[发明专利]一种基于自适应隐式移动最小二乘的结构化点云去噪方法

说明书

本发明公开了一种基于自适应隐式移动最小二乘的结构化点云去噪方法，包括以下步骤：步骤1，根据深度值自适应确定结构化点云中每个三维点在二维矩阵结构中的邻域窗口大小；步骤2，对于每个三维点，根据该点的邻域窗口大小查找邻域点，通过主元分析估算该点的法向；步骤3，依次以每个三维点为中心，利用该点的邻域点及邻域点的法向，定义局部隐函数；步骤4，利用定义的局部隐函数构造隐式局部曲面，沿视线方向优化求解每条视线与局部隐式曲面的交点。本发明能对结构化点云去噪并保证点数据在深度相机模型下的透视变换不变性，具有运算速度快，去噪后点数据分布均匀，对深度不连续和噪声随深度变化等问题鲁棒性高的优点。

技术领域

本发明涉及计算机图形中的面向真实物体的3D建模领域，具体涉及一种基于自适应隐式移动最小二乘的结构化点云去噪方法。

背景技术

所谓结构化点云去噪是指消除结构化点云中噪声的过程。结构化点云是目前大多数三维获取设备，如深度相机，采集到的物体的原始三维表面数据。所谓结构化点云是指具有规则二维矩阵结构的一些三维点组成的集合，其中每个三维点与二维图像中的每个像素对应。去噪的目的是使结构化点云表示的曲面光滑，这样有助于提升3D建模的精度。结构化点云去噪研究具有重要意义，因为利用三维获取设备对真实世界的物体建模已经被广泛应用于三维建模的领域中，可以省去大量的手工建模操作并捕获更多模型的细节。无论是小型的物体或是大型的建筑，甚至整个城市都可以利用三维获取设备采集表面的结构化点云数据。这些结构化点云通常都带有噪声，而噪声可能会严重降低配准、表面重建等三维建模操作的精度，因此，结构化点云去噪是对真实物体进行三维建模时的不可缺少的重要步骤。

目前，现存相当数量的各式各样的点云去噪算法，例如著名的移动最小二乘算法等。然而现存的诸多算法通常针对散乱点云，即无拓扑结构的三维点集合。虽然这些算法也可用于结构化点云去噪，但不足之处是没有利用结构化点云的结构信息。这样导致一方面需要建立复杂的空间数据结构，如Kd树，进行邻域查找，另一方面对优化缺乏相应的约束，不能保持点数据在深度相机模型下的透视变换不变性。现有的针对结构化点云的算法通常直接借鉴图像处理中的滤波算法，如高斯滤波等。该类算法一般通过矩阵窗口直接查找邻域，因此算法复杂度相对较低，但是在噪声较大时不容易保持几何特征。另外，噪声在结构化点云中不同深度的位置一般会发生变化，采用统一大小的邻域窗口往往不能保证对全部点数据起到良好的去噪效果。

发明内容

本发明提供一种基于自适应隐式移动最小二乘的结构化点云去噪方法，能够消除结构化点云中噪声并保持点数据在深度相机模型下的透视变换不变性，运算速度快，对深度不连续和噪声随深度变化等问题鲁棒性高。

一种基于自适应隐式移动最小二乘的结构化点云去噪方法，包括以下步骤：

步骤1，根据深度值自适应确定结构化点云中每个三维点在二维矩阵结构中的邻域窗口大小；

步骤2，对于每个三维点，根据该点的邻域窗口大小查找邻域点，通过主元分析(PCA)估算该点的法向；

步骤3，依次以每个三维点为中心，利用该点的邻域点及邻域点的法向，定义局部隐函数；

步骤4，利用定义的局部隐函数构造隐式局部曲面，沿视线方向优化求解每条视线与局部隐式曲面的交点。

作为优选，步骤1中，自适应确定结构化点云中每个三维点p_i在二维矩阵结构中的邻域窗口大小的公式为：

其中，h_i表示点p_i的邻域窗口的半边长；

d_i是点p_i的深度值，即点p_i的Z轴坐标值；

α和β是手动输入的参数。