保持特征的散乱点云数据去噪

为保证在去除点云数据噪声的同时不损失模型的细节特征,提出了一种基于特征信息的加权模糊C均值聚类去噪算法。首先,构建点云K-D树拓扑结构,根据点的r半径球邻域点统计特性去除大尺度离群噪声点。然后,利用主元分析法估算点云的曲率和法向量,根据曲率特征标识点云数据的特征区域,并采用特征加权模糊C均值聚类算法对特征区域去噪,采用加权模糊C均值聚类算法对非特征区域去噪。最后,使用双边滤波器对点云模型进行平滑。对提出的算法进行了验证实验,结果显示:去噪后点云模型的最大偏差保持在模型尺寸的0.15%以内;标准偏差保持在模型尺寸的0.03%以内。本文算法能够在有效去除不同尺度和强度的噪声的同时不损失点云模型的细节特征,去噪精度高,且对不同的噪声模型具有较强的鲁棒性。     

基于法向修正的双边滤波点云去噪处理

为了在降噪的同时保持点云模型的几何特征,并较好地处理离群点,针对不同种类的噪音问题,提出了一种基于法向修正的双边滤波点云综合去噪算法。该算法先对点云模型进行空间单元格划分,构造基于单元格最佳连通域,保留内部点云数据并去除点云模型离群点,然后根据双边滤波需要求法线的特点,对点云模型进行法向修正后再进行滤波处理。实验结果表明该算法简单快捷,能够很好地去除离群点,在去噪的同时可以很好地保留点云模型的几何特征,在处理效率和稳定性方面均优于单一的双边滤波算法。     

基于改进圆球覆盖算法的阶梯状伪影去除方法

受层间距的影响,工业CT数据重建网格模型时会产生阶梯状伪影。为了在生成网格模型的同时去除阶梯状伪影,提出一种新的去除表面伪影的方法。首先建立工业CT点云数据的k-邻域,通过高斯加权的协方差分析估算出点云法矢量,然后使用双边滤波去除点云中的噪声,最后通过二次误差函数拟合点云,使用自适应圆球覆盖方法对点云进行网格化处理。实验结果表明,所提方法能够有效去除阶梯状伪影,并且在合理的精度范围内可以生成高质量的三角网格模型。     

基于激光雷达的无人驾驶系统三维车辆检测

针对无人驾驶系统环境感知中的三维车辆检测精度低的问题,提出了一种基于激光雷达的三维车辆检测算法.通过统计滤波与随机抽样一致算法(Random Sample Consensus,RANSAC)实现地面点云分割,剔除激光雷达数据冗余点及离群点;改进3DSSD深度神经网络,利用融合采样提取点云中车辆语义信息与距离信息;根据特...     

基于Matlab的图像平滑算法浅析

随着图像处理领域的迅速发展,图像平滑作为图像处理中的重要环节,也逐渐受到人们的关注。图像平滑的目的主要是消除噪声。针对不同类型的图像噪声,文章研究均值滤波、中值滤波和低通滤波算法在去除不同图像噪声的性能特性,利用Matlab平台进行算法仿真,通过比较各算法的优缺点,进一步完善图像平滑方法,以达到平滑效果更理想的目的。     

反求工程中一种数据平滑的方法

逆向工程中测量获得的点云数据中存在一定的噪声点，必须对其进行数据平滑处理。在比较弦高比阈值滤波、均值滤波和中值滤波的基础上，提出一种数据平滑的方法。该方法充分利用数据点间的相关性和位置信息，对数据点和噪声点采取不同的处理方式，避免了噪声的传播。实验研究表明，该方法既能较好地滤除噪声点又有较好的保边性。     

一种无人机激光雷达系统的点云去噪方法

针对以无人机为平台的LiDAR激光雷达系统,提出了一种将距离和数量双约束的KNN算法和高斯滤波方法相结合的点云去噪平滑算法,针对不同尺度的噪声,既可以解决数据点中包含大尺度噪声的问题,也避免了产生过光顺造成的模型失真问题。通过试验给出了适合室外场景的参数。试验结果表明,研究中的组合滤波方法具有较好的保持特征性和鲁棒性,可为无人机扫描的三维点云数据的滤波提供一定参考。     

商标图像平滑滤波算法研究与应用

为了更加准确的完成商标图像的自动检索,在预处理过程中,针对商标图像中存在的噪声,研究了图像平滑滤波算法,分别利用均值滤波、中值滤波和改进的中值滤波方法对商标图像进行了滤波去噪处理.实验结果表明,改进的中值滤波算法在实现去除噪声的同时,既克服了均值滤波处理后图像边缘模糊和图像色变的缺点,也克服了中值滤波法处理后图像形变的不足.     

