基于点云分区密度的点云去噪方法

1.本发明涉及一种基于点云分区密度的点云去噪方法，属于去噪算法技术领域。


背景技术：

2.受到雷达等扫描仪器的素质、环境因素、被扫描对象本身的影响，点云数据难以避免存在一些噪声。而产生的噪声点，不仅会增加点云的数据量大小，还会影响后续建模、神经网络模型的精度等，需要进行去除。
3.常见的点云去除噪方法有很多，例如：点云滤波中的直通滤波器、体素滤波器、高斯滤波等等方法。在这些方法处理点云噪点的过程中，会造成一定量的误去除，即去除噪点的过程中也误去除掉了必要的点云信息。
4.目前在点云去噪领域，传统方法与深度学习方法并行，不能说孰优孰劣。但是深度学习作为一种学习工具，被用于点云去噪是很有价值的。像神经网络的点云去噪模型：pointcleannet、dup-net等，但大多数模型过于复杂，在实际工业运行过程中，对于硬件设备的要求更高。


技术实现要素：

5.本发明目的是提供了一种基于点云分区密度的点云去噪方法，模型基于点云分区结构，利用点云的密度差值来去除点云噪声的同时，对点云结构进行了部分优化。利用分区后的点云，以点云密度为基础对点云离散噪声点进行优化，在优化的过程中始终以离散距离为标准，即避免了过于复杂的模型结构问题，又做到除噪、优化二合一。
6.本发明为实现上述目的，通过以下技术方案实现：
7.一种基于点云分区密度的点云去噪方法，包括以下步骤：
8.1)输入r3或者r6结构点云数据，r为点云点的数目，并对x、y、z坐标依次进行点云的降维压缩，并赋值操作，得到(n，y，z)、(x，n，z)、(x，y，n)，其中n＝0；
9.2)将n加w再次进行赋值操作，得到(n+w，y，z)、(x，n+w，z)、(x，y，n+w)；将n再加w再次进行赋值操作，得到(n+2w，y，z)、(x，n+2w，z)、(x，y，n+2w)；至此得到9种数据，分别是对三种坐标系压缩后图像的三次特殊赋值结果；
10.3)对压缩后的数据进行区域划分：当压缩的点云数据输入时，以二维坐标为基础，以点云的四个的极点做标定，对整体二维图像等分，压缩后再计算切分区域内点云的密度值；
11.4)对每个坐标为基准压缩后的图像进行多次密度值差值的计算，计算方法为取三个密度值的平均数，并找到与平均数差值最大的区域；
12.选取差值过大所代表的区域，对区域内距离核心k最远的点进行删除或保留；
13.5)在去除掉离散距离过大的点云后，就完成了点云的去噪工作，得到精细化后的点云结构。
14.上述基于点云分区密度的点云去噪方法基础上，降维压缩过程如下：1)输入点云
数据设为a，以x坐标为基准，将所有点云的坐标信息(x，y，z)的值替代为(n，y，z)，此时完成了第一轮的x轴压缩；
15.2)输入a，以y坐标为基准，将所有点云的坐标信息(x，y，z)的值替代为(x，n，z)，此时完成了第一轮的y轴压缩；
16.3)输入a，以x坐标为基准，将所有点云的坐标信息(x，y，z)的值替代为(x，y，n)，此时完成了第一轮的z轴压缩。
17.上述基于点云分区密度的点云去噪方法基础上，w计算公式为：
[0018][0019]
上述基于点云分区密度的点云去噪方法基础上，切分区域内点云的密度值计算公式为式为表示在第i阶段j区域内的密度值，表示i阶段的第j个区域内点云个数，表示i阶段第j个区域面积。
[0020]
上述基于点云分区密度的点云去噪方法基础上，密度值差值计算公式为_表示i阶段和i+1阶段同一区域的密度差值，表示在第i阶段j区域内的密度值，表示在第i+1阶段j区域内的密度值。
[0021]
上述基于点云分区密度的点云去噪方法基础上，区域内个点到核心点最大值计算公式为：d(k，pi)表示区域内个点i到核心点k的距离，表示区域内个点到核心点k的距离均值，pn表示点云点，n表示区域内点云个数。
[0022]
本发明的优点在于：模型基于点云分区结构，利用点云的密度差值来去除点云噪声的同时，对点云结构进行了部分优化。利用分区后的点云，以点云密度为基础对点云离散噪声点进行优化，在优化的过程中始终以离散距离为标准，即避免了过于复杂的模型结构问题，又做到除噪、优化二合一，实现提升点云数据去噪算法的准确性的目的。
