基于曲率约束的点云分割去噪方法

在点云去噪处理过程中,为提高对曲率变化较大区域的去噪效果,提出基于曲率约束的点云分割去噪方法。该方法通过曲率约束点云数据使模型特征得到有效保持,构建噪声光顺的映射函数使得噪声点回归光顺,能够避免使用传统滤波对点云数据模型产生过光顺,对后续处理奠定一定基础。实验表明,该方法相对于双边滤波能够有效地保持模型的特征,保留模型边缘信息,去除噪声效果更为明显。     

基于3D点云平均曲率估算的损伤参数计算

针对高速滑动电接触滑轨表面的微小损伤,基于激光扫描3D点云平均曲率估算的原理,提出一种表面微小损伤特征参数的定量表征方法。对3D点云数据进行去噪、滤波平滑、数据精简、k-邻域搜索等处理后,进行局部二次曲面拟合,估算出点云的平均曲率,设定曲率阈值实现损伤区域特征点云提取,对损伤区域进行定位,进而计算被测滑轨表面的微小损伤的体积及质量损失。实验研究表明:被测滑轨表面损伤质量的测量精度可达mg级,验证了该方法的有效性。     

基于采样保真性的点模型去噪

提出了一种基于采样保真性的点模型去噪算法.该算法通过移动最小二乘曲面,计算每个采样点的保真性;由法向张量投票方法,测量采样点的特征性;利用改进的双边滤波算子获得各个采样点的滤波方向,结合保真性和特征性对点模型去噪.实验结果表明,算法是鲁棒的,在剔除噪声的同时能够有效地保持曲面的几何特征.     

基于混合滤波和DBSCAN的点云去噪算法

为了避免点云在人工去噪时的复杂工作流程,进一步提高点云去噪效率,在相关研究基础上,设计了一种基于混合滤波和空间密度聚类的点云去噪算法。首先,通过直通滤波去除点云的无效点;其次,采用统计滤波删除点云的大尺度噪声点;再次,利用空间密度聚类算法移除点云的小尺度噪声点。最后,通过相关点云测量数据对设计的算法进行仿真实验验证,并与传统点云去噪算法的计算结果进行对比分析。结果表明,所设计的算法去噪效果优于传统点云去噪算法。     

利用面片法向均值滤波的混合型网格去噪方法

通过对面片法向均值滤波去噪方法的研究,提出了一种改进的混合型去噪算法。通过取值顶点的一环正常边二面角的平均,将顶点分为噪声顶点和一般顶点,然后对噪声顶点利用Laplacian方法进行平移去噪,同时将保持特征的面片法向均值滤波去噪方法作用于一般顶点。实验结果表明：这种混合方法能有效地去除大小噪声,并且在去噪过程中能保持网格的特征。     

基于密度聚类和圆外切线斜率拟合的埋地排水管道声呐点云去噪技术

针对环扫声呐扫描结果受到排水管道内混合水声的影响问题,提出一种声呐扫描点云数据去噪的方法:在环扫声呐扫描得到的三维点云数据基础上,通过密度聚类优化算法,去除点云数据中的噪声,然后采用类圆外切线斜率拟合的方式,识别出管道内壁界限和淤泥淤积线,最终得出包含排水管道内壁界限和淤积线特征的模型。为验证有效性,以武汉市某排水管道为例进行分析,基于现场采集的98万个点云坐标进行数据去噪和特征提取,结果表明:采用密度聚类优化算法进行点云数据初筛后,通过圆外切线斜率拟合算法能有效识别出排水管道内壁界限和淤积线,拟合半径均方误差0.0071m,相较于单一密度聚类算法拟合精度更高,去噪效果更好。     

基于最小截取二乘法的点云数据去噪方法研究

针对点云的去噪,本文提出一种基于最小截取二乘法的点云数据去噪方法,该方法采用最小截取二乘法分段拟合直线,拟合的直线受噪声点的干扰较小,具有较强的鲁棒性。实验结果表明,该算法具有良好的去噪效果,且能保留点云的细节特征。     

