本发明属于3d点云数据处理技术领域,具体涉及一种基于统计离群和自适应双边混合滤波的3d点云去噪方法。
背景技术:
随着人工智能的发展,机器视觉逐渐从二维图像过度到三维图像,而3d点云作为三维图像的典型代表之一,已逐渐被广泛应用。通常情况下,使用3d点云数据获取设备获取3d点云时,由于被测对象表面波纹、表面粗糙度、设备精度、环境光照、人为扰动等因素的影响,所获得的3d点云不可避免地受到噪音地影响。噪声的存在不仅会严重影响后续3d点云数据的简化、配准等预处理,而且直接影响3d重构的精度、3d点云数据分割效果及3d点云数据识别率的高低。所以,其去噪方法选取是否合适对后续工作起着决定性作用。
经过近年的发展,3d点云数据的去噪也涌现出众多的研究方法。统计离群消除滤波算法是计算点到k邻域内分布点间的距离,通过对每点邻域进行统计分析,删除不符合标准的离群点。主要滤除离群点,对起伏噪音无法去除,去噪后的边界不平滑。双边滤波算法主要用于对3d点云中的小尺度的起伏噪音进行去除,且可达到平滑边界的效果。但是该算法多离群点噪音的去除效果较差。
技术实现要素:
本发明的目的是提供一种基于统计离群和自适应双边混合滤波的3d点云去噪方法,解决了现有单个统计离群滤波器仅仅滤除离群噪音点、边界不平滑及单个自适应双边滤波器仅仅滤除起伏噪音点的问题。
本发明所采用的技术方案是,基于统计离群和自适应双边混合滤波的3d点云去噪方法,具体按照以下步骤实施:
步骤1,利用统计离群消除滤波器对3d点云数据进行去噪处理,得到初次去噪后的3d点云数据;
步骤2,利用自适应双边滤波器对步骤1中的结果进行去噪,得到最终去噪后的3d点云数据。
本发明的特点还在于,
步骤1中,具体按照以下步骤实施:
步骤1.1,计算3d点云数据中每个点到其最近k邻域点的平均距离dm,如式(1)所示;
其中,k=100,di为k邻域内每点到该点距离;
步骤1.2,经步骤1.1后,分别计算每个点的平均距离dm的期望值dp和标准差s;如式(2)及式(3)所示;
其中,n为点总数量,n=958166;
步骤1.3,经步骤1.2后,计算每个点的距离阈值dt,若dm>dt,则滤除该点,否则,保留;如式(4)所示;
dt=dp+λ*s(4);
式(4)中,λ为松弛参数,λ=0.1;dp为期望值;s为标准差。
步骤2中,具体按照以下步骤实施:
步骤2.1,计算初次去噪后的每个3d点云数据的双边平滑因子;如式(5)所示;
其中,nk(pi)为pi的k邻域点云集合;pj为pi的k邻域内一点;<,>表示向量内积;nj、ni为对应点的单位法向量;wc为空间域的权重函数;ws为频率域的权重函数;
步骤2.2,利用公式(9)对步骤1.3的中初次去噪后的每个3d点云数据进行自适应双边滤波处理,即可得到最终去噪后的3d点云数据;
pinew=pi+μni(9);
pinew为双边滤波后的数据点,pi为点云中一点,μ为双边滤波因子,ni为pi对应的单位法向量。
步骤2.1中,wc的计算公式,如式(6)所示;
式(6)中,σc为点pi和k邻域内各点间距离对该点的影响因子。
步骤2.1中,ws的计算公式,如式(7)所示;
式(7)中,σs为点pi与其k邻域内各点间法线方向差异对该点的影响因子,σs由公式(8)计算得出;
式(8)中,
本发明的有益效果是:
该方法与单个统计离群消除滤波器和单个自适应双边滤波器去噪后的效果相比,不仅去除了离散群的噪音点,而且去除了起伏噪音点。与此同时,还保留了去噪后3d点云边界的平滑。保留两种去噪方法的优点,解决了它们存在的不足。
附图说明
图1是本发明基于统计离群和自适应双边混合滤波的3d点云去噪方法的流程图;
图2是本实施例中待处理的原3d点云数据图像;
图3是本实施例中利用统计离群消除滤波器对图2中原3d点云数据图像去噪图;
图4是本实施例中利用自适应双边滤波器对图2中原3d点云数据图像去噪图;
图5是本实施例中利用统计离群和自适应双边混合滤波对图2中原3d点云数据图像去噪图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于统计离群和自适应双边混合滤波的3d点云去噪方法,如图1所示,具体按照以下步骤实施:
步骤1,利用统计离群消除滤波器对3d点云数据进行去噪处理,得到初次去噪后的3d点云数据;具体按照以下步骤实施:
步骤1.1,计算3d点云数据中每个点到其最近k邻域点的平均距离dm,如式(1)所示;
其中,k=100,di为k邻域内每点到该点距离;
步骤1.2,经步骤1.1后,分别计算每个点的平均距离dm的期望值dp和标准差s;如式(2)及式(3)所示;
其中,n为点总数量,n=958166,点总数量n越大往往设置的最近k邻域值越大;
步骤1.3,经步骤1.2后,计算每个点的距离阈值dt,若dm>dt,则滤除该点,否则,保留;如式(4)所示;
dt=dp+λ*s(4);
式(4)中,λ为松弛参数,λ=0.1;dp为期望值;s为标准差;
