机采样一致性(RANSAC)算法,引入法线约束去除背景中大部分平面点云,使得目标点云与大量点云分离,然后采用欧式聚类分割从中提取目标点云。利用鼢鼠头骨三维点云数据进行试验,结果表明,融合的点云分割算法可以将目标鼢鼠头骨点云精确分割,完全去除冗余点云,速度快、准确率高,相较同类型方法表现更优。     

基于随机采样一致性算法的激光点云大数据自动配准技术

激光点云大数据中存在冗余数据,导致其大数据自动配准过程中存在配准速率慢、精度差等问题,为此提出基于随机采样一致性算法的激光点云大数据自动配准技术。将初始半径和最小邻域拟作自定义变量,使用密度聚类法剔除冗余激光点云数据,运用双边滤波平滑点云信息;分析不同角度下两组激光点云数据的刚体变换关联,获取对应且不共线的采样点,将模型点配准率作为激光点云采样数据和真实数据一致性衡量指标,完成激光点云大数据初始配准;通过迭代最近法找出两个点云集合的最近点,利用M-估计方法优化误差惩罚函数,实现激光点云大数据自动配准。仿真结果证明,应用所提方法得到在未引入噪声时的激光点云数据配准重合度为0.97,噪声环境下的点云配准重合度为0.96,配准平均耗时为59.6 s。     

一种改进的点云数据组合精简算法

在逆向工程中,点云数据的精简是一个重要的步骤,精简的质量直接关系到后续曲面重构的效率。文章针对广州灰塑曲率较大,凹凸面较多的特点,提出了一种基于曲率和均匀精简的点云数据精简方法:利用包围盒法对散乱的点云数据进行拓扑规则排序,建立点的K-邻域集,计算点云在某点处的曲率,在曲率较大处保留更多的特征点,但是曲率较小处会删除较多的点云数据。文章在此基础上再利用均匀网格的方法对初始精简后的点云进行重采样处理,使得曲率较小处的特征点也能保留下来。     

基于改进正态分布变换算法的点云配准

正态分布变换(NDT)算法是一种应用在同时定位和地图生成(SLAM)中的点云配准算法。针对地面激光扫描(TLS)数据的特点,改进了NDT算法,提出了一种基于SURF的NDT配准算法,使之能应用在TLS中。该算法首先建立点云和图像间的映射关系把点云影像化;利用加速稳健特征(SURF)算法提取图像的特征点并找出特征点对;根据映射关系找到相应的三维特征匹配点,求出变换矩阵,完成点云初始配准。在NDT算法中,设置初始矩阵为单位矩阵,对点云体素化并使用概率分布函数对点云精细配准。实验结果证明,该算法不但适用于地面激光数据的配准,且其配准精度高、运算时间少,尤其对于不同分辨率的点云有良好的配准效果。     

基于FPFH和法向量的改进点云配准算法

针对飞行时间法(TOF)获取点云的相关特点,提出一种适用于TOF点云的改进配准算法,首先使用FPFH特征对点云进行粗配准;在精配准阶段,通过法向量夹角特征采样的方法来减少点云的点数,同时又保留点云的关键信息点,并引入KD树和RANSAC方法来改进ICP的配准效率。实验结果表明,该算法具有良好的配准效率和精度,同时具有较大的适用范围。     

基于空间聚类种子生长算法的阵列干涉SAR点云滤波

阵列干涉合成孔径雷达(Synthetic Aperture Radar, SAR)通过在交轨向布置多个天线,结合方位向的合成孔径和斜距向的大带宽信号,具备了3维分辨能力,且多个阵元保证了其在高程向的空间采样,能够解决干涉SAR(Interferometric SAR, InSAR)测绘中的叠掩问题,实现观测场景的3维成像。但是获得场景区域的3维点云分布中存在较多杂点,高程向误差较大,所以传统的激光雷达(Light Detection And Ranging, LiDAR)点云滤波方法不适用于阵列干涉SAR点云的滤波处理。针对该问题,该文提出基于空间聚类种子生长算法的阵列干涉SAR点云滤波算法,应用密度和高程双重阈值生成密度-高程图像,通过图像处理手段去除小型杂点,利用空间聚类种子生长算法将植被等从点云数据中去除,完成点云滤波处理。利用国内首次机载阵列干涉SAR实验数据,通过与传统LiDAR滤波方法进行比较,验证了该文算法的有效性,为后续建筑物提取和精细化处理提供保障。      

