基于联合双边滤波和尖锐特征骨架提取的点云去噪方法与流程

技术特征：

1.基于联合双边滤波和尖锐特征骨架提取的点云去噪方法，其特征在于，包括以下步骤：

1)利用法向量差方法获取候选特征点；

2)对候选点区域提取骨架；

3)利用骨架对候选点进行重采样，得到特征点；

4)对特征点赋予多法向量；

5)基于联合双边滤波框架对点云法向量进行滤波；

6)基于滤波后的法向量对点位置进行更新，得到去噪后的点云模型。

2.根据权利要求1所述的基于联合双边滤波和尖锐特征骨架提取的点云去噪方法，其特征在于：在步骤1)中，利用法向量差方法获取候选特征点，是计算每个点邻域内的任意两点的法向量差并求和，当这个求和值大于预设阈值时，就把这个点标记为候选特征点。

3.根据权利要求1所述的基于联合双边滤波和尖锐特征骨架提取的点云去噪方法，其特征在于：在步骤2)中，对候选点区域提取骨架，是采用l₁中值骨架方法，对候选特征点区域进行计算，得到骨架。

4.根据权利要求1所述的基于联合双边滤波和尖锐特征骨架提取的点云去噪方法，其特征在于：在步骤3)中，利用骨架对候选点进行重采样，得到特征点，是根据步骤2)得到的骨架以及骨架上的骨架点，在相邻两个骨架点中间划分出一个小区域，对落在该区域内的候选特征点，选择一个，作为特征点。

5.根据权利要求1所述的基于联合双边滤波和尖锐特征骨架提取的点云去噪方法，其特征在于：在步骤4)中，对特征点赋予多法向量，是根据步骤3)判断该点应该拥有的法向量数量，将最靠近该点的k个近邻点即k近邻点进行K-means聚类，将每一类中的点的法向量求平均值，得到该点的多法向量。

6.根据权利要求1所述的基于联合双边滤波和尖锐特征骨架提取的点云去噪方法，其特征在于：在步骤5)中，基于联合双边滤波框架对点云法向量进行滤波，需要先构建引导域值，将引导域值设为点的引导法向量，将每个点及其k近邻点设为一个块，将包含该点的块全部列举出来；对每个块计算其所有点的平均法向量，同时计算块内任意两点的向量差的平均值，将其定义为每个块的连续性值，用来衡量其内部点的向量的一致性，连续性值越大，证明该块跨过尖锐特征，包含另外一个面的点更多；为了保留尖锐特征，区分出尖锐特征两侧的不同平面，需要挑选的是连续性值最小的块，即尽可能不跨过尖锐特征的块，将这个块的平均法向量，作为该点的引导法向量；

联合双边滤波公式如下：

${\tilde{n}}_{ij}=\frac{1}{W_{ij}}\underset{p_k\∈N\left(p_i\right)}{\Σ}{K}_s(p_i,p_k)K_r(g_{ij},g_{kl})n_{kl}---\left(1\right)$

其中，是p_i点第j个滤波后的法向量，p_k∈N(p_i)表明p_k点是属于p_i点的邻域点，n_kl是p_k点的第l个滤波前的法向量，是位置差权重，当p_k点与p_i点的欧氏距离越远时，权重越小；是法向量差权重，当p_k点的引导法向量g_kl与p_i点的引导法向量g_ij的法向量差越大时，权重越小；W_ij是归一化因子，保证滤波后的法向量模长为1；

当p_k点有多个法向量时，就选择其多个法向量中与p_i点原法向量最接近的法向量n_kl，代入联合双边滤波公式进行计算，得到p_i点滤波后的法向量。

7.根据权利要求1所述的基于联合双边滤波和尖锐特征骨架提取的点云去噪方法，其特征在于：在步骤6)中，基于滤波后的法向量i表示模型中点的个数，共有n个点；j表示每个点具有的向量数，当i为普通点时，d_i＝1，i点为特征点时，d_i＞1，对点位置进行更新，得到去噪后的点云模型，需要定义如下的优化问题：

ε_pointupd＝ε_position+ε_normal (2)

其中：

${\mathrm{\ϵ}}_{position}=\underset{i=1}{\overset{n}{\Σ}}\left|\right|p_i^{\′}-p_i\left|\right|$

${\mathrm{\ϵ}}_{normal}=\underset{i=1}{\overset{n}{\Σ}}\frac{1}{d_i}\underset{j=1}{\overset{d_i}{\Σ}}\frac{1}{{\Σ}_{k\∈N_i}w(i,k)}\underset{k\∈N_i}{\Σ}w(i,k){\[{\tilde{n}}_{ij}(p_i^{\′}-p_k^{\′})\]}^2$

式中，p_i表示更新后的点位置，p′_i表示p_i更新前的位置，N_i表示p′_i的k近邻点集合，p'_k表示p′_i的k近邻点，w(i,k)＝w_p(i,k)w_n(i,k)，其中用来衡量邻域点对中心点的位置影响权重，当点距离越大时，权重越小；用来衡量邻域点对中心点的法向量影响权重，当该邻域点的法向量与中心点的法向量相差越大时，权重越小；求解公式(2)得到的迭代求解公式是：

$p_i^{t+1}=p_i^t+\frac{1}{d_i}\underset{j=1}{\overset{d_i}{\Σ}}\frac{1}{{\Σ}_{k\∈N_i}w(i,k)}\underset{k\∈N_i}{\Σ}w(i,k)\[{\tilde{n}}_{ij}(p_i^t-p_k^t)\]{\tilde{n}}_{ij}---\left(3\right)$

其中t和t+1为第t次和第t+1次迭代，由此得到新的点位置通过迭代多次后得到去噪后的点云模型。