利用统计离群消除滤波对3d点云数据进行滤波的目的是在保证点云特征不变的前提下可以滤除掉离群噪音点云数据,为后续点云数据再次去噪奠定基础;
步骤2,利用自适应双边滤波器对步骤1中的结果进行去噪,得到最终去噪后的3d点云数据;具体按照以下步骤实施:
步骤2.1,计算初次去噪后的每个3d点云数据的双边平滑因子;如式(5)所示;
其中,nk(pi)为pi的k邻域点云集合,pj为pi的k邻域内一点,<,>表示向量内积,nj、ni为对应点的单位法向量,可由主成分分析法计算,wc为空间域的权重函数,代表双边滤波的平滑度,ws为频率域的权重函数,代表双边滤波的特征保留度,两者均通过高斯核函数表示;
其中,wc的计算公式,如式(6)所示;
式(6)中,σc为点pi和k邻域内各点间距离对该点的影响因子;随着σc取值增大,其平滑程度越高,但对于特征的保留度降低;σc是k邻域内相距最远的两点之间距离的二分之一;
ws的计算公式,如式(7)所示;
式(7)中,σs为点pi与其k邻域内各点间法线方向差异对该点的影响因子,它和双边滤波的特征保留能力成正比;σs由公式(8)计算得出;
式(8)中,
步骤2.2,利用公式(9)对步骤1.3的中初次去噪后的每个3d点云数据进行自适应双边滤波处理,即可得到最终去噪后的3d点云数据;
pinew=pi+μni(9);
pinew为双边滤波后的数据点,pi为点云中一点,μ为双边滤波因子,可通过公式(5)计算,ni为pi对应的单位法向量;
本发明的方法与单个统计利群滤波器和单个自适应双边滤波器去噪方法相比,统计利群滤波器处理的3d点云数据后,仅仅去除掉了部分离群的3d点云噪音,无法去除起伏噪音点,而且去噪后的边界不平滑;自适应双边滤波器处理的3d点云数据后,仅仅去除掉起伏的3d点云噪音,无法去除掉离群的3d点云噪音。本发明是将统计离群滤波器和自适应双边滤波器有效的结合起来处理3d点云数据,不仅能够有效的去除掉离群的3d点云噪音,而且还可以有效地去除起伏的3d点云噪音,与此同时,处理后的3d点云边界更加平滑,为后续3d点云数据的分割和特征提取奠定良好基础。
实施例
一种基于统计离群和自适应双边混合滤波的3d点云去噪方法,具体按照以下步骤实施:
步骤1,利用统计离群消除滤波器对3d点云数据进行去噪处理,得到初次去噪后的3d点云数据;具体按照以下步骤实施:
步骤1.1,利用公式(1)计算3d点云数据中每个点到其最近k邻域点的平均距离dm;
其中,k为人工设定的k最近k邻域值,k=100,di为k邻域内每点到该点距离;
步骤1.2,利用公式(2)和(3)分别计算每个点的平均距离dm的期望值dp和标准差s;
其中,n为点总数量,n=958166;
步骤1.3,利用公式(4)计算距离阈值dt;若dm>dt,则滤除该点,否则,保留;
dt=dp+λ*s(4);
式(4)中,λ为松弛参数,λ=0.1;dp为期望值;s为标准差。
利用统计离群消除滤波器对图2原3d点云数据进行滤波去噪处理,结果如图3所示,由图3可知,图2中周围的离散噪音点几乎被滤除掉,这为后续再次去除噪音奠定基础;
步骤2,再利用自适应双边滤波器对步骤1中的结果进行去噪,得到最终去噪后的3d点云数据;具体按照以下步骤实施:
步骤2.1,利用公式(5)计算双边平滑因子;
其中,nk(pi)为pi的k邻域点云集合,pj为pi的k邻域内一点,<,>表示向量内积,nj、ni为对应点的单位法向量,可由主成分分析法计算,wc为空间域的权重函数,代表双边滤波的平滑度、ws为频率域的权重函数,代表双边滤波的特征保留度,两者均通过高斯核函数表示;
wc,利用公式(6)计算;
其中,σc为点pi和k邻域内各点间距离对该点的影响因子。随着σc取值增大,其平滑程度越高,但对于特征的保留度降低。σc是k邻域内相距最远的两点之间距离的二分之一。
ws,利用公式(7)计算;
其中,σs为点pi与其k邻域内各点间法线方向差异对该点的影响因子,它和双边滤波的特征保留能力成正比;由公式(8)计算σs;
其中,
步骤2.2,利用公式(9)对步骤1.3的结果进行自适应双边滤波处理。
pinew=pi+μni(9);
pinew为双边滤波后的数据点,pi为点云中一点,μ为双边滤波因子,可通过公式(5)计算,ni为pi对应的单位法向量;
利用自适应双边滤波器对图2原3d点云数据进行滤波去噪处理,结果如图4所示,由图4可知,图2中起伏噪音点几乎被滤除掉,但离群噪音点不能很好的去除。利用自适应双边滤波器对图3的3d点云数据再次进行滤波去噪处理,结果如图5所示,由图5可知,图2中的离群噪音点和起伏噪音点均有效被去除,而且去噪后的3d点云数据的边界更平滑,消除了毛刺,实现了令人满意的视觉效果。
采用峰值信噪比,通过对比统计离群滤波方法和自适应双边滤波方法,可以看出,本发明方法均优于以上两种去噪方法。同时,这三种方法均处理了50幅不同场景,如表1所示,结果表明,本发明方法比统计离群滤波方法平均提高了1.0db,比自适应双边滤波方法平均提高了2.3db。由此可见,本发明去噪效果均优于上述两种去噪方法。
表1不同场景不同去噪方法去噪效果对比