一种优化的组合协同过滤算法

改进了传统协同过滤算法中最近邻搜索这一关键步骤,提出了一种结合概念层次和用户局部兴趣相似的协同过滤算法,使推荐系统在用户矩阵整体稀疏局部密集时依然能产生较好的推荐.该算法应用于基于iPhone平台开发的EatMe菜肴推荐系统,实验证明改进算法比传统协同过滤算法有更高的查全率.     

激光测量点云的数据处理方法研究

激光测量技术具有高分辨率、快速、非接触和数字化的特点,其应用日益广泛。基于激光测量的散乱点云,研究测量点云的数据处理方法。在分析通常的数据处理流程与方法的基础上,重点研究了如何应用数据的虚拟切割技术和测量点云的虚拟投影技术。点云虚拟切割技术主要包括径向/轴向切割技术、柱面切割技术与指定切割半径处的轴向截面切割技术。点云虚拟投影技术主要包括规则特征投影技术和轴向旋转投影技术。基于点云的虚拟投影,阐述了零件的参数提取策略。通过基于激光测量的零件数字化检测的实践表明所提出的点云数据处理方法与策略是行之有效的。     

一种改进的混合协同过滤推荐算法

传统协同过滤算法存在着相似度计算差和因数据稀疏而导致推荐信息不准确问题。文中通过改进相似度计算方法,提出新的混合协同过滤算法框架,以提高推荐质量。其中,对相似度计算方法的改进采用加权方式,而新的框架是将基于内存的两种协同过滤算法进行结合,最终得到一种混合协同过滤算法。通过Netflix提供的数据集进行实验,实验结果表明,该算法相比于传统协同过滤算法有更好的效果。     

改进的粒子滤波人体目标跟踪算法

针对现有基于粒子滤波(PF)的行人目标跟踪算法跟踪精度不高、速度慢以及遮挡鲁棒性不好的问题,提出一种结合支持向量机(SVM)检测的改进跟踪算法。在跟踪的置信度小于阈值时进行行人跟踪目标的再检测,以校正跟踪位置。对粒子群优化(PSO)算法在优化时可能陷入局部解的现状,进行混沌粒子优化(CPSO)寻优全局解。实验结果表明,提出的算法在一定的粒子数目前提下精度优于其他基于粒子滤波的行人目标跟踪算法,有效降低PF所需粒子数,算法可实时跟踪。     

一种基于曲面约束的点云数据滤波方法

针对机载LIDAR点云数据滤波问题,结合机载LIDAR点云数据的特点,引入虚拟格网技术,提出一种基于多尺度虚拟格网与曲面约束的机载LIDAR点云数据滤波方法。该方法首先根据点云密度等点云数据特点构建多尺度虚拟格网;其次基于多尺度虚拟格网分别获取一级、二级地面种子点;然后依据一级、二级地面种子点基于曲面约束进行滤波获取三级地面种子点;最后将所有地面种子点合并得到地面点集。实验方面,通过两组实验验证了该方法的可行性和适用性。     

激光三角网格点云孔洞曲面修补方法

三维激光扫描点云在采集和处理后生成的三角化网格,由于测量设备限制或模型自身形状特点常包含孔洞,这类孔洞会给后续三维重建带来障碍.针对孔洞修补问题,提出了一种激光三角网格曲面点云孔洞修补算法.首先对封闭孔洞通过遍历三角网格确定三角面片边界,检测孔洞.其次基于最小角度法在孔洞多边形处快速生成新三角面片,形成初始网格.然后融合最小二乘网络与径向函数隐式曲面,利用最小二阶导数对曲面曲率进行最小化,并与原始网格曲率变化趋势保持相同,最终实现激光点云孔洞修补.实验结果表明,与其他点云修补方法相比,该方法降低了修补误差,适用于多种三角网格模型孔洞修补.