散乱点云近离群点识别算法

针对原始曲面变化度的局部离群系数(SVLOF)无法有效滤除三维实体的棱边或棱角处的离群点问题,提出了一种散乱点云近离群点的滤除算法。该算法首先将SVLOF定义在类k邻域上,并将SVLOF的定义内容进行了扩展,使其既能滤除平滑曲面上的离群点,又能滤除三维实体的棱边或棱角点处的离群点,同时仍然保留SVLOF原有的足够宽泛的阈值选取空间。仿真数据和实际数据的实验结果均表明,在效率基本保持不变的情况下,所提算法能比原始SVLOF算法更有效地检测出距离主体点云近的离群点。     

基于密度的离群噪声点检测

针对三维扫描仪获取的带噪声和离群点的点云数据,提出了基于局部离群点概念的去噪算法。通过k-近邻(KNN)搜索建立散乱点之间的拓扑关系,进而计算当前测点的局部离群因子以衡量该点的离群程度,从而限制噪声并剔除离群点。重点解决了高密度扫描点云周围分布的低密度离群噪声点的识别问题。实验结果证明,该算法能有效检测出紧挨模型边界的噪声点,并最大限度地保持模型边界。     

基于图像的重建点云离群点检测算法

基于图像重建出的三维点云模型通常会包含许多离群点,这些离群点可能孤立存在或密集聚集在一起形成点簇,也可能分布在模型周围甚至附着在模型表面。通过一种检测方法很难有效滤除多种分布状态的离群点,因此,提出了综合的离群点监测算法。首先通过空间距离剔除与模型主体较远的离群点,并通过构建空间拓扑关系加快离群点搜索速度;然后利用边界匹配法,将较小点簇分别与最大点簇进行对比,滤除模型周围离群点簇;最后采用改进的K-means算法,根据RGB颜色值特征对点云数据进行聚簇分类,结合已识别的离群点,检测和滤除附着在模型表面的离群点。仿真实验结果表明,此方法能够有效滤除点云模型中多种分布状态的离群点。     

基于网格技术的高维大数据集离群点挖掘算法

提出了一种基于网格技术的高维大数据集离群点挖掘算法（OMAGT）。该算法针对高维大数据集的分布特性，首先采用基于网格技术的方法寻找出聚类区域，并删除聚类区域内不可能成为离群点的聚类点集，然后运用局部离群因子（LOF）算法对剩下的点集进行离群点挖掘。OMAGT算法较好地实现了聚类信息的动态释放，将保留的离群点挖掘信息控制在一定的内存容量范围内，提高了算法的时间效率和空间效率。理论分析与实验结果表明OMAGT算法是可行和有效的。     

基于K-近邻点云去噪算法的研究与改进

针对三维扫描获取的带噪声和离群点的点云数据,提出了改进的去噪算法。通过K-近邻搜索建立散乱点云之间的拓扑关系,进而采用高斯影响函数作为核函数来估计当前测点对周围邻近点的影响力,从而限制噪声并剔除离群点。重点讨论了密度熵的概念以及如何优化高斯核函数的参数,解决了窗宽尺寸在使用中不易确定的问题。仿真实验证明,该算法能够很容易地检测出离群点,同时也避免了将模型上的点误判为离群点的问题。     

基于频率直方图的K邻域稀疏离群点移除算法

在点云预处理阶段,传统的基于k邻域的稀疏离群点移除算法尚存在一些不足。在点云的处理过程中,关于k邻域的大小以及所要滤去的稀疏离群点的噪声阈值方面,没有给出合理的选取方案。通过对散乱点云传统k近邻稀疏离群点移除算法的分析与研究,提出一种基于k邻域平均距离的频率直方图的分析方法,对传统基于k邻域的离群点移除算法进行了改进。通过该方法可以有效选取合理的k值与噪声阈值。该方法通过对散乱点云设置依次增大的k值,生成k邻域平均距离的统计直方图,分析统计直方图来确定k邻域值的适当大小。针对适当的k值,选取合理的噪声阈值对其进行去噪处理。通过这种方法,为稀疏离群点移除算法中k值和噪声阈值的选取提供了理论依据,提高了点云搜索效率的同时有效防止了离群点的过度删除。     

