CN109934120A - 一种基于空间密度和聚类的分步点云噪声去除方法 - Google Patents

Abstract

本发明公开了一种基于空间密度和聚类的分步点云噪声去除方法，包括：S1，抽取点云数据总量预设比例的点云计算其点云密度，作为整个点云数据的平均密度，统计其r×r×r立方体空间中点云平均数量Q，将Q作为空间密度去噪法密度阈值的参考值，并定义阈值O；S2，遍历点云数据中的每一个点，求取该点的r×r×r立方体空间中的点云数量K，若K小于阈值O，则判定为点状噪声点并去除；若K大于等于阈值O，则保留，以获得去除了点状噪声点的初次去噪点云数据；S3，对初次去噪点云数据进行聚类，读取点云数据集合；S4，统计每个集合中的点云数量M，若M小于参考值Q，则判定为簇状噪声点并去除；若M大于等于参考值Q，则保留以得到最终去噪结果。本发明能够同时滤除点状噪声和簇状噪声。

Description

一种基于空间密度和聚类的分步点云噪声去除方法

技术领域

本发明涉及地理空间信息***技术领域，特别是涉及一种基于空间密度和聚类的分步点云噪声去除方法。

背景技术

机载激光雷达(LiDAR，Light Detection and Ranging)***是一种集激光测距技术、计算机技术、惯性测量单元(IMU)/DGPS差分定位技术于一体的主动式对地观测***。该***不仅可以量测地面物体的三维坐标，还能获取该激光点的反射强度信息。具有自动化程度高、受天气影响小、数据生产周期短、精度高、不受外界条件影响等优点，因此被广泛应用于获取地表空间信息。但在其获取地表空间信息时，由于LiDAR***自身或是测区环境的原因，获取的点云数据中往往包含着噪声。

噪声点根据其聚集特性可分为两类，第一类为点状噪声，点状噪声又分为高位噪声和低位噪声，特点为无规律且离散分布于整个测区。这类噪声由于LiDAR***在激光发射和返回时产生距离异常值或是接收了多次无效的激光漫反射造成；第二类为簇状噪声点，特点为少数几个噪声点成簇状聚集，这类噪声大部分是由于激光脉冲信号打在飞行物上所导致的。

噪声点对点云数据的后续处理会造成很大影响，例如在大部分LiDAR点云数据滤波算法中是以局部高程最低点为地面点这一假设进行的，如果低位噪声没有去除，就会使得部分地形点被误判为地物点而被滤除。在三维建模中，噪声点的存在同样也会影响建模的精度。

为了避免噪声点对点云数据滤波、建模等后续工作的影响，现有技术提供了多种去噪方法，例如：①基于距离的去噪方法，该方法主要基于噪声点和有效点不同的分布特点进行去噪。由于噪声点分布散乱，其与邻近点的距离较有效点与邻近点的距离大得多，从而可设置距离阈值将其区别并剔除。②基于数学形态学的去噪方法，该方法主要利用开运算和闭运算进行滤波，当窗口大小设置得非常小时可用于滤除噪声点。

但上述这些去噪方法都只能去除部分噪声点，在去除簇状噪声上的表现不够理想，即存在无法同时滤除点状噪声和簇状噪声的问题。

发明内容

本发明的目的在于解决无法同时滤除点状噪声和簇状噪声的问题，提出一种基于空间密度和聚类的分步点云噪声去除方法。

一种基于空间密度和聚类的分步点云噪声去除方法，包括以下步骤：

S1，抽取点云数据总量预设比例的点云计算其点云密度，将该点云密度作为整个点云数据的平均密度，统计其r×r×r立方体空间中点云平均数量Q，将Q作为空间密度去噪法密度阈值的参考值，并根据该参考值定义阈值O；

S2，遍历点云数据中的每一个点，求取该点的r×r×r立方体空间中的点云数量K，若K小于阈值O，则判定为点状噪声点并去除；若K大于等于阈值O，则保留，以获得去除了点状噪声点的初次去噪点云数据；

S3，对上述初次去噪点云数据进行聚类，读取点云数据集合；

S4，统计每个集合中的点云数量M，若M小于参考值Q，则判定为簇状噪声点并去除；若M大于等于参考值Q，则保留以得到最终去噪结果。

其中，所述步骤S1具体包括以下步骤：

S11，抽取点云数据总量10％的点云计算其点云密度，以代表整个点云数据的平均密度，统计其r×r×r立方体空间中点云平均数量Q，作为空间密度去噪法密度阈值的参考值；

