基于改进DPC和特征分区的点云去噪算法

针对三维激光扫描仪获取到的点云数据存在的多尺度混合噪声将严重影响后续的三维模型重建的问题,提出了一种基于改进的密度峰值聚类算法(DPC)和特征分区的点云去噪算法。首先通过改进的DPC算法去除远离点云主体的大尺度噪声;然后利用主成元分析法(PCA)和曲面变分获取点云法矢及曲率信息,同时采用邻域传播法调整法矢方向并根据曲率对点云进行划分,对特征区域点云与平坦区域点云分别采取自适应双边滤波和正交整体最小二乘平面拟合的方法进行光顺去噪。实验结果表明：在包含混合噪声的bunny与block模型下,利用该算法去噪后点云数据最大误差分别为0.235 mm和0.157 mm,平均误差分别为0.029 mm和0.009 mm,均能取得较好的去噪效果,且降低了去噪参数设置的复杂性。     

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.     

中值滤波在激光雷达点云数据预处理中的应用

为了研究3维激光雷达测量系统采集到的点云数据如何进行去噪处理,根据灰度图像中对灰度值进行滤波去噪的概念,采用改进的2维中值滤波方法对点云数据中的噪声点加以处理。基于激光雷达点云数据数据量庞大且存在噪声点特点,重点分析了改进2维中值滤波算法和点云数据信噪分离方法,并通过实验验证,得到了速度对比数据和滤波效果图。结果表明,利用改进后的2维中值滤波方法,速度明显得到改进,对激光雷达点云数据的滤波效果良好。     

基于双尺度算法的激光雷达点云去噪北大核心CSCD

为了提高激光雷达点云去噪效果,提出双尺度算法。首先通过张量投票矩阵将激光雷达点云进行初步去噪;接着动态半径滤波对大尺度噪声去噪,有效提升滤波精度和算法效率;然后改进双边滤波算法对小尺度点云噪声去噪,权值系数对点云平滑处理,同时能获得点云细节特征;最后给出了算法流程。实验显示本文算法能够去除不同尺度的噪声,去噪后的点云模型能够保留细节处的几何特征,评价指标较优。     

快速非局部均值滤波图像去噪

针对非局部平均（NLM）去噪算法复杂度过高,滤波过程中对图像信号产生过度平滑的问题,提出一种基于高斯主成分分析的快速NLM去噪算法。该方法首先对所有像素点的邻域进行高斯滤波降低噪声干扰,提高主成分分析的准确度,降低分解结果的维度,进而提高NLM算法中的块匹配效率和准确性,为提高去噪效果奠定基础。虽然该方法在NLM前加入了高斯预滤波和主成分分析,但是由于有效的降维,整体算法复杂度较传统NLM仍有减少,且算法性能有所提高。实验表明与传统的NLM算法相比,本文所提出的新算法不仅降低了计算复杂度,而且可以产生更好的去噪效果。      

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。     

一种级联的激光主动成像图像融合降噪算法

针对激光主动成像图像混合噪声的特点,提出了一种投票中值滤波和整数提升小波级联的融合降噪算法。首先对激光图像进行噪声像素点检测,区分噪声点与非噪声点;而后采用投票中值滤波对噪声点进行处理,抑制脉冲噪声;然后采用整数提升小波变换对图像进行Bayes自适应阈值去噪,抑制散斑噪声;最后通过逆变换得到去噪图像。通过实验比对结果表明,该方法在具有良好的去噪、边缘保持性能的同时,还具有较为理想的实时性。     

结合改进DBSCAN和统计滤波的单光子去噪算法

为了解决光子计数激光雷达探测数据中噪声点云过多的问题,采用结合基于密度的噪声空间聚类应用算法(DBSCAN)和统计滤波算法的单光子点云去噪方法,以美国国家航空航天局提供的多波束试验激光雷达实际飞行数据为实验数据,通过k维树求取点云密度进行粗去噪,然后运用改进DBSCAN算法和统计滤波算法进行精去噪,进行了理论分析和实验...     

光子计数激光雷达中光子点云滤波方法的比较与分析

相对于传统阈值型和全波形激光雷达，光子计数激光雷达具有高密度、高分辨率、高穿透性等优势，然而光子计数激光雷达所获得的光子点云数据具有较多的背景噪声及干扰噪声，为准确识别目标上的有效光子信号，采用合适的光子滤波方法很有必要。目前主要存在的滤波方法有基于直方图统计去噪、基于局部距离统计去噪、基于密度的噪声空间聚类（DBSCAN）去噪等。为了解这些方法对山地和水体区域的适用性，选用机载多波束试验激光雷达分别对这些方法进行比较与分析。实验结果表明，3种去噪方法都可以准确提取有效的光子点云，其中直方图统计方法对于地形平坦区域和水体的去噪效果明显优于地形起伏区域，局部距离统计和DBSCAN的去噪效果受地形变化影响较小，且DBSCAN对山地数据的去噪效果最佳。用去噪精确度、去噪召回率和F1指标对这3种方法的去噪结果进行定量比较。3种方法对于山地区域内的有效光子去噪精度分别为0.9342、0.9524、0.9669，对于水体区域的有效光子去噪精度分别为0.9981、0.9492、0.9349。     

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...     