基于密度的局部离群点检测算法

基于统计学和基于距离的离群点检测都依赖与给定数据点集的全局分布,然而数据通常并非都是均匀分布的。当分析分布密度相差很大的数据时,基于密度的局部离群点检测方法有着很好的识别局部离群点的能力。但存在时间复杂度较大,文章提出了一种改进的算法,能降低时间复杂度,实现有效的局部离群点的检测。     

基于距离统计的有序纹理点云离群点检测

三维数据的离群点检测是纹理点云数据处理的重要内容之一，为了有效快速地检测离群点，根据纹理点云的有序结构特征，提出了基于距离统计的检测算法。首先在每个点到其K邻域中其他点距离的基础上计算出K邻域距离；然后根据有序点云中该距离符合正态分布的特点和正态分布3σ定理，将超出3倍方差范围的点认定为离群点。实验结果显示算法采用曼哈顿-最大距离进行检测，当K为4时可以更加快速准确地将有序点云中的离群点检测出来。由此得出，基于距离统计的算法可以有效地将离群点检测出来，同时成功地应用于纹理点云的离群点检测。     

基于动态网格的数据流离群点快速检测算法

离群点检测问题作为数据挖掘的一个重要任务,在众多领域中得到了应用.近年来,基于数据流数据的挖掘算法研究受到越来越多的重视.为了解决数据流数据中的离群点检测问题,提出了一种基于数据空间动态网格划分的快速数据流离群点检测算法.算法利用动态网格对空间中的稠密和稀疏区域进行划分,过滤处于稠密区域的大量主体数据,有效地减少了算法所需考察的数据对象的规模.而对于稀疏区域中的候选离群点,采用近似方法计算其离群度,具有高离群度的数据作为离群点输出.在保证一定精确度的条件下,算法的运行效率可以得到大幅度提高.对模拟数据集和真实数据集的实验检测均验证了该算法具有良好的适用性和有效性.     

一种新的散乱点云快速去噪算法

针对三维扫描仪获取的含噪点云数据会严重影响到后期三维重建的精度,提出一种新的散乱点云快速去噪算法。该算法首先通过改进的K-means聚类算法来建立点云的空间拓扑关系,然后对聚类后每一类的点云进行噪声点识别及去除。实验结果表明算法简单快速,在散乱点云实现有效聚类的基础上不但去噪效果良好,而且能够快速去除点云中的明显离群噪声点,保留理想目标点云。     

Outlier detection for scanned point clouds using majority voting

When scanning an object using a 3D laser scanner, the collected scanned point cloud is usually contaminated by numerous measurement outliers. These outliers can be sparse outliers, isolated or non-isolated outlier clusters. The non-isolated outlier clusters pose a great challenge to the development of an automatic outlier detection method since such outliers are attached to the scanned data points from the object surface and difficult to be distinguished from these valid surface measurement points. This paper presents an effective outlier detection method based on the principle of majority voting. The method is able to detect non-isolated outlier clusters as well as the other types of outliers in a scanned point cloud. The key component is a majority voting scheme that can cut the connection between non-isolated outlier clusters and the scanned surface so that non-isolated outliers become isolated. An expandable boundary criterion is also proposed to remove isolated outliers and preserve valid point clusters more reliably than a simple cluster size threshold. The effectiveness of the proposed method has been validated by comparing with several existing methods using a variety of scanned point clouds.     

Extracting lines of curvature from noisy point clouds

We present a robust framework for extracting lines of curvature from point clouds. First, we show a novel approach to denoising the input point cloud using robust statistical estimates of surface normal and curvature which automatically rejects outliers and corrects points by energy minimization. Then the lines of curvature are constructed on the point cloud with controllable density. Our approach is applicable to surfaces of arbitrary genus, with or without boundaries, and is statistically robust to noise and outliers while preserving sharp surface features. We show our approach to be effective over a range of synthetic and real-world input datasets with varying amounts of noise and outliers. The extraction of curvature information can benefit many applications in CAD, computer vision and graphics for point cloud shape analysis, recognition and segmentation. Here, we show the possibility of using the lines of curvature for feature-preserving mesh construction directly from noisy point clouds.     

