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...     

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。     

基于不同尺度算法的激光雷达点云去噪研究

为了提高激光雷达点云去噪效果，提出不同尺度算法。首先采用均值法删除激光雷达点云数据的重复点；其次对噪声点进行判断；再次对偏离主体点云较远的大尺度噪声动态设置距离阈值，初始时设置较小的距离进行噪声点的大范围删除，再逐渐增加距离值，小范围删除噪声点；最后采用改进双边滤波算法处理与主体点云混在一起的小尺度噪声点，使数据点向法向方向聚集，不断调整采样点的位置及坐标，移动采样点的位置至修正后的位置，从而达到光顺去噪。实验显示，所提算法能够保持扫描目标点云数据的整体与局部特征，信噪比指标均值为17.56 dB,均方根误差指标均值为0.34,平滑度指标均值为0.21,优于其他算法。     

方向自适应的光子计数激光雷达滤波方法

提出一种自适应滤波方向的光子计数激光雷达点云滤波方法,定义了一种可调节主滤波方向的滤波核,通过遍历得到最佳滤波方向的密度值并剔除远离地物的噪声点,根据密度值与邻域内其它点的密度值差值剔除接近地物的噪声点。通过实验数据对算法进行了验证,结果表明算法能有效剔除与地面非常接近的噪声点,适用于低密度地物点云的滤波处理,其中植被滤波精度91.86%,地面点滤波精度97.89%。     

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。     

基于改进DBSCAN的星载激光雷达数据多尺度滤波研究

星载激光雷达数据滤波过程易受复杂背景、粗差点、噪声点等问题的干扰,导致滤波效果大幅度下降,所以研究基于改进DBSCAN的星载激光雷达数据多尺度滤波方法。采用改进DBSCAN算法对星载激光雷达数据做聚类处理,并标记噪声点,通过半球形邻域算法提取点云数据特征。根据提取到的点云数据特征构建规则格网,通过格网的多路径效应剔除点云数据中的粗差点与噪声点,完成星载激光雷达数据多尺度滤波。实验结果表明,所提方法的星载激光雷达数据多尺度滤波误差较低、滤波效果好,实际应用价值较高。     

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.     

红外图像的自适应混合双边滤波算法

针对红外图像中的混合噪声,提出了一种自适应混合双边滤波算法。首先对双边滤波原理进行了分析,提出不能滤除强高斯噪声和脉冲噪声是由于双边滤波引入灰度域权值而带来的固有不足,因此根据双边滤波算法的特点设置了一种像素间的相似度,并以该相似度为基础将双边滤波不能滤除的强噪声点进行了标记,仅对红外图像中标记出的强噪声点进行中值滤波以减少图像模糊,对普通噪声点采用灰度方差自适应双边滤波以保留更多边缘特征。自适应混合双边滤波能够有效滤除红外图像中的高斯噪声、脉冲噪声以及由其组成的混合噪声,同时在滤波过程中并不降低双边滤波保留红外图像边缘特征的性能。仿真实验结果表明,与传统双边滤波、改进的双边滤波以及各项异性扩散-中值滤波算法相比,该算法无论是滤除红外图像的混合噪声还是保留边缘特征都较为优越。     

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。     

基于优化DBSCAN的激光雷达障碍物检测

针对激光雷达在检测道路障碍物的过程中,由点云数据密度不均而导致障碍物检测准确率低和实时性差的问题,提出一种优化的密度噪声空间聚类（DBSCAN）算法以提高道路障碍物的聚类效果。首先依据点云数据的反射强度信息对车道线进行检测,提取感兴趣区域;然后使用射线坡度阈值地面分割算法进行地面分割,实现对斜坡地面的彻底分割;最后提出一种自适应的DBSCAN算法,选取代表性的核心点以及自适应聚类半径,实现对不同距离密集障碍物的快速准确聚类。实验结果表明：所提算法能够对不同距离的密集障碍物准确聚类;与传统算法相比,所提算法的正检率提高24.07个百分点,平均耗时减少1.18 s。     