具体实施方式
[0023]
下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0024]
针对所输出的点云结果会受到融合过程中点云不规则，局部信息误差等原因的影响而产生的噪声，设计一个细尺度消减过程来解决此问题，细尺度消减的输出是变形局部点集的预测位移矢量：表示为实际点云和神经网络预测点云区域密度差。
[0025]
其具体包括以下步骤：
[0026]
1.输入点云数据设为a，a为r3或者r6结构，r为点云点的数目，以空间坐标轴为基础，对每个坐标轴分别进行点云的降维压缩，使立体点云压缩为二维，使用python对数据操作将相应数值替换为0即可；
[0027]
降维压缩过程如下：
[0028]
(1)输入点云的数据为r3或者r6的数据形式，设计每一行代表一个点的信息，且均在[-1,1]之间。取输入点云数据的前三列数据，即点云的空间坐标信息(x，y，z)，初始化n＝0；
[0029]
(2)输入点云数据设为a，以x坐标为基准，将所有点云的坐标信息(x，y，z)的值替代为(n，y，z)，此时完成了第一轮的x轴压缩；
[0030]
(3)输入a，以y坐标为基准，将所有点云的坐标信息(x，y，z)的值替代为(x，n，z)，此时完成了第一轮的y轴压缩；
[0031]
(4)输入a，以x坐标为基准，将所有点云的坐标信息(x，y，z)的值替代为(x，y，n)，此时完成了第一轮的z轴压缩；
[0032]
(5)将n加w再次进行赋值操作，得到(n+w，y，z)、(x，n+w，z)、(x，y，n+w)；将n再加w再次进行赋值操作，得到(n+2w，y，z)、(x，n+2w，z)、(x，y，n+2w)；至此得到9种数据，分别是对三种坐标系压缩后图像的三次特殊赋值结果；
[0033]
w计算公式为：
[0034][0035]
2.对压缩后的数据进行区域划分：当压缩的点云数据输入时，以二维坐标为基础，以点云的四个的极点做标定，对整体二维图像等分，等分大小为自定义数字v，经过测试，此处设置v为10～20，点与点的距离可以用坐标表示，到此，压缩后的点云变为v*v个小区域；
[0036]
3.压缩后再计算切分区域内点云的密度值，计算方法为点云总个数减去i-1个的切分区域的点云个数；点云切面大小减去i-1个切分区域大小；两者做除法，得到的就是此区域的密度值，其中，切分区域内点云密度计算使用python函数，即统计区域坐标内点的个数；
[0037]
选取差值过大所代表的区域，对区域内距离核心k最远的点进行删除或保留；
[0038]
4.在去除掉离散距离过大的点云后，就完成了点云的去噪工作，得到精细化后的点云结构。
[0039]
本实施例中，对每个坐标为基准压缩后的图像进行多次密度值差值的计算，计算方法为取三个密度值的平均数，并找到与平均数差值最大的切分小区域，具体过程如下：
[0040]
1)对x轴压缩后的图像进行密度计算，x轴经历过三次压缩，计算三次压缩后的相对应区域密度差。
[0041]
2)对y轴压缩后的图像进行密度计算，y轴经历过三次压缩，计算三次压缩后的相对应区域密度差。
[0042]
4)对z轴压缩后的图像进行密度计算，z轴经历过三次压缩，计算三次压缩后的相
对应区域密度差。
[0043]
4)例如，经过对x轴的三次压缩，形成了a、b、c三个压缩后图像，每个图形有j(j＝1，2,
…
,v*v)个小区域，若当j＝6时，分别计算a
j＝6
、b j＝6
、c j＝6
每次压缩的六个小区域的密度均值并选出与均值差距最大的小区域，j再加1，以此类推。
[0044]
本实施例中，选取差值过大所代表的区域，对区域内距离核心k最远的点进行删除或保留，删除逻辑为：
[0045]
1)若每个阶段区域密度差值过大，则进行删除操作，否则不再进行其他操作，输出结果；
[0046]
2)若进行删除操作；
[0047]
3)计算区域内个点到核心点的距离(d)，并计算其均值
[0048]
4)选取d与差距最大的点并删除；
[0049]
5)返回阶段(1)重新判定，直到不再进行删除操作。
[0050]