散乱点云数据曲率估计方法

针对带有强噪声离散点云数据曲率计算问题,提出一种基于稳健统计的曲率估计方法。首先,用一个二次曲面拟合三维空间采样点处的局部形状;其次,随机地选择该采样点邻域内的子集,多次执行这样的拟合过程,通过变窗宽的最大核密度估计,就得到了最优拟合曲面;最后,将采样点投影到该曲面上,计算投影点曲率信息,就得到采样点曲率。实验结果表明,所提方法对噪声和离群点是稳健的,特别是随着噪声方差的增大,要明显好于传统的抛物拟合方法。     

一种散乱分层点云的有序化精简方法

针对激光扫描仪所得点云散乱分层的特点,提出一种有序化的精简方法。首先基 于已知标记点建立三维R-tree 和八叉树集成的空间索引,快速准确地获取局部点云数据,保证 良好的数据检索效率。然后根据局部点云数据的参考平面法向量信息,选取工件坐标系中的一 个坐标轴作为参数化的方向,对局部点云数据进行参数化并拟合二次曲面。最后对R-tree 叶节 点内的二次曲面进行有序化采样,使散乱分层的点云变为单层,得到整个型面的有序参考点集。 应用实例表明,该方法适用于大规模的、具有复杂几何特征且存在一定程度散乱分层的点云, 可以有效地提高数据点的整体精确度,且不会丢失点云的细节特征,具有较强的实用性。     

利用Voronoi协方差矩阵重建隐式曲面

目的 针对含少量离群点的噪声点云,提出了一种Voronoi协方差矩阵的曲面重建方法。方法 以隐函数梯度在Voronoi协方差矩阵形成的张量场内的投影最大化为目标,构建隐函数微分方程,采用离散外微分形式求解连续微分方程,从而将曲面重建问题转化为广义特征值求解问题。在点云空间离散化过程中,附加最短边约束条件,避免了局部空间过度剖分。并引入概率测度理论定义曲面窄带,提高了算法抵抗离群点能力,通过精细剖分曲面窄带,提高了曲面重建精度。结果 实验结果表明,该算法可以抵抗噪声点和离群点的影响,可以生成不同分辨率的曲面。通过调整拟合参数,可以区分曲面的不同部分。结论 提出了一种新的隐式曲面重建方法,无需点云法向、稳健性较强,生成的三角面纵横比好。     

改进PMVS三维重建点云滤波算法

针对在小范围场景进行单目视觉三维重建过程中,稠密点云模型存在大量离群点的现象,提出一种改进的点云滤波算法。将多视图稠密重建(Patch-based Multi-View Stereo,PMVS)算法与统计分析法相融合,对利用PMVS算法得到的稠密点云进行统计分析,设定标准距离并求解点云中每一个点到其所有邻近点的平均距离,去除平均距离大于标准距离的点。实验结果表明,融合后的点云滤波算法不仅剔除了大量离群点,还在保证目标物体细节特征的情况下对冗余的特征点进行一定程度上的消除,在提高重建表面真实度和精度的同时,为后期测量装配工作提供了可靠模型。     

基于局部特征的点云配准算法

针对覆盖率较低的点云,提出一种基于局部特征的点云配准算法。首先提取点云 的局部深度、法线偏角和点云密度等局部特征,得到局部特征描述子;然后计算局部特征集的 相关性,得到相关候选点集;再次通过删减外点达到点云粗配准的目的;最后采用基于旋转角 约束和动态迭代系数的改进迭代最近点(ICP)算法,实现点云的细配准。实验结果表明,基于局 部特征的点云配准算法可以实现覆盖率较低点云的精确配准,是一种精度高、速度快的点云配 准算法。     

基于双判定因子的道路绿化带分割

以高速公路的无人机影像点云数据为研究对象, 提出一种基于双判定因子的道路绿化带分割算法. 首先对点云数据进行串行下采样, 在降低点云数目的同时尽可能多地保留点云特征点; 其次, 对降采样后的点云数据进行正射影校正; 最后, 提出一种结合法向量夹角与 RANSAC 平面分割双判定的点云分割算法, 实现了对高速公路中绿化带的准确分割, 采用绿化带边界提取算法最终实现高速公路环境信息的分割. 以G85高速凤翔段的无人机影像点云作为实验数据, 分别采用本文算法、基于法向量夹角的分割算法、基于RANSAC平面拟合分割算法进行验证. 实验结果表明基于双判定因子的道路绿化带分割算法对环境噪点及离群点有较好的抗干扰性, 可以有效过滤路面高曲率点, 提取结果较好.