应用于三维点云数据去噪的改进C均值算法

针对三维激光扫描仪采集到的点云数据中离群点不易区分和去噪难度大的问题,提出了一种改进的C均值算法。通过分析三维点云数据特征,在传统C均值算法中引入模糊聚类权重因子,降低类内距离和拉大类间距离,有效增强了离群点特征以降低识别难度。进而将识别出的噪声分类别处理,利用改进的C均值算法去除大尺度噪声,构造双边滤波算法去除小尺度噪声数据。与密度聚类算法、正交整体最小二乘平面拟合和基于特征选择的双边滤波点云去噪等算法相比,去噪准确度分别提升了7.3%、6.5%和6.0%,实验结果表明该算法可以有效去除大尺度噪声并能较好地保留有效数据。     

采用密度k-means和改进双边滤波的点云自适应去噪算法

采用相移结构光测量系统得到的三维点云,不可避免存在噪声.通过密度k均值(k-means)聚类算法将点云分为大尺度噪声点和小尺度噪声点,设定邻域大小以及点的数量来去除孤立噪声点;使用类内距离和类间距离的比值作为评价函数,得到最佳聚类数去除小片噪声点云;对于混杂在真实点云中的小尺度噪声点,采用鲁棒性更强的改进型双边滤波器进行点云光顺.实验验证表明:采用基于密度k-means和改进双边滤波结合的点云去噪算法可以有效去除各类噪声点,保持点云特征,相比平均曲率算法和基于特征选择的双边滤波算法,去噪效率分别提高了24％和16％.     

几何特征保持的文物点云去噪算法

三维激光扫描是一种快速获取高精度点云的新技术,但由于受物体本身的构造、粗糙程度、纹理以及测量环境等因素的影响,获取的点云数据大多存在孤立的噪声点。针对文物点云数据模型中复杂噪声难以去除的问题,提出一种几何特征保持的点云去噪算法。首先通过栅格划分删除点云中的大尺度噪声;然后定义点云中数据点的曲率因子和密度因子,并通过对其加权构造模糊C均值聚类（Fuzzy C-means clustering, FCM）的目标函数;最后采用该特征加权FCM算法删除小尺度噪声,从而实现点云的去噪处理。实验结果表明,该几何特征保持的去噪算法对文物点云数据具有良好的去噪效果,是一种有效的点云去噪算法。     

点云模型的噪声分类去噪算法

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,提出了点云模型的噪声分类去噪算法。该算法根据噪声点分布特性,将其分为大尺度和小尺度噪声,先利用统计滤波结合半径滤波去除大尺度噪声;然后使用快速双边滤波对小尺度噪声进行平滑,实现点云模型的去噪和平滑。与传统的双边滤波相比,利用快速双边滤波对点云模型数据进行平滑,有效地提高了计算效率。实验结果表明,该算法对点云噪声进行快速平滑去除的同时又能有效地保持被扫描物体的几何特征。     

空间超限邻域点云去噪算法的研究与实现

对获取的点云数据进行降噪处理,是曲面重构过程的关键技术之一。充分利用三维空间散乱点的深度信息,重新诠释图像去噪中的＂超限邻域平均法＂,使其对二维图像的运用转换为对三维图形数据点的操作,并结合运用空间解析几何理论,提出一种直接对三维无组织散乱点去噪算法。从试验结果来看,本算法在去除噪声点的同时很好地保留了散乱点模型的细节特征,噪声去除效果理想。     

各向异性扩散滤波的三维散乱点云平滑去噪算法

针对传统点云去噪算法在去除噪声时易造成模型特征失真的问题,提出一种各向异性扩散滤波的三维散乱点云平滑去噪算法.首先采用张量投票算法计算采样点的张量矩阵,并求解其特征值和特征向量;然后根据采样点的几何特征设计扩散张量的特征值,保证在不同特征方向的扩散速率能自适应调整;最后将重构的扩散张量与三维各向异性扩散滤波方程相结合,构造了点云滤波模型用于点云去噪.对不同含噪点云模型进行去噪的实验结果表明,该算法在点云去除噪声的同时,可以有效地保持原始模型的特征信息,避免了模型的过光顺.     

基于三维激光扫描的树木点云三维建模

利用三维激光扫描得到的树木枝干点云数据为数据源,利用拉普拉斯算法对三维点云数据进行噪声去除工作,对去噪后的数据采用Delaunay三角网生长算法,构建点云数据的三角网格模型.     

改进的核密度点云去噪算法的研究与实现

针对目前基于核密度估计的去噪算法在核函数参数的选取上未能充分体现散乱点云数据的表面特征,提出一种改进的去噪算法。以当前点法向量与其邻域内点的法向量构造的差向量作为核函数的参数,引入面积权重进行光顺,通过构造空间单元格的最大连通域剔除离群点,结合K-近邻搜索建立点云之间的拓扑关系,以改进的高斯函数作为核函数计算当前点的影响值。实验结果表明,该算法在有效去除表面噪声和离群点的同时,能够较好保留模型的细节特征。     

一种聚类与滤波融合的点云去噪平滑方法

针对采集的原始三维点云数据存在噪声、表面不光滑不利于后期三维重建的问题,提出一种自适应密度聚类与双边滤波融合的三维点云去噪平滑方法。该方法首先对点云模型进行自适应密度聚类分析,根据聚类结果删除模型中的噪声点;然后再计算采样点的k邻域,并求得利用k邻域构造采样点所在平面的法矢,进而得到双边滤波因子,以对点云模型进行平滑。实验结果表明,该算法能有效识别并去除噪声,并对点云模型进行平滑,同时还能保持原始模型的特征信息。     

危化品仓储中激光测距的自适应分层聚类去噪算法研究

为实现危化品仓储安全预警,采用激光测距、编码器等进行库内五距的监测。针对测距数据的噪声问题,设计了一种分层去噪、反馈补偿的自适应调节阈值的聚类去噪算法。针对噪声特点及距离的不同,以被测实物为中心将其由远及近划分为3类,第一层、第二层使用峰值去噪,第三层使用夹角分段拟合,同时进行层间的反馈纠错实现闭环去噪。实验表明,与拟合去噪算法相比,所提方法的方差降低了0.83;与差值去噪算法相比,所提方法解决了小部分噪点集中出现而不能去除所带来的灾难性影响的问题,方差值降低了1.93。该算法可准确去除噪点并还原监测物体位置。