本实例中，切分区域内点云的密度值计算公式为
[0051]
密度值差值计算公式为
[0052]
区域内个点到核心点最大值计算公式为：
[0053][0054]
则：
[0055]
γ表示i阶段和i+1阶段同一区域的密度差值，表示在第i阶段j区域内的密度值，表示在第i+1阶段j区域内的密度值，γ表示i阶段和i+1阶段同一区域的密度差值，表示距离核心点距离最大的点云点pi表示i阶段的第j个区域内点云个数，表示i阶段第j个区域面积，区域面积不随阶段变化而变化，pn表示点云点，n表示区域内点云个数，d(k，pi)表示区域内个点i到核心点k的距离，表示区域内个点到核心点k的距离均值，pn表示点云点，n表示区域内点云个数。
[0056]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于点云分区密度的点云去噪方法，其特征在于，包括以下步骤：1)输入r3或者r6结构点云数据，r为点云点的数目，并对x、y、z坐标依次进行点云的降维压缩，并赋值操作，得到(n，y，z)、(x，y，z)、(x，y，n)，其中n＝0；2)将n加w再次进行赋值操作，得到(n+w，y，z)、(x，n+w，z)、(x，y，n+w)；将n再加w再次进行赋值操作，得到(n+2w，y，z)、(x，n+2w，z)、(x，y，n+2w)；至此得到9种数据，分别是对三种坐标系压缩后图像的三次特殊赋值结果；3)对压缩后的数据进行区域划分：当压缩的点云数据输入时，以二维坐标为基础，以点云的四个极点做标定，对整体二维图像等分，压缩后再计算切分区域内点云的密度值；4)对每个坐标为基准压缩后的图像进行多次密度值差值的计算，计算方法为取三个密度值的平均数，并找到与平均数差值最大的区域；选取差值最大所代表的区域，对区域内距离核心k最远的点进行删除或保留；5)在去除掉离散距离过大的点云后，就完成了点云的去噪工作，得到精细化后的点云结构。2.根据权利要求1所述基于点云分区密度的点云去噪方法，其特征在于，降维压缩过程如下：1)输入点云数据设为a，以x坐标为基准，将所有点云的坐标信息(x，y，z)的值替代为(n，y，z)，此时完成了第一轮的x轴压缩；2)输入a，以y坐标为基准，将所有点云的坐标信息(x，y，z)的值替代为(x，n，z)，此时完成了第一轮的y轴压缩；3)输入a，以x坐标为基准，将所有点云的坐标信息(x，y，z)的值替代为(x，y，n)，此时完成了第一轮的z轴压缩。3.根据权利要求1所述基于点云分区密度的点云去噪方法，其特征在于，w计算公式为：4.根据权利要求1所述基于点云分区密度的点云去噪方法，其特征在于，切分区域内点云的密度值计算公式为云的密度值计算公式为表示在第i阶段j区域内的密度值，表示i阶段的第j个区域内点云个数，表示i阶段第j个区域面积。5.根据权利要求1所述基于点云分区密度的点云去噪方法，其特征在于，密度值差值计算公式为-表示i阶段和i+1阶段同一区域的密度差值，表示在第i阶段j区域内的密度值，表示在第i+1阶段j区域内的密度值。6.根据权利要求1所述基于点云分区密度的点云去噪方法，其特征在于，区域内个点到核心点最大值计算公式为：d(k，p
i
)表示区域内个点i到核心点k的距离，表示区域内个点到核心点k的距离均值，p
n
表示点云点，n表示区域内点
云个数。

技术总结
本发明属于去噪算法技术领域，提供了一种基于点云分区密度的点云去噪方法，利用分区后的点云，以点云密度为基础对点云离散噪声点进行优化，避免了过于复杂的模型结构问题，又做到除噪、优化二合一。其包括以下步骤：输入点云数据，并对x、y、z坐标依次进行点云的降维压缩，并赋值操作；将n加w再次进行赋值操作；将n再加w再次进行赋值操作；压缩后的数据进行区域划分；对每个坐标为基准压缩后的图像进行多次密度值差值的计算，计算方法为取三个密度值的平均数，并找到与平均数差值最大的区域；选取差值过大所代表的区域，对区域内距离核心k最远的点进行删除或保留；得到精细化后的点云结构。构。


技术研发人员：司冠南 李建辛
受保护的技术使用者：山东交通学院
技术研发日：2023.03.08
技术公布日：2023/8/14