基于双边滤波的自适应彩色图像去噪研究

目的为了克服彩色图像去噪后存在的特征模糊,研究基于双边滤波的自适应彩色噪声图像去噪方法。方法使用二维离散小波变换(DWT)对含噪声的彩图图像进行近似分量、水平细节分量、垂直细节分量和对角细节分量等4个方向的分解。根据DWT各方向分量归一化后的方差比例,利用RBF神经网络构造双边滤波系数模型确定不同方向的最佳去噪系数,提出彩色噪声图像自适应去噪方法(DWT-ABF),并将该方法与常规方法作对比。结果在不同噪声类型以及混合噪声失真情况下文中方法都能有效地去除噪声,并同时保留图像细节信息,且与其他方法相比,文中方法去噪后的图像都具有更高的PSNR值。结论文中方法克服了传统双边滤波无法自行确定最佳参数的缺陷,同时也良好地解决了去噪图像特征模糊的问题。     

多普勒计程仪的数据降噪算法

多普勒计程仪输出的船速数据中含有偏差较大的点,即野点,在数据处理时必须将其去除,否则可能会导致组合导航系统中的卡尔曼滤波发散。同时输出数据由于受到随机误差的影响,会导致数据的平滑性能变差。提出了一种多普勒计程仪的数据降噪算法,该算法首先利用改进的中值滤波方法去除数据中的野点,再利用小波阈收缩去噪算法去除随机误差。仿真结果表明,与传统的中值滤波相比,该算法能极大地提高处理增益,并且有很高的应用价值。     

基于DNSS与点到平面的ICP结合的点云配准算法

针对现有点云配准算法众多、配准速度和配准精度不尽相同的问题,本文提出了一种将DNSS与点到平面的ICP相结合的配准算法,利用DNSS提取源点云数据的关键点,利用关键点约束查找对应匹配点对,结合点到平面的误差度量方法计算最优刚体变换矩阵,从而完成点云配准。对配准后的结果进行误差分析,实验结果证明,基于DNSS与点到平面ICP结合的点云配准算法配准精度高于点到点的ICP算法和点到平面的ICP算法,且该方法处理几何特征复杂、特征明显的点云数据优势显著。     

基于局部形态融合的产品创新设计研究

提出了局部形态融合以保持产品设计风格基因传承和创新的设计方法,研究了自产品三维模型设计方案中提取形态特征曲线的方法,利用已有的曲线融合算法,实现了特征曲线的融合,并将融合后的特征曲线替换产品三维模型中原有的特征曲线,从而获得了大量新形态的设计方案。将该创新设计方法应用于产品创新设计中,不仅可以实现多个三维模型的局部形态特征融合,还可实现三维模型与图像、绘制曲线的特征曲线融合。     

Registration of ground‐based LiDAR point clouds by means of 3D line features

Abstract

Techniques for extracting data from LiDAR point clouds can be refined for increased accuracy. In this paper, the authors elaborate on an innovative approach for registering ground‐based LiDAR point clouds using overlapping scans based on 3D line features. The proposed working scheme consists of three major kernels: a 3D line feature extractor, a 3D line feature matching mechanism, and a mathematical model for simultaneously registering ground‐based LiDAR point clouds of multi‐scans on a 3D line feature basis. All processing chains in this study are featured efficiently and come close to meeting the needs of practical usage. Experiments conducted show the proposed method of employing 3D line features to be a useful alternative or complement to point, surface and other features for LiDAR (Light Detection And Ranging) point clouds registration. It is especially effective in areas rich in man‐made structures.     