电力线激光点云的分割及安全检测研究

为了进行高压输电线路安全检测分析，基于机载激光雷达（LiDAR）电力走廊数据，提出了一种基于密度的空间聚类方法（DBSCAN）的电力线激光点云单条分割提取算法。通过该方法可以实现输电走廊中单条电力线的快速分割提取。首先对电力线点云在x-O-y平面上投影，对投影后的激光点采用最小二乘法进行直线拟合；其次通过计算输电走廊长度，采用经验参量进行电力线点云分段；再次对分段点云在投影平面内进行DBSCAN聚类；最后将分段聚类结果类别归一化，得到单条电力线激光点云数据。结果表明，采用该方法能够在只需经验参量分段宽度的情况下，快速准确地对电力线激光点云进行分割提取，并根据分割结果进行电力线与电力走廊地物距离计算，判断危险点类型及距离。所提出的方法具有较高的提取与测量精度，能够有效地应用于电力线安全检测分析。     

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。     

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APOCS的点云去噪算法

使用3D扫描工具获取点云数据时常常会伴随着加性噪声.本文提出了一个基于凸集平均映射(APOCS)的原创点云去噪算法.首先,使用基于相关性筛选改良过的均值滤波算法对噪声点云的法向量进行滤波.每个滤波后的法向量都能决定其相对应的局部平面,将这些平面视为凸集,可通过APOCS算法更新点云中各点的位置.在本文的最后将给出该算法在不同强度噪声点云上与双边滤波对比的实验结果.     

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。     

基于DCGAN的点云滤波方法

在获取点云进行3D重建时，必然会有各种各样的噪音。传统的滤波方法主要依靠概率模型的假定，但是由于复杂的背景，使得传统的滤波方法难以获得较好的滤波效果。为了解决此问题，提出一种基于深度卷积生成对抗网络（DCGAN）的点云滤波方法。首先计算点云的特征值和熵值，根据熵值分配给点维度类别（1D、2D、3D）；不同的维数类别建立不同的簇，并将点云的维数类别与点的几何特性相对应；然后在每个簇内应用DCGAN进行聚类；最后排除高熵点以及离群点等噪声达到滤波目的。实验结果证明，与传统的半径滤波、统计滤波方法相比，该方法在滤波性能上有很大的改善，并且在运算速度上分别提高了5.8倍和2.5倍，基本达到了高精度、高效率的点云滤波需要。     

自主移动机器人微型激光雷达点云数据滤波研究

由于自主移动机器人微型激光雷达点云数据采集过程存在多种外界因素的干扰，导致采集到的点云数据中含有大量噪声，为此设计提出自主移动机器人微型激光雷达点云数据滤波方法。采集自主移动机器人微型激光雷达采集点云数据，利用噪声分离算法和改进的三维中值修复对点云数据进行优化。根据精简移动最小二乘法构建微型激光雷达点云数据滤波模型，将经过优化的点云数据输入该模型中，实现微型激光雷达点云数据滤波。实验结果表明，所提方法的点云数据滤波误差低，实际应用效果更好。     

基于DBSCAN的图像分割算法研究

图像分割能将一幅数字图像分成多个的不同区域,是计算机视觉的主要研究领域之一。文中在系统性研究DBSCAN算法的基础上，提出了一种改进型DBSCAN图像分割方法。该方法首先计算图像中每个像素点的局部密度，然后通过寻找局部密度峰值点来确定核心点，同时将邻域内的像素点加入同一簇中，来处理不同密度区域和噪声点的影响。实验结果表明，该算法对参数敏感度较低，能有效处理不同密度区域和噪声点，相比标准DBSCAN图像分割方法，其在聚类正确率、精度和效率等方面的表现更优秀。     

海上激光雷达强度-空间联合滤波方法

针对水面无人艇（USV）近距离海上实时目标检测时受海杂波影响严重的问题，结合海杂波空间分布特征和点云回波强度信息，提出了一种强度-空间联合过滤方法。该方法首先将点云按照距离做区域划分；接着对不同区域根据激光回波强度随距离的变化关系设置初始阈值，过滤原始点云低强度海杂波；然后对剩余的点云采取离群点滤波算法，过滤稀疏高强度海杂波，得到目标点云；最后提取离群点滤波中的空间离群点强度特征，对强度阈值滤波参数进行自适应修正。滤波方法在实船上进行了测试，实验结果表明相比于现有的全局激光回波强度阈值过滤方法，所提算法在性能上有明显提升，应用于聚类算法后其虚警率和漏警率分别平均降低了4.34%和10.47%，可以为无人艇航行避碰提供有力支撑。     

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。