基于APOCS点云去噪算法.docVIP

基于APOCS点云去噪算法 　　摘 要：使用3D扫描工具获取点云数据时常常会伴随着加性噪声。本文提出了一个基于凸集平均映射（APOCS）的原创点云去噪算法。首先，使用基于相关性筛选改良过的均值滤波算法对噪声点云的法向量进行滤波。每个滤波后的法向量都能决定其相对应的局部平面，将这些平面视为凸集，可通过APOCS算法更新点云中各点的位置。在本文的最后将给出该算法在不同强度噪声点云上与双边滤波对比的实验结果。 　　关键词：点云； 去噪； APOCS； Graph-cut 　　Abstract： Point cloud data is often accompanied by additive noise when it is collected by 3D scanning tools. This paper proposes an original method of point cloud denoising based on APOCS （Average Projections Onto Convex Sets）. First，the normal vectors of the noised point cloud is filtered using a mean filter improved by correlation based selection. And some planes are determined by the filtered normal vectors， which can be used to optimize the points locations through APOCS. Compared with bilateral filtering， the experiment demonstrates the results on point clouds with different intensity noises. 　　Key words： point cloud； denoise； APOCS； Graph-cut 　　引言 　　?c云是计算机视觉领域一个新兴方向。随着近年来扫描技术的快速发展，大规模点云数据的获取成为可能。然而，扫描工具不能像相机那样精细，扫描获得的点云往往会包含加性噪声，严重影响了三维表面重构的效果。因此，点云数据的去噪算法将发挥十分重要的作用。现存的点云去噪算法主要是通过滤波实现的，包括邻域滤波和非局部滤波。这些方法在大多数情况下均能取得满意的效果，但对离异点的效果不佳。 　　本文提出一种原创的点云数据去噪方法，该方法基于凸集平均映射（APOCS），不仅能够与以往的点云去噪方法得到相同甚至更好的去噪效果，更关键的是对奇异点有极大的抗性。利用点P的邻域内各点的法向量包含的信息进行去噪，这比利用P邻域内各点的位置信息稳健的多。 　　1 相关技术 　　很多点云去噪算法都是从2D图像拓展到3D图像的，例如应用十分广泛的双边滤波。（Tomasi and Manduchi， 1998）利用双边滤波对噪声图像去噪[1]，而（Fleishman et al， 2003）将双边滤波应用到3D mesh模型去噪上[2]。此外，针对双边滤波不能同时兼顾平滑区域和纹理丰富区域的缺点，（Fu， 2015）将双边滤波和平面映射算法相结合应用到点云去噪当中[3]。除了双边滤波之外，（Taubin， 1995）将Laplace算法从图像处理领域延伸到点云上面[4]，（Deschaud， 2010）将非局部去噪算法发展到点云去噪上[5]。（Buades et al， 2005）提出了一种计算像素之间相似度的方法[6]，但此方法并不适用于点云数据，因此Mines提出了一种基于MLS （moving least-squares）的相似度计算方法，可用于点云数据上。无独有偶，（Mederos et al， 2003）将MLS用于点云去噪[7]，而（Fleishman et al， 2005）和（Oztireli et al， 2009）分别对该方法作出了改进而产生了RMLS（Robust Moving Leas Square） [8]和RIMLS（Robust Implicit Moving Least Square） [9]。有趣的是，这种基于MLS的点云去噪算法并不是通过滤波实现的，而是利用映射，这一点跟本文的方法如出一辙。 　　另外，还有一些专门针对3D点云数据提出的算法。（Zhu， 2005）提出了一种采用三维小块算法实现的数据点压缩方法[10]。（Liu， 2013）提出了一种相对复杂的基于三维重构数据的双向点云去噪算法[11]。（Zhu， 2015）推出利用密度分析检