本文選題：點(diǎn)云去噪　切入點(diǎn)：特征分類　出處：《光學(xué)精密工程》2016年06期 　論文類型：期刊論文

【摘要】：為了有效去除獲取三維點(diǎn)云數(shù)據(jù)時的噪聲,同時又不損失模型的特征信息,提出了一種基于三維點(diǎn)云特征信息分類的去噪算法。首先采用主成分分析法和二次曲面擬合法估算三維點(diǎn)云的微分幾何信息;然后根據(jù)點(diǎn)云平均曲率的局部特征權(quán)值,將點(diǎn)云數(shù)據(jù)劃分為特征信息較少的平坦區(qū)域和特征信息豐富的區(qū)域,針對不同特征區(qū)域分別采用鄰域距離平均濾波算法和自適應(yīng)雙邊濾波算法進(jìn)行去噪濾波。實(shí)驗(yàn)結(jié)果表明:濾波后點(diǎn)云數(shù)據(jù)的最大誤差為0.144 7mm,標(biāo)準(zhǔn)偏差為0.021 0mm。在不同噪聲強(qiáng)度下,該去噪算法均能夠達(dá)到較好的去噪效果,并保留點(diǎn)云的高頻特征信息。
[Abstract]:In order to effectively remove the noise when acquiring 3D point cloud data without losing the feature information of the model, This paper presents a denoising algorithm based on the classification of feature information of 3D point cloud. Firstly, the differential geometric information of 3D point cloud is estimated by principal component analysis and Quadric surface fitting method, and then the local eigenvalue of the mean curvature of point cloud is calculated according to the local eigenvalue of point cloud mean curvature. The point cloud data is divided into flat areas with less feature information and regions with rich feature information. The average neighborhood distance filtering algorithm and the adaptive bilateral filtering algorithm are used for denoising different characteristic regions. The experimental results show that the maximum error of the filtered point cloud data is 0.1447 mm and the standard deviation is 0.021 mm. Under different noise intensity, the maximum error of the filtered point cloud data is 0.021.0 mm. The proposed denoising algorithm can achieve better denoising effect and retain the high frequency feature information of the point cloud.
【作者單位】： 南昌大學(xué)機(jī)電工程學(xué)院;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(No.51365037)
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 段紅娟;;簡述三維點(diǎn)云處理技術(shù)的研究[J];電子技術(shù)與軟件工程;2013年14期

2 馬牧運(yùn);張愛武;王書民;崔營營;;手持?jǐn)?shù)碼相機(jī)獲取場景三維點(diǎn)云的實(shí)現(xiàn)[J];光學(xué)與光電技術(shù);2011年03期

3 徐勝攀;劉正軍;左志權(quán);;大規(guī)模三維點(diǎn)云快速拾取技術(shù)研究[J];計(jì)算機(jī)工程與設(shè)計(jì);2013年08期

4 王震;劉進(jìn);;基于激光影像的物體三維點(diǎn)云獲取系統(tǒng)[J];城市勘測;2013年06期

5 鐘晨;王偉;莊嚴(yán);;基于三維點(diǎn)云的階梯目標(biāo)檢測與參數(shù)估計(jì)[J];控制理論與應(yīng)用;2013年06期

6 馬彩虹;程昱;何明光;曾陽發(fā);劉東峰;;海德堡視網(wǎng)膜斷層掃描儀的三維點(diǎn)云去噪方法研究[J];計(jì)算機(jī)工程與科學(xué);2010年08期

7 王麗輝;羅曉玲;張娜;;三維點(diǎn)云模型的參數(shù)化方法[J];信息與電腦(理論版);2013年05期

8 周勇飛;徐昱琳;呂曉夢;王明;;基于雙目的三維點(diǎn)云數(shù)據(jù)的獲取與預(yù)處理[J];計(jì)算機(jī)技術(shù)與發(fā)展;2014年03期

9 楊蕾;;一種高效的支持向量回歸三維點(diǎn)云修補(bǔ)算法[J];計(jì)算機(jī)應(yīng)用研究;2009年10期

10 譚志國;魯敏;郭裕蘭;左超;;基于投影分布熵的多視點(diǎn)三維點(diǎn)云場景拼接方法[J];中國激光;2012年11期

相關(guān)會議論文 前1條

1 陳寶權(quán);;Towards Building a Live Digital City through Laser Scanning[A];第四屆全國幾何設(shè)計(jì)與計(jì)算學(xué)術(shù)會議論文集[C];2009年

相關(guān)博士學(xué)位論文 前3條

1 王麗輝;三維點(diǎn)云數(shù)據(jù)處理的技術(shù)研究[D];北京交通大學(xué);2011年

2 安毅;三維點(diǎn)云數(shù)據(jù)的幾何特性估算與特征識別[D];大連理工大學(xué);2011年

3 萬國偉;面向建筑物的三維點(diǎn)云生成、增強(qiáng)和重建技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 張楠;鐵路場景下三維點(diǎn)云識別與分類算法研究[D];北京交通大學(xué);2016年

2 陸桂亮;三維點(diǎn)云場景語義分割建模研究[D];南京大學(xué);2014年

3 徐尚;三維點(diǎn)云數(shù)據(jù)拼接與精簡技術(shù)的研究[D];中國海洋大學(xué);2009年

4 張萌;基于建筑物三維點(diǎn)云數(shù)據(jù)的水平面檢測[D];西安電子科技大學(xué);2013年

5 李云海;基于三維點(diǎn)云數(shù)據(jù)的鞋印信息系統(tǒng)的設(shè)計(jì)[D];南昌大學(xué);2009年

6 李夢瑞;大型鍛件三維點(diǎn)云非迭代特征保持消噪研究[D];燕山大學(xué);2013年

7 王增濤;三維點(diǎn)云數(shù)據(jù)處理平臺設(shè)計(jì)[D];大連理工大學(xué);2014年

8 豐坤;基于隨機(jī)游動模型的三維點(diǎn)云數(shù)據(jù)分割算法的研究[D];哈爾濱工業(yè)大學(xué);2013年

9 岳杰;植物三維點(diǎn)云修補(bǔ)方法研究[D];首都師范大學(xué);2013年

10 王建東;基于奶牛乳房子空間特征向量的三維點(diǎn)云相似性分析[D];天津科技大學(xué);2013年

，

本文編號：1580922