[发明专利]一种点云去噪平滑方法

权利要求书

1.一种点云去噪平滑方法，其特征在于，具体包括以下步骤：

步骤1：对三维点云模型进行自适应密度聚类分析，得到去噪后的点云模型，其具体实现方法如下：

步骤1.1：将三维点云模型导入以x、y、z为坐标轴的三维坐标系，计算自适应参数初始半径e和最小邻域数目MinPts，并为类号ClusterID赋初值1；

步骤1.2：将三维点云模型中的所有点作为一个集合D，从D中读出一个未访问过的对象P，并查找D中关于e和MinPts的从P密度可达的所有对象；

步骤1.3：若P是核心对象，即点P的e邻域内的样本点数大于等于MinPts，则对象P的类号赋值为ClusterID；如果P不是核心对象，即为边界对象，则对象P的类号赋值为0，表示对象P为孤立的噪声点；

步骤1.4：从步骤1.2得到的对象P密度可达的对象开始继续搜索，直至无对象为止，将所有密度可达的对象赋值为ClusterID，ClusterID自加1，并转步骤1.2，直到待分类集合D中所有对象都被访问过；

步骤2：对步骤1得到的去除噪声之后的点云进行双边滤波，得到平滑后的点云模型；

步骤3：针对步骤2得到的点云模型，应用Delaunay三角剖分方法生成重建后的三维模型；

所述步骤1.1中：

所述自适应参数初始半径e的计算方法如下：

根据公式1计算三维点云模型中任意两点p_i和p_j之间的欧式距离dist(i,j)：

其中，(x_i,y_i,z_i)和(x_j,y_j,z_j)分别表示点p_i和p_j的坐标；

根据公式2和公式3计算dist(i,j)的最大值maxdist和最小值mindist，根据公式4求得距离间隔distrange；

maxdist＝Max{dist(i,j)|0≤i＜n,0≤j＜n}式2

mindist＝Min{dist(i,j)|0≤i＜n,0≤j＜n} 式3

distrange＝maxdist-mindist式4

其中，n表示三维点云模型中点的数目；

将距离间隔distrange等距分为十段，各分段的端点值从小到大分别用d₀,d₁,...,d₁₀表示，统计dist(i,j)在每段范围内的次数p_k，0≤k＜10，其中，下标k表示上述各分段的段号，记次数p_k中的最大值为p_m，0≤m＜10，则根据公式5求得自适应参数初始半径e：

所述最小邻域数目MinPts的计算方法如下：

自适应参数初始半径e确定之后，设置MinPts的初始值为1；根据公式6统计点云模型中的任意点p_i的邻域点数目pNum_i，0≤i<n根据公式7统计点云模型中所有点的邻域点数目大于MinPts的点的个数，即为pNum；

pNum_i＝count{dist(i,j)＜e|0≤j＜n} 式6

pNum＝count{pNum_i≥MinPts|0≤i＜n}式7

逐步增大最小邻域数目MinPts，每次递增1，随着最小邻域数目MinPts的增加，pNum会逐渐减少并趋于稳定，每次计算pNum之后与前一次计算的结果相比较，选择pNum不再变化时的最小邻域数目作为MinPts。

2.如权利要求1所述的点云去噪平滑方法，其特征在于，所述步骤2的具体实现方法如下：

步骤2.1：对于步骤1得到的去除噪声之后的点云的每一个数据点q_i，求出它的m个邻近点k_ij，j＝1,2,...,m，m个近邻点的计算如下：

根据公式1计算数据点q_i和点云中其他所有点的距离，然后将上述距离按从小到大排序，截取前m个点作为m个近邻点；

步骤2.2：对于每个邻近点求出平滑滤波函数的参数x＝||q_i-k_ij||和特征保持权重函数的参数其中x为点q_i到邻近点k_ij的距离，y为点q_i与邻近点的距离向量q_i-k_ij与该点法向的内积；

步骤2.3：按照公式8和公式9计算出平滑滤波函数W_c(x)和特征保持权重函数W_s(y)；

其中：σ_c－空间域权重；σ_s－特征域权重；

步骤2.4：将W_c(x)和W_s(y)代入公式10，计算出双边滤波因子α；

其中：N(q_i)为数据点q_i的邻域；

步骤2.5：根据公式11计算经过滤波后的新数据点；

其中：q_new为滤波后的数据点；q_old为步骤1得到的去噪后的数据点；α为双边滤波加权因子；为数据点q_old的单位法矢。