基于局部自适应鲁棒回归的点云消噪

针对传统点云消噪算法低频平滑与高频磨平之间的矛盾,提出基于局部自适应邻域鲁棒回归的点云消噪算法。提出采样点局部自适应邻域的概念,使采样点邻域的大小能够根据模型局部形状进行自适应调整,为点云模型的低频区域平滑和高频区域特征保持奠定基础;针对传统的最小二乘曲面拟合受旁值点影响大,采样点微分几何信息提取可靠性差的问题,提出对采样点局部自适应邻域进行鲁棒回归,以实现采样点微分几何信息的可靠提取;以采样点法向和最大最小曲率为基础,构造一种新的采样点特征测度函数。在对测度函数的特性进行研究的基础上,根据测度函数值将采样点划分为特征点、非特征点和过渡点,并利用特征测度函数进行有效子邻域识别,实现点云数据的低频平滑和高频保特征消噪;通过对比试验验证算法的有效性。     

基于正交投影约束的点模型去噪

传统点云消噪算法会削弱曲面特征.为此,提出一种基于正交投影约束的点模型去噪算法.利用移动最小二乘曲面投影的思想,根据采样点与其在MLS曲面上正交投影点之间的关系构建移动距离权重函数,为防止模型收缩,给出曲率权重函数,通过双边滤波器确定滤波方向,结合移动距离权因子与曲率权因子确定采样点滤波距离.实验结果表明,该算法在消除点云噪声的同时,能保持点云高频结构特征,避免模型的收缩和顶点漂移.