一种基于KNN的点云数据自适应降噪方法

本发明涉及三维信息处理，更具体地，涉及一种基于knn的点云数据自适应降噪方法。

背景技术：

1、点云数据是利用激光雷达等设备对现实场景采样的点的集合，包含了距离、坐标等空间三维信息。利用点云数据对物体或场景进行三维重建，能够恢复出逼真的三维模型或表面。该项技术能够被广泛运用于逆向工程、地图测绘、自动驾驶、医疗等领域，同时也是目前计算机工程领域的研究热点之一。然而在实际操作中，由于设备、环境等因素的影响，任何设备采集的点云数据会包含诸多噪声，例如孤立的离散点、表面不平整等，直接进行三维重建将会严重影响重建效果，所以通常情况下会在点云数据处理前首先进行降噪。

2、knn(k-nearest neighbor，k最近邻)算法被广泛用于数据分类、点云降噪等领域。利用knn算法进行点云降噪的一般过程为：计算点云数据中某一点与其邻域内k个点的欧氏距离，通过该距离的均值与设定的距离阈值进行比较，以此来判断该点是否为离散噪声点。

3、knn算法中，k值与距离阈值的取值十分重要，会直接影响降噪效果。对于k值的选取，较小的k值会导致算法仅与较小邻域内的点进行比较，对于呈片状的离散点无法去除；较大的k值会导致求得的距离均值失去意义。对于距离阈值的选取，较小的距离阈值会导致约束过于严格，导致点云中某些局部密度较低的正常点被错误地剔除，形成空洞；较大的距离阈值则由于约束过于宽松，使得离散点不能被完全去除。同一组k值与距离阈值难以对不同点云进行良好的降噪处理，因此目前在使用knn对点云数据降噪前，需要根据输入点云密度等特征，依据经验人工设定k值与距离阈值。

技术实现思路

1、本发明的目的是提供一种基于knn的点云数据自适应降噪方法，用于实现对点云数据的自适应去除离散点与平滑。

2、为了解决上述问题，本发明提供一种基于knn的点云数据自适应降噪方法，包括以下步骤：

3、根据点云数据确定最邻域点个数k，k＝an，其中n为点云数据中点的数量，a为0.021％-0.03％，k为整数，

4、对于点云数据中任一点，利用3-sigma规则判断该点是否为其最邻域内的离散点。

5、优选地，该方法进一步包括

6、对于点云数据中任一点i，使用knn算法求出该点i与其最邻域k个点的距离均值di，点云数据所有点的di值构成集合d；

7、计算集合d的标准差dstd与均值dmean；

8、利用下面公式判断点i是否为离散点

9、|di-dmean|<3·dstd

10、如果点i为离散点，从点云数据中删除该点。

11、优选地，所述距离为欧氏距离或曼哈顿距离。

12、优选地，所述a为0.025％，且k不小于10。

13、优选地，该方法包括

14、对于点云数据中任一点i(xi,yi,zi)，将使用knn算法确定的该点最邻域内k个点组成集合ui；

15、获取该集合ui中每一点j的第一坐标值xj；

16、针对集合ui中所有点，计算这些点第一坐标值的标准差xstd和均值xmean；

17、将集合中每一点j是否符合下面公式，将符合公式的点j组成集合vi；

18、|xj-xmean|<3·xstd

19、对集合vi中所有点的第一坐标值取均值，将该均值作为该点i的第一坐标值。

20、优选地，该方法包括

21、获取该集合ui中每一点j的第二坐标值yj；

22、针对集合ui中所有点，计算这些点第二坐标值的标准差ystd和均值ymean；

23、将集合中每一点j是否符合下面公式，将符合公式的点j组成集合wi；

24、|yj-ymean|<3·ystd

25、对集合wi中所有点的第二坐标值取均值，将该均值作为该点i的第二坐标值。

26、优选地，该方法包括

27、获取该集合ui中每一点j的第三坐标值zj；

28、针对集合ui中所有点，计算这些点第三坐标值的标准差zstd和均值zmean；

29、将集合中每一点j是否符合下面公式，将符合公式的点j组成集合pi；

30、|zj-zmean|<3·zstd

31、对集合pi中所有点的第三坐标值取均值，将该均值作为该点i的第三坐标值。

32、本发明的有益效果如下：

33、1、本发明提供的一种基于knn的点云数据自适应降噪方法，保留了knn降噪算法的特点，易于理解与实现；

34、2、本发明提供的一种基于knn的点云数据自适应降噪方法，实现了依据输入数据自行判断k值和距离阈值，全程不需要人工干预；

35、3、本发明提供的一种基于knn的点云数据自适应降噪方法，仅依靠单帧点云中邻域点的相对距离和坐标进行降噪，有效进行离散点的去除与表面平滑，降噪性能良好，适用范围广，适用于包括散乱点云在内的绝大多数点云数据，不需要灰度图像等参考数据。

技术特征：

1.一种基于knn的点云数据自适应降噪方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于knn的点云数据自适应降噪方法，其特征在于，该方法进一步包括

3.根据权利要求2所述的基于knn的点云数据自适应降噪方法，其特征在于，所述距离为欧氏距离或曼哈顿距离。

4.根据权利要求1所述的基于knn的点云数据自适应降噪方法，其特征在于，所述a为0.025％，且k不小于10。

5.根据权利要求1或2所述的基于knn的点云数据自适应降噪方法，其特征在于，该方法包括

6.根据权利要求5所述的基于knn的点云数据自适应降噪方法，其特征在于，该方法包括

7.根据权利要求6所述的基于knn的点云数据自适应降噪方法，其特征在于，该方法包括

技术总结
本发明提供一种基于KNN的点云数据自适应降噪方法，该方法根据点云数据确定最邻域点个数K，K＝an，其中n为点云数据中点的数量，a为0.021％‑0.03％，K为整数，对于点云数据中任一点，利用3‑Sigma规则判断该点是否为其最邻域内的离散点。本发明提供的基于KNN的点云数据自适应降噪方法，依据点云规模自动选取K值，利用3‑Sigma原则，取代手动设定的距离阈值以筛选离散点，并对点云中所有点的x，y，z值进行修正以实现点云平滑，能够实现不需要额外输入任何参数，对输入的点云数据进行KNN降噪操作。

技术研发人员：潘鸣奇,毕勇
受保护的技术使用者：中国科学院理化技术研究所
技术研发日：
技术公布日：2024/1/15