基于多特征自适应的单光子点云去噪算法

新型星载光子计数雷达可获取地面及地面目标的高精度三维信息,但是其测量精度受噪声影响较大。针对在背景噪声不一致及坡度较大区域自动化提取单光子激光数据信号较为困难的难题,文中提出基于多特征自适应的单光子点云去噪算法,有别于传统圆形或椭圆形滤波核,选择更加符合单光子点云数据特征的平行四边形滤波核,分别通过坡度、空间密度、噪声率等多特征自适应识别信号。选择位于青藏高原冰川区域坡度较大且地形破碎的ICESat-2单光子点云数据,开展点云去噪试验和验证,通过与ATL03、ATL08官方去噪结果对比,文中算法在背景噪声水平不一致和大坡度区域具有更优的性能。     

基于二维Gamma分布的激光点云去噪

利用地面激光扫描仪测量时,由于空气中尘埃等因素会产生噪声点,对后期三维建模等应用带来不利影响。在现有研究成果基础上,深入分析散乱点云的近邻域特性,采用基于二维Gamma分布实现点云去噪,并在kd-tree索引支持下对其进行优化,通过邻域均值和邻域距离变化斜率两个约束条件共同移除噪声点。实验结果表明,本文算法能自动识别噪声点,降低人工设置阈值的影响,并与传统的基于正态分布的邻域点去噪算法进行对比,实验效果较优,达到了预期效果。     

融合强阈值三角网与总体最小二乘曲面拟合滤波

机载LiDAR点云数据滤波是LiDAR数据后处理过程中的关键步骤。在分析三角网滤波与曲面拟合滤波特点的基础上,提出了一种由粗到精的处理思想用于LiDAR点云数据滤波。该方法通过强阈值三角网算法进行II类误差优先的粗分类,获取可靠性较高的初始地面点,以粗分类结果作为先验信息进行种子点选取,引入总体最小二乘算法完成曲面拟合,设置自适应阈值实现不同区域灵活处理,最终得到较为精细的地面模型。使用ISPRS测区数据及Niagara数据进行实验,与经典滤波算法及传统曲面拟合方法进行对比,实验结果证明,该方法较传统算法能够得到更加可靠的滤波结果,对各种地形的适应性较强,具备较高的实用价值。     

复杂环境中电力线激光点云的自动提取

为了解决目前复杂环境下电力线提取精度及鲁棒性低的问题，提出了一种基于激光点云的电力线自动提取方法。通过主成分分析确定输电线路的主方向，将长距离输电走廊划分为多个空间网格，以应对地形起伏变化时植被点云对提取算法的干扰；再通过一种自顶向下的全新滤波算法剔除每个空间网格的地物点，根据点云密度分布差异实现电力线和电塔的自动分离；另外, 提出半径搜索算法对分离后的结果进行处理，得到单条电力线的激光点云数据。结果表明，所提出的方法对电力线的提取精度高达99.69%，针对不同连接塔型和不同地形都具有很好的鲁棒性。该研究在输电通道空间结构的自动分析领域以及智能巡检领域具有良好的工程应用价值。     

面向铁路场景的大规模点云高效去噪方法

利用车载激光雷达获取铁路沿线环境信息对于保障行车安全具有重要意义。但是激光雷达采集到的点云数据受设备及环境因素影响,会产生大量的噪声干扰,这些噪声严重影响后续的感知和监测任务。为此,本文提出了一种面向铁路场景的大规模点云高效去噪方法。该方法提出了一种新颖的网格投影策略,对大规模铁路点云数据进行高效的降维降采样处理。然后,设计了基于GPU的改进聚类加速算法,快速识别离群的噪声数据。最后综合设计多策略融合方法,有效地去除噪声数据。所提方法充分利用铁路场景前向运动的特点,对点云数据进行基于网格化的时空压缩,同时利用GPU加速聚类算法的矩阵运算,实现了实时高效的铁路场景大规模点云去噪算法。实验结果表明,所提方法不仅能够提高去噪的性能,而且处理效率得到了极大提升。     

三维医学图像的混合噪声去除方法

针对医学图像在采集传输等过程中易受噪声污染,且目前多数去噪方法对混合噪声去噪效果不好,影响三维重构精度的问题,提出了基于自适应三维分数阶积分和中值滤波结合的混合噪声去除方法。首先介绍了几种传统方法在去除混合噪声中的不足,然后基于三维图像梯度信息提出了三维分数阶积分的自适应分数阶阶数,利用分数阶积分和中值滤波的各自优点,将两者结合对混合噪声去噪,并提出了基于混合去噪的边缘曲面追踪算法。实验结果和数据分析表明,提出的混合去噪方法能够从噪声污染的医学图像切片中追踪出高精度边缘曲面,与传统去噪方法相比,具有更好的去噪效果。     

时空自适应的分焦平面偏振视频PCA去噪

分焦平面式（DoFP）偏振成像探测器通过集成式微偏振阵列实现偏振信息的实时获取。然而由于成像过程中存在噪声,对后续的偏振图像去马赛克超分辨、场景偏振信息解算产生了严重影响。基于主成分分析（PCA）提出一种时空自适应DoFP视频数据去噪算法,对于每个待去噪的DoFP图像块,在其局部时空邻域内选取相似的图像块,然后利用主成分分析对其去噪。该算法充分利用DoFP视频数据的时空信息构建训练样本,且块匹配过程无需采用运动估计,可直接用于DoFP视频数据去噪。进一步提出基于双边滤波的残余噪声去除算法,从而得到更好的去噪效果。通过模拟与真实数据对所提算法进行实验验证,结果证明:所提算法可有效抑制噪声,在相同测试条件下,所提算法优于现有算法。     

基于PCA-TrICP的多源点云无缝三维重建

针对三维重建时使用单一数据源的局限性问题,融合异源的倾斜影像和三维激光点云进行三维实景重建.在前期工作中,利用倾斜摄影技术对校园图书馆建立初始模型,生成影像点云,并使用三维激光扫描仪获取其立面数据,完成去噪及拼接等预处理工作.针对预处理过后的影像点云和激光点云数据的配准,首先使用主成分分析方法对数据降低维度,对齐跨源点...