主要包括雙邊濾波、曲率流、密度均值漂流聚類、噪聲分類去噪、神經(jīng)網(wǎng)絡(luò)、曲率特征混合分類的高密度點(diǎn)云去噪 體素濾波結(jié)合區(qū)域生長(zhǎng) 等

1、雙邊濾波算法進(jìn)行點(diǎn)云去噪，雙邊濾波器是基于空間分布的一個(gè)高斯函數(shù)，能夠較好地保存目標(biāo)物的高頻信息，它使點(diǎn)云數(shù)據(jù)的整體趨勢(shì)更加平滑，數(shù)據(jù)點(diǎn)順著法向發(fā)生位移。
2、基于曲率流的去噪算法，每 個(gè) 點(diǎn) 按 照 它 的 曲 率 速 度 沿 著 法 向 移 動(dòng)。
以上兩者雖然都能使點(diǎn)云模型光順，但同時(shí)會(huì)改變點(diǎn)的坐標(biāo)，使點(diǎn)云信息的紋理信息丟失。 3、基于密度的均值漂移聚類去噪算法，使
每個(gè)點(diǎn)漸漸逼近局部密度最高的位置。
但不能濾除密度較高的簇狀噪聲
4、噪聲分類的去噪方法，對(duì)大尺度噪聲使用半徑濾波法和統(tǒng)計(jì)濾波法去噪，而小尺度噪聲使用雙邊濾波法去噪。
5、自適應(yīng)雙邊濾波法進(jìn)行點(diǎn)云去噪，該算法首先為每個(gè)采樣點(diǎn)建立 ｋ－d鄰域，然后以該點(diǎn)處的微切平面為視平面，在該視平面上利用目標(biāo)尺度信息實(shí)現(xiàn)空間方差σｓ 局部自適應(yīng)取值。（醫(yī)學(xué)CT圖像椎骨邊緣保留）
6、利用支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)的算法來進(jìn)行去噪時(shí)間成本大
7、使用模糊 Ｃ－均值與均值濾波來進(jìn)行點(diǎn)云去噪對(duì)于小尺度噪聲以及簇狀噪聲無法濾除

• 8、基于曲率特征混合分類的高密度點(diǎn)云去噪方法。

本文著重分析體素濾波與區(qū)域生長(zhǎng)法結(jié)合
基本思想：

對(duì)點(diǎn)云數(shù)據(jù)網(wǎng)格化（體素化），整體可以看做是一個(gè)長(zhǎng)方體，利用包圍盒壓縮將其切分成多個(gè)等大的正方體，不足則進(jìn)行補(bǔ)全。

對(duì)大密度網(wǎng)格點(diǎn)進(jìn)行局部處理，小密度網(wǎng)格既有噪聲也有非噪聲點(diǎn)

利用噪聲與周圍環(huán)境不存在連接性進(jìn)行區(qū)域生長(zhǎng)法處理
區(qū)域生長(zhǎng)法處理步驟：
（1）確定一半徑a,找出網(wǎng)格內(nèi)包含點(diǎn)數(shù)最多的點(diǎn)作為種子點(diǎn)
（2）選中的種子點(diǎn)以半徑b聯(lián)合周邊的點(diǎn)使用最小二乘擬合一個(gè)平面
（3）半徑b內(nèi)的非種子點(diǎn)與種子點(diǎn)連線的夾角若大于一個(gè)閾值，則歸類為噪聲點(diǎn)否則為非噪聲點(diǎn)。
（4）將大網(wǎng)格中非噪聲點(diǎn)作為新的種子點(diǎn)進(jìn)行循環(huán)，直至所有點(diǎn)均被歸類。將小網(wǎng)格再次利用全局區(qū)域生長(zhǎng)處理。

• 論文中并為交代（3）中閾值如何計(jì)算待考究且計(jì)算時(shí)間較長(zhǎng)，復(fù)雜度較高，參數(shù)不能自適應(yīng)取值

總結(jié)

以上是生活随笔為你收集整理的点云数据去噪的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。