[发明专利]一种无序3D点云的快速无损滤波方法

说明书

本发明属于三维图形处理技术领域，具体涉及一种无序3D点云的快速无损滤波方法，包括以下步骤：获取点云数据；建立点云的外接立方体；将所述外接立方体分割成三维网格；根据每个网格单元包含的点云数量为三维网格构建三维点云密度数组；遍历所有数组，以密度大于设定阈值的网格单元为种子点，基于区域生长进行滤波操作，搜寻对应的连通域，提取连通域中所有网格单元中包含的三维点，即为滤波后的点云数据。本发明的方法对于点云的外接立方体进行网格化切分，依据每个网格区域内包含的点云数量构建密度数组，并根据设定的密度阈值将稠密无序的点云转化为规则的二值化三维数组，算法复杂度低，并且能够大大减少点云的处理量，极大地提升效率。

技术领域

本发明涉及三维图形处理技术领域，具体涉及一种无序3D点云的快速无损滤波方法。

背景技术

随着计算机图形学相关技术的应用范围越来越广，人们对于三维图形技术的关注度越来越高。而目前大多数三维模型是通过扫描设备获取的点云数据，由三维扫描设备发射扫描光到被测物体表面上，接受反射光，以此计算出物体表面点的三维坐标。然而由于扫描设备受到设备精度、环境光线以及表面材质等条件约束，扫描获取的点云模型不可避免地带有大量噪声。而带有噪声的点云数据会对后续的模型重构、分割、编辑等工作带来严重影响。因此，对带噪声模型进行去噪是保证几何模型精确度的关键。

目前大部分获取的点云模型均为散乱点云，在针对散乱点云的去噪算法中，常用的算法有高斯滤波、分箱去噪、KD-Tree、半径滤波等方法。其中：高斯滤波适用于呈正态分布的数据，考虑到离群点的特征，则可以定义某处点云小于某个密度，即点云无效，计算每个点到其最近的k个点平均距离；分箱去噪方法适用于呈偏态分布的数据；KD-Tree方法构建KD树，随机取点求平均距离d，删掉所有大于2d的点；半径滤波器以某点为中心画一个圆计算落在该圆中点的数量，当数量大与给定值时则保留该点，数量小于给定值则剔除该点。

这些技术都各有优势，但是仍然存在以下缺陷：

(1)在工业精密测量中，高精度3D相机在扫描过程中会产生大量稠密的点云数据，运用以上这些方法进行无序点云滤波运算复杂度高，耗时较长，大大影响设备测量效率。

(2)采集点云环境比较复杂或者图像标定及匹配误差会导致点云数据采样密度不均匀从而含有大量的稀疏离群噪声点和孤立群噪声点，针对这些离群噪声点，点云模型中的噪声不能完全被去除，还会出现压缩变形的问题，从而影响精密测量。

参考专利文献：

CN102930509B-一种机载激光点云数据的智能化滤波方法；

CN103853840B-一种不均匀散乱点云数据的滤波方法；

CN106340061B-一种山区点云滤波方法；

CN106570835B-一种点云简化滤波方法；

CN107798657B-一种基于圆柱坐标的车载激光点云滤波方法；

CN109272458A-一种基于先验信息的点云滤波方法；

CN110119438A-基于主动学习的机载LiDAR点云滤波方法。

发明内容

本发明的目的在于提供一种无序3D点云的快速无损滤波方法，本方法对于点云的外接立方体进行网格化切分，依据每个网格区域内包含的点云数量构建密度数组，并根据设定的密度阈值将稠密无序的点云转化为规则的二值化三维数组，算法复杂度低，并且能够大大减少点云的处理量，极大地提升效率。

为实现上述目的，本发明提供如下技术方案：

一种无序3D点云的快速无损滤波方法，其特征在于包括以下步骤：

S100：获取点云数据；