Some comments on Chen et al. ‘Production scheduling optimization algorithm for the hot rolling processes’

Blades play an important role in aviation engine, gas turbine and jet engine. Inspecting the blade by optical method is a meaningful work in manufacturing industry. During optical inspecting process, one common problem encountered is that the scanned point cloud is large scale and noisy. In this paper, we present a systematic introduction of simplification, smoothing and parameter extraction with respect to point-sampled blades. First, the moving least square surface is applied to create a geometric deviation, which is used to subdivide and cluster the point cloud. Then, the information entropy in k-neighbourhood is defined to smooth point-sampled surface, meanwhile preserving high curvature feature. Furthermore, the computation method of single/multi section parameters is presented, and test experiments are performed in iCloud3D Blade V1.0. Experimental results demonstrate the feasibility and effectiveness of the proposed method.     

支持模型重用的三维参数化特征造型

本文提出了三维参数化特征造型的一种新的思路和方法。特征分为广义几何特征和应用特征，应用特征的几何信息可用广义几何特征表示；三维参数化特征建立在浮动基准体系上，在勾画平面上勾画二维参数化轮廓，勾画时可以引用三维模型在勾画平面上的投影，勾画轮廓经过广义扫描生成三维参数化特征，特征的定义过程用过程语义描述；隐式基准和虚索引对象为特征“剪贴”的实现提供了必要的保证，同时特征“剪贴”支持模型的重用、应用特征库的定义和用这些应用特征进行设计。     

基于灰色预测GM(1,1)模型的网格孔洞填补算法

针对三角网格曲面中存在的孔洞提出了一种填补算法.在空洞曲面的投影平面上,每次寻找孔洞多边形最小内角所在顶点,用GM(1,1)模型在孔洞内部插入新点,构造三角形并生成新的孔洞边界多边形,直到所有的孔洞边界多边形全部处理完.最后将平面三角面片返回到三维空间并用基于径向基函数的平滑算法对其进行平滑处理.实例表明用本算法进行孔洞填补能避免出现错误和狭长的三角形,而且和原孔洞边界能光滑连接,对曲率变化较大的孔洞也能得到满意的填补结果.     

平面参数空间的实时三维点云配准方法

针对具有多平面结构的室内环境的三维定位和环境建模,提出了一种在平面参数空间进行配准的实时三维点云配准方法。该方法首先使用一种改进的三维霍夫变换算法快速提取点云中的平面特征,然后使用迭代算法在平面的参数空间中寻找最近平面,最后使用这些平面的对应关系来估计两帧点云之间的位姿变换关系。在一个实验室场景中进行的对比实验表明,该算法能够达到与传统迭代最近点(ICP)算法相似的精度,而且速度大大提升。在仅使用普通笔记本CPU的情况下即可实现实时的点云拼接。     

Research on Multi-View Image Reconstruction Technology Based on Auto-Encoding Learning

Traditional three-dimensional (3D) image reconstruction method, which highly dependent on the environment and has poor reconstruction effect, is easy to lead to mismatch and poor real-time performance. The accuracy of feature extraction from multiple images affects the reliability and real-time performance of 3D reconstruction technology. To solve the problem, a multi-view image 3D reconstruction algorithm based on self-encoding convolutional neural network is proposed in this paper. The algorithm first extracts the feature information of multiple two-dimensional (2D) images based on scale and rotation invariance parameters of Scale-invariant feature transform (SIFT) operator. Secondly, self-encoding learning neural network is introduced into the feature refinement process to take full advantage of its feature extraction ability. Then, Fish-Net is used to replace the U-Net structure inside the self-encoding network to improve gradient propagation between U-Net structures, and Generative Adversarial Networks (GAN) loss function is used to replace mean square error (MSE) to better express image features, discarding useless features to obtain effective image features. Finally, an incremental structure from motion (SFM) algorithm is performed to calculate rotation matrix and translation vector of the camera, and the feature points are triangulated to obtain a sparse spatial point cloud, and meshlab software is used to display the results. Simulation experiments show that compared with the traditional method, the image feature extraction method proposed in this paper can significantly improve the rendering effect of 3D point cloud, with an accuracy rate of 92.5% and a reconstruction complete rate of 83.6%.