[发明专利]一种基于曲率和邻域重构的加权引导点云模型去噪方法

说明书

本发明公开了一种基于曲率和邻域重构的加权引导点云模型去噪方法。该方法为：首先，计算点云模型中每个点的曲率信息，根据设定的阈值，将模型中的特征点提取出来；其次，根据提取出来的特征点，在由K近邻法获取的邻域的基础上重构邻域点，并使得重构出的邻域在一个面上；然后，根据重构出的邻域，利用每个点的三维位置信息作为引导信号，同时将曲率信息作为加权信号加入到位置引导信号中，从而对点云模型中的每个点做线性变换；最后，根据计算出的线性变换系数，对每个点进行线性变换，实现点云模型去噪。本发明在对点云去噪模型的同时保持了点云模型的特征信息，并且对于不同程度的噪声有较好的鲁棒性。

技术领域

本发明涉及计算机图形学和三维点云去噪技术领域，特别是一种基于曲率和邻域重构的加权引导点云模型去噪方法。

背景技术

近年来，由于虚拟现实、增强现实等应用的出现和推广，点云模型处理技术成为计算机图形学研究领域的热点之一。去噪后的点云模型可以作为动画、渲染、三维重建等应用的基础。随着各种扫描设备，尤其是消费级深度传感器(如Kinect)的日益普及，鲁棒的点云去噪方法的设计变得越来越重要，而点云去噪的主要技术挑战在于如何在去除噪声的同时有效地保持模型的特征。

目前常用的点集滤波方法，如局部最优投影(LOP)、鲁棒隐式移动最小二乘(RIMLS)、加权LOP(WLOP)、边缘感知重采样(EAR-aware resampling)和连续LOP(CLOP)，都具有显著的优势。然而，这些点集滤波方法要么不能保留清晰的特征，要么去除噪声的鲁棒性较差。其中LOP、WLOP和CLOP都是基于LOP的方法，能够很好地去除噪声和离群点，但由于它们固有的各向同性性质，不能保留其清晰的特征；EAR是一种扩展的基于LOP的方法，虽然保留了几何特征，但是因为它需要利用相当大的邻域大小，可能会抹去精细尺度的几何特征；RIMLS也保留了特征，但由于对初始法线估计的强依赖性，与基于LOP的方法相比，它通常对离群点和噪声更敏感。以上问题严重限制了这些方法在点群去噪中的鲁棒性和有效性。

发明内容

本发明的目的在于提供一种去噪精度高，并且能够保留模型特征、对于不同程度的噪声有着较好鲁棒性的基于曲率和邻域重构的加权引导点云模型去噪方法。

实现本发明目的的技术解决方案为：一种基于曲率和邻域重构的加权引导点云模型去噪方法，包括以下步骤：

步骤1，计算点云模型中每个点的曲率信息，根据设定的阈值，将模型中的特征点提取出来；

步骤2，根据提取出来的特征点，在由K近邻法获取的邻域的基础上重构邻域点，并使得重构出的邻域在一个面上；

步骤3，根据重构出的邻域，利用每个点的三维位置信息作为引导信号，同时将曲率信息作为加权信号加入到位置引导信号中，从而对点云模型中的每个点做线性变换；

步骤4，根据步骤3计算出的线性变换系数，对每个点进行线性变换，实现点云模型去噪。

进一步地，步骤1所述的计算点云模型中每个点的曲率信息，根据设定的阈值，将模型中的特征点提取出来，具体如下：

步骤1.1、对于每一个点p_i，计算它对应于邻域N_i的曲率值σ(N_i)为

其中，λ₀、λ₁、λ₂是N_i的协方差矩阵的奇异值，且λ₀＜λ₁＜λ₂，反映了N_i三个正交奇异向量的分布；

步骤1.2、设置阈值t，曲率值大于阈值t的点为特征点，曲率值小于阈值t的点为非特征点。