[发明专利]一种基于熵与卷积神经网络的点云降噪方法

说明书

本发明提供了一种基于熵与卷积神经网络的点云降噪方法，属于计算机技术领域。一种基于熵与卷积神经网络的点云降噪方法，S1、收集点云数据并根据实体进行人工标注点云数据是否是噪点；S2、将人工标注的点云数据进行归一化处理，并将归一化处理后的点云数据输入熵与卷积神经网络系统进行判别模型的训练；S3、判断判别模型精准度是否符合要求，若否，系统自动调整卷积神经网络模型，并返回S1，若是，将当前分类模型定位最佳分类模型；S4、获取待检测点云数据，采用最佳判别模型对待检测点云数据进行是否噪点的判别，若是噪点，则依据使用者主观选择机率噪声点处理噪点。通过人工和计算机配合方式判断噪点，实现有监督的学习，提高学习精度。

技术领域

本发明涉及计算机技术领域，具体涉及一种基于熵与卷积神经网络的点云降噪方法。

背景技术

近几年三维模型获取的软硬件技术正在不断深入，人们可以通过多种数据采样方法来获取实物体的计算机表示，并对之进行预处理，加工，分析和应用。在获取数据过程中因为人为的扰动或扫描仪本身的缺陷使得生成的三维数据往往带有噪声，从而使所获得的的测量数据与实物有一定的偏差。

在现有技术中，通常的去噪算法需要一个输入参数，即噪点强度，为了能够达到自动去噪，需要自动的估计噪点强度，现有的算法通常假定了噪点类型，如高斯白噪点、椒盐噪点、蓝噪点等等，而实际的传感器产生的噪点并不符合这些统计规律，故这类估计噪点强度的算法所起的作用是有限的。

发明内容

本发明提供了一种基于熵与卷积神经网络的点云降噪方法，通过人工和计算机配合方式判断噪点，实现有监督的学习，提高学习精度。

本发明上述技术目的是通过以下技术方案实现的，一种基于熵与卷积神经网络的点云降噪方法，其特征在于，包括以下步骤，

步骤S1、收集点云数据并根据实体进行人工标注点云数据是否是噪点；

步骤S2、将人工标注的点云数据进行归一化处理，并将归一化处理后的点云数据输入熵与卷积神经网络系统进行判别模型的训练；

步骤S3、判断判别模型精准度是否符合要求，若否，熵与卷积神经网络系统自动优化卷积神经网络节点权重，并返回步骤S1；若是，将当前判别模型定位最佳判别模型；

步骤S4、获取待检测点云数据，采用最佳判别模型对待检测点云数据进行是否噪点的判别，若是噪点，则依据使用者主观选择机率噪声点处理噪点，若不是噪点，则结束。

作为本发明的优选，所述归一化处理包括对所有点云数据进行信息熵均值的计算，将所有的人工标注的点云数据的空间距离都除以信息熵均值得到归一化后的样本点。

作为本发明的优选，根据步骤S3，系统自动优化卷积神经网络节点权重，当节点权重值大于或等于预定权重值时，当前判别模型为最佳判别模型。

作为本发明的优选，根据步骤S4，根据步骤S4，将待检测点云数据输入熵与卷积神经系统中进行计算该点云数据中噪点类型的机率噪声点，选择概率最大的噪点类型。

作为本发明的优选，噪声类型包括大于90%的机率噪声点，介于90%与70%之间的机率噪声点，介于70%与50%的机率噪声点，介于50%与30%的机率噪声点，介于30%与10%的机率噪声点，低于10%的机率噪声点。

作为本发明的优选，系统包括网络结构，点云数据依次通过所述网络结构的输入层，K个小组层，全连接层，其中K大于或者等于1。

作为本发明的优选，输入层为图像的横纵座标和图像颜色。

作为本发明的优选，小组层包括卷积层、激活层、下采样层、归一化层；卷积层、激活层、下采样层、归一化层。

与现有技术相比，本发明基于熵与卷积神经网络的点云降噪方法有以下优点：