一种基于模糊C均值和均值滤波的点云去噪算法

因点云数据中存在噪声,通常对不同特征的点云数据采用相同的处理方法,虽然能删除噪声但也会因删除尖锐特征造成过光顺。提出了一种基于模糊C均值(FCM)聚类算法且均值滤波的点云去噪算法。该算法使用模糊C均值聚类算法删除大尺度噪声后,再将均值滤波应用到点云光顺中,对数据点中的小尺度噪声进行光顺。实验结果表明,该算法去噪效果明显,在去噪光顺过程中较好地保持了边界特征,也避免了过光顺问题的产生。     

雨雪天气下的激光雷达滤波算法研究

在雨雪等恶劣天气下,由于雨雪颗粒的遮挡,激光雷达的性能会受到严重影响,给三维目标检测带来了很大困难。针对这个问题,提出了一种基于马氏距离的动态离群点滤波算法;首先通过建立KD树,根据不同欧氏距离计算离群点的马氏距离,去除点云雨雪噪声;最后将该算法应用于目标检测。经过加拿大恶劣天气公开数据集(CADCD)和实际实验的验证,在中雪和大雪天气下,与DROR滤波方法对比,本文提出的滤波算法精确率分别相对提高了7.88%,7.72%;在实际雨天实验中,本文算法精确率比DROR滤波相对提高了10%。在目标检测应用方面,与仅采用Pointpillars的算法相比,采用该滤波的检测算法车辆和行人的检测精度也分别相对提高了19.26%,20.39%,在数据集和实际实验场景下均验证了本文算法的有效性。     

基于机器视觉的散乱柱类零件抓取系统

针对散乱摆放的柱类零件抓取问题,提出一种基于圆柱拟合的散乱柱类零件识别抓取系统。首先,采用直通滤波,离群点去除和体素滤波降低密度采样对点云数据进行预处理,然后使用平面拟合算法去除载物台点云,接着使用区域增长算法将不同圆柱的点云分离,由于分割后的圆柱点云存在大量噪点,采用随机抽样一致法和最小二乘法相结合的方式去除噪点,拟合圆柱面,最后将点云重心向圆柱轴线投影,得到准确的柱体中心。实验证明该算法鲁棒性好,精度较高,适用于柱类零件抓取。     

基于结构光识别的核燃料组件关键尺寸测量技术研究

针对核燃料组件关键尺寸测量困难的问题,提出了一种基于结构光识别的核燃料组件堆芯管座间垂直阶差与水平间距测量方法。通过直通滤波算法去除与关键尺寸测量无关的冗余点云,利用统计滤波算法滤除离群噪点,基于RANSAC平面分割实现了管座特征区域点云的提取;建立了关键尺寸模型,基于最小二乘法拟合平面实现了管座间垂直阶差的测量;将三维点云投影至二维平面,以保留管座点云边界信息,并进行欧式聚类分割,在分离出不同管座点云的基础上提取出边界点,提出了一种基于RANSAC算法的点云测距算法,实现了相邻管座间的水平间距测量。实验结果表明,所提方法能快速精确地测量出核燃料组件堆芯管座间的垂直阶差与水平间距,并且使二者误差均保持在0.2 mm以内。     

基于3维点云欧氏聚类和RANSAC边界拟合的目标物体尺寸和方位识别

目标物体尺寸和方位识别是移动机器人在未知环境下实现自主搬运的关键技术,主要难点是如何从混有地面和周边环境信息的3维点云数据中提取物体信息,并准确识别其方位和尺寸。常用的方法是通过3维点云建立物体包围盒,但是现有的基于PCA(主成分分析)或基于边缘点云提取的包围盒建立方法对物体边缘点云噪声比较敏感。文中主要针对室内搬运场景中方形箱式物体,提出1种基于3维点云欧氏聚类和RANSAC(随机采样一致性)边界拟合的物体尺寸和方位识别算法。首先,采用点云截断、体素滤波降采样和离群点移除对数据进行预处理,然后采用基于K-D树的快速聚类算法进行物体与物体之间的分割,接着将分割后物体3维点云进行2维投影。由于投影后物体2维点云边缘点密度远高于内部点云密度,采用RANSAC算法对边缘点云进行直线拟合。该直线能够近似物体边缘点云分布的期望均值,受物体边缘点云噪声的影响较小。实验表明该算法精度较高、速度较快、鲁棒性好,可用于移动机器人物体搬运作业等领域。     

基于特征信息分类的三维点数据去噪

为了有效去除获取三维点云数据时的噪声,同时又不损失模型的特征信息,提出了一种基于三维点云特征信息分类的去噪算法。首先采用主成分分析法和二次曲面拟合法估算三维点云的微分几何信息;然后根据点云平均曲率的局部特征权值,将点云数据划分为特征信息较少的平坦区域和特征信息丰富的区域,针对不同特征区域分别采用邻域距离平均滤波算法和自适应双边滤波算法进行去噪滤波。实验结果表明:滤波后点云数据的最大误差为0.144 7mm,标准偏差为0.021 0mm。在不同噪声强度下,该去噪算法均能够达到较好的去噪效果,并保留点云的高频特征信息。     

