技术领域
本发明涉及逆向工程中点云数据去噪预处理领域,具体涉及一种基于法向修正与位置滤波两步法的散乱点云去噪方法。
背景技术
航空发动机叶片作为航空发动机的核心部件之一,长期处于高温、高压等恶劣工作环境,极易造成损伤。研究叶片的修复技术能降低叶片的废弃率和维修成本,产生巨大的经济效益。通过逆向工程重建完整叶片过程中,获得高精度的点云数据则是极为关键的一步。然而,由于测量仪器、构件本身的缺陷以及测量环境等诸多因素的影响,使得测量所得海量点云数据中往往含有大量噪声,严重影响了利用点云模型完成曲面重建的效果。因此需要对获得的点云数据进行去噪预处理。
现有采样模型去噪算法分为两类,一类是网格模型去噪,另一类是散乱点模型去噪。散乱点云模型去噪光顺的基本原理是噪声点沿法向方向进行微小偏移,然而由于噪声的干扰使得采样点的法向估计存在较大误差,并且位置迭代滤波时滤波因子不能随采样点局部几何特征自适应变化,从而导致去噪后的模型特征失真。本发明主要针对散乱点云模型去噪光顺中存在的上述两种问题,提出一种基于法向修正与位置滤波两步法的散乱点云去噪方法,该方法在有效去除噪声的同时能够较好的保留模型的特征细节。
发明内容
针对传统散乱点云去噪模型易造成模型的过光顺和局部的失真问题,本发明提出了一种基于法向修正与位置滤波两步法的散乱点云去噪方法,本发明从法向修正和构建滤波参数自适应取值的高斯核函数两个方面对传统散乱点云滤波模型进行改进,实现了模型的保特征去噪,有效地避免了模型特征细节失真。
本发明解决所述技术问题的技术方案是:一种基于法向修正与位置滤波两步法的散乱点云去噪算法,包括以下步骤:
读取含噪声的点云数据P,设置邻域点数k、法向滤波修正次数T和滤波次数γ的值;
初估点云法线
计算采样点p
式中,k为采样点的最近邻域点的个数,
将修正后的点云法向作为散乱点云的位置迭代方向,并结合滤波参数自适应的高斯核函数改进点云滤波模型,
所述滤波参数自适应的高斯核函数为以采样点与邻域点的平均距离来控制平滑因子σ
将修正后的法向
与现有技术相比,本发明的有益效果是:
本发明方法能够对邻域点法向进行双边加权,利用邻域法向加权之和更新采样点的法向,提高了模型尖锐特征处的法向精度,为散乱点云模型的位置滤波提供了精准的法向。构建了能随采样点局部几何特征自适应取值的滤波参数,使得位置滤波时模型的特征保持权重和光顺权重均能自适应改变。将修正后的法向和滤波参数自适应的高斯核函数相结合构建了新的点云滤波模型(公式(15)),实现了点云的保特征去噪,有效地避免了模型的过光顺和特征细节失真。
附图说明
图1为本发明基本流程示意图
图2为Fandisk模型的去噪结果。
图3为Head模型的去噪结果。
图4为Hand模型的去噪结果。
图5为修正前后法向精度对比图。
其中图2-图4中,(a)均为理想模型,(b)均为加噪声后的点云模型,(c)均为用双边滤波算法去噪结果,(d)均为本发明方法去噪结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,实施例是以本发明所述技术方案为前提进行的具体实施,给出了详细的实施方式和过程。但本申请的保护范围不限于下述的实施例描述。
本发明提供一种基于法向修正与位置滤波两步法的散乱点云去噪算法,该去噪算法实施包括如下步骤:
步骤1:读取含噪声的点云数据P,设置邻域点数k、法向滤波修正次数T和滤波次数γ的值。
步骤2:利用K-D树算法进行k邻域搜索,在局部k邻域内利用主成分分析法初估点云法线
式中,
步骤3:计算采样点与邻域点的空间欧式距离||p
式中,式中,χ
步骤4:根据公式(3)进行法向滤波修正,当修正次数t大于设置的T值时,停止迭代修正,输出修正后的点云法向
式中,k为采样点的最近邻域点的个数,
步骤5:重新计算采样点p
其中,
γ
步骤6:将修正后的法向
式中,γ为噪声点迭代次数,也就是滤波次数;
式中,
本发明方法在进行散乱点云的位置滤波时,利用采样点与邻域点的平均距离来控制平滑因子σ
图2-图4为对三种模型加入30dB的高斯白噪声,然后利用不同方法进行对比所得结果。本实施例中法向滤波修正次数T和滤波次数γ的值均为5。
三个图中的(a)均为原始模型,(b)为加入噪声后的模型,(c)为双边滤波算法处理后的结果(具体双边滤波算法参见文献Fleishman S,Drori I,Cohen-Or D.Bilateralmesh denoising[J].Acm Transactions on Graphics,2003,22(3):950-953.),(d)为本申请方法处理后的结果。
从部分放大图可以看出:本申请方法可以实现点云模型的低频平滑和高频保特征去噪。
表1是对去噪后的平均误差、均方根误差和最大误差的统计结果。从表中可以得出结论:本发明方法去噪后点云模型的三种误差均为最小,表明了本申请方法能更好地保留原始模型的特征细节,去噪结果更接近理想模型。
表1
图5是修正前后法向精度对比图,本发明方法提高了模型尖锐特征处的法向精度,为散乱点云模型的位置滤波提供了精准的法向。
利用本发明所述的技术方案,或本领域的技术人员在本发明技术方案的启发下,设计出类似的技术方案,而达到上述技术效果的,均是落入本专利的保护范围。
本发明未述及之处适用于现有技术。
机译: 基于深度学习飞机零件的点云去噪方法
机译: 基于点的法向向量确定点云中点的外观
机译: 基于点的法向向量确定点云中点的外观