随着三维激光扫描技术的快速发展,点云数据在自动驾驶、三维建模、医学研究、逆向工程、乡村振兴等领域得到了广泛的应用。但是由于受到仪器性能、周围环境以及被扫描目标本身特性的影响,扫描获取的点云数据往往包含大量噪声,严重影响...随着三维激光扫描技术的快速发展,点云数据在自动驾驶、三维建模、医学研究、逆向工程、乡村振兴等领域得到了广泛的应用。但是由于受到仪器性能、周围环境以及被扫描目标本身特性的影响,扫描获取的点云数据往往包含大量噪声,严重影响后续点云处理的准确度,因此有必要对其进行去噪处理。针对传统滤波算法对参敏感性不强、计算复杂度高、几何特征保持性差等问题,提出一种几何特征保持的层次化点云去噪算法。首先,该算法在半径滤波算法中引入点云密度特征以改进初始参数选取,实现大尺度噪声去除;然后,利用KD树(K-Dimensional Tree)优化基于密度的噪声应用空间聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)算法,并结合角点特征对DBSCAN算法的参数实现自适应选取,从而将点云数据分为有效簇、模糊簇和噪声簇,去除噪声簇;最后,利用距离共识评估算法对模糊簇进行判定,通过计算模糊点与点云拟合曲面之间的距离来判断是否为噪声点,以完成对点云小尺度噪声的去除。实验采用公共点云数据集和实地采集的乡村点云数据验证所提算法,结果表明,与DBSCAN算法、改进森林去噪法、几何特征保持去噪法、改进密度聚类去噪法和多特征网格去噪法相比,所提算法的尖锐几何特征保持性更佳,去噪精度分别提高了约43%,27%,29%,21%和9%。该算法可以在有效保持几何特征的同时提高去噪精度,是一种有效的点云去噪算法。展开更多
文摘随着三维激光扫描技术的快速发展,点云数据在自动驾驶、三维建模、医学研究、逆向工程、乡村振兴等领域得到了广泛的应用。但是由于受到仪器性能、周围环境以及被扫描目标本身特性的影响,扫描获取的点云数据往往包含大量噪声,严重影响后续点云处理的准确度,因此有必要对其进行去噪处理。针对传统滤波算法对参敏感性不强、计算复杂度高、几何特征保持性差等问题,提出一种几何特征保持的层次化点云去噪算法。首先,该算法在半径滤波算法中引入点云密度特征以改进初始参数选取,实现大尺度噪声去除;然后,利用KD树(K-Dimensional Tree)优化基于密度的噪声应用空间聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)算法,并结合角点特征对DBSCAN算法的参数实现自适应选取,从而将点云数据分为有效簇、模糊簇和噪声簇,去除噪声簇;最后,利用距离共识评估算法对模糊簇进行判定,通过计算模糊点与点云拟合曲面之间的距离来判断是否为噪声点,以完成对点云小尺度噪声的去除。实验采用公共点云数据集和实地采集的乡村点云数据验证所提算法,结果表明,与DBSCAN算法、改进森林去噪法、几何特征保持去噪法、改进密度聚类去噪法和多特征网格去噪法相比,所提算法的尖锐几何特征保持性更佳,去噪精度分别提高了约43%,27%,29%,21%和9%。该算法可以在有效保持几何特征的同时提高去噪精度,是一种有效的点云去噪算法。