角加速度信号自适应小波的去噪方法

针对多扰动、大负载环境下角加速度计输出信号中含有脉冲噪声和高斯白噪声的情况,提出一种改进的离散小波阈值法与中值滤波算法相结合的角加速度计信号自适应去噪算法。首先,使用中值滤波对原始信号进行去除脉冲噪声的预处理;其次,使用分解层数的自适应确定方法与改进的阈值选取准则,通过离散小波阈值去噪法去除高斯白噪声。仿真结果表明,该算法能够有效地提高信噪比,降低最小均方误差。实验结果表明,该算法既能去除分子型液环式角加速度计信号中噪声,又能很好地保留真实信号中的高动态部分。     

一种新的摆度信号去噪方法及其应用

受现场环境和设备的干扰,水轮机组摆度信号中存在较强的脉冲噪声和高斯白噪声,导致真实有效信号被淹没,这为信号提取带来很大的困难。针对这一问题,提出一种将中值滤波、小波阈值去噪以及Savitzky-Golay平滑滤波相结合的摆度信号去噪方法。首先,对待分析信号用中值滤波器进行去除脉冲噪声的预处理;其次,通过Savitzky-Golay平滑滤波和阈值去噪分别去除小波分解后的近似系数和细节系数中的白噪声分量。仿真结果表明,该方法能有效提高信噪比、局部相关指数以及平滑度,降低均方误差。实验结果表明,该方法既能去除水轮机组摆度信号中的噪声,又能有效保留真实信号中的细节特征。     

层次化点云去噪算法

三维激光扫描设备获取的初始点云模型中含有较多的噪声点,不利于后期的点云处理,需要将其进行剔除。为了有效地保持点云的尖锐几何特征,本文提出一种由粗到精的层次化点云去噪算法。首先构造点及其邻域点的张量投票矩阵,通过计算该矩阵的特征值和特征向量构造扩散张量,并基于该扩散张量利用各向异性扩散方程进行循环滤波,从而实现点云初始粗去噪;然后计算滤波后点云的曲率特征,并根据曲率值进一步删除点云中的噪声点,从而实现点云精确去噪;最后通过计算点云熵值对去噪算法进行定量评价。实验结果表明,本文提出的点云去噪算法具有较大的熵值、较小的去噪误差和较高的执行效率。因此说,该层次化点云去噪算法在保持尖锐几何特征的同时,可以快速精确剔除噪声点,是一种有效的点云去噪算法。     

装配面点云特征增强的去噪算法研究

为了去除与法兰装配面数据点混合在一起的噪声并更好地保留装配面的特征,将装配面点云数据中的噪声分为 2 类。利用空间栅格划分将点云数据栅格化,使用 K 领域搜索的方法筛选出第 1 类噪声点,运用采样点邻域点数统计法删除第 1 类噪声点;采用改进的双边滤波法对第 2 类噪声点进行去噪。通过与各类算法进行比较,实验结果表明,该去噪算法在达到预期去噪效果的同时还可以增加装配面特征的保持度,并且能够避免传统双边滤波在去噪后产生光顺过度的现象。     

基于二维截面筛选标记的点云简化方法研究

针对点云简化过程中局部冗余点难以正确去除的问题,对滤波器去噪、坐标系转换、二维平面点的处理等方面进行了研究,对目前点云预处理过程中大尺度噪声去除和点云精简方法进行了归纳,提出了一种二维截面筛选标记的点云简化方法。首先用滤波器去除了原始点云中的大尺度噪声,用截面截取了点云主体并进行了坐标变换;其次处理了二维截面上点的位置和颜色信息,筛选并标记出了孤立点和轮廓边沿的非模型点;然后对标记点进行了半自动剔除,完成了预处理;最后利用图像法重建的点云模型进行了测试。研究结果表明:该方法整体简化效率较高,半自动去除方式可准确去除冗余点和小尺度噪声,能够保持模型的尖锐特征,防止模型萎缩变形。     

基于Canny算子改进的图像边缘检测算法研究

针对Canny算法的图像边缘检测技术,提出用中值滤波和均值滤波合成的混合滤波器代替传统高斯滤波器,加强了对复杂噪声的平滑降噪;在边缘连接细化中,采用基于Ostu提出的最大类间方差法的自适应阈值选择法,提高了效率和适应性。并进行MATLAB仿真,结果表明提出的改进算法明显提高了图像边缘检测的精度。