S12，定义一个r×r×r立方体空间，若当前判断点X₁坐标为X₁、Y₁、Z₁，则在点X₁的r×r×r立方体空间范围中任意一点的X、Y、Z坐标满足(1)式条件；

S13，遍历该点云数据后将满足X₁，X₂…X_N坐标条件的点的总数进行累加，此时该点云数据包含于r×r×r立方体空间的点的平均数量Q由(2)式获得；

其中N为该点云数据点云数量的10％，K_N为存在于点X_N的r×r×r立方体空间中的点的总数。

其中，所述步骤S2中，阈值O优选为参考值Q的1/4。

其中，所述步骤S3具体包括以下步骤：

S31，读取初次去噪点云数据的集合I，集合I中此时的点云数量为P，构建第一个读入点x₀的r×r×r立方体空间，并将该区域内的点以及点x₀放入同一个空集合A₁中，并将集合A₁从集合I中删除，此时为初次聚类，若此时聚类加入的点数为M₁，则此时集合A₁内新加入的M₁个点的坐标(x₁，y₁，z₁)满足(3)式条件；

其中k为聚类次数，此时k＝1；x₀、y₀、z₀为第一个读入点的坐标，集合I中剩余的点的数量P_s为(4)式所示；

其中k为聚类次数，此时k＝1；M_k为第k次聚类加入集合A₁的点的个数；

S32，进行第二次聚类，遍历集合I中剩余的点，将坐标符合(3)式的点加入集合A₁中，并将加入集合A₁中的M₂个点从集合I中删除，此时集合A₁中总点数M如(5)式所示；

S33，判断上一次聚类是否有点加入集合A₁，判断条件如(6)式，若m＞0，则表示在上一次聚类中有点加入集合A₁，则继续下一次聚类，将集合I中剩余满足(3)式的点加入集合A₁中，并将新加入的M_k个点从集合I中删除；

S34，循环步骤S33直到m＝0，此时集合A₁是集合I中第一个完成聚类的点云集合，并且已经从集合I中删除。

其中，所述步骤S4具体包括以下步骤：

S41，判断集合A₁的点云数量是否大于阈值，此处阈值的取值为步骤S1中的参考值Q，若大于阈值，则将集合A₁加入空集B中，若否，则不进行该操作；

S42，判断集合I点云剩余数量P_s是否大于0，若是，则重复步骤S31-S34，若否，则算法结束，最终点云数据被分类为集合A₁、集合A₂…集合A_i数个不同点云数量的集合，其中点云数量大于阈值的集合加入集合B，集合B则为不包含簇状噪声的点云数据。

根据本发明提供的基于空间密度和聚类的分步点云噪声去除方法，该方法使用原始点云数据，根据噪声点和有效点不同的特性，利用点状噪声密度小于有效点密度，以及簇状噪声聚集数量小于有效点聚集数量的特点，先基于空间密度去除点状噪声，再基于聚类进一步去除簇状噪声，从而实现分步去除点状噪声和簇状噪声，经实验表明，该方法不仅能够有效滤除以上两类噪声，而且还能够保护有效点不被误判剔除，获得更小的去噪误差，鲁棒性较高。

附图说明

本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例提供的基于空间密度和聚类的分步点云噪声去除方法的流程图；

图2为实验数据视图，其中，(a)samp21视图；(b)samp24视图；(c)samp41视图；

图3为三组实验数据两次去噪结果对比图，其中，(a)samp21两次去噪结果对比图；(b)samp24两次去噪结果对比图；(c)samp41两次去噪结果对比图；

图4为samp21去噪结果对比图，其中，(a)原始数据；(b)SOR去噪方法结果；(c)本发明提供方法的结果；

图5为samp24去噪结果对比图，其中，(a)原始数据；(b)SOR去噪方法结果；(c)本发明提供方法的结果；

图6为samp41去噪结果对比图，其中，(a)原始数据；(b)SOR去噪方法结果；(c)本发明提供方法的结果。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例提供的基于空间密度和聚类的分步点云噪声去除方法，包括步骤S1～S4：

S1，抽取点云数据总量预设比例的点云计算其点云密度，将该点云密度作为整个点云数据的平均密度，统计其r×r×r立方体空间中点云平均数量Q，将Q作为空间密度去噪法密度阈值的参考值，并根据该参考值定义阈值O；

其中，点状噪声与有效点云相比，其分布离散且无规律，利用该特点可设置空间密度阈值将密度小的点状噪声进行去除。由于不同点云数据其点云密度是不同的，为了适用于各种不同点云密度的点云数据，在进行空间密度去噪法前，先抽取点云数据总量预设比例的点云计算其点云密度，以代表整个点云数据的平均密度，优选的，先抽取点云数据总量10％的点云计算其点云密度，以代表整个点云数据的平均密度。

具体的，步骤S1包括步骤S11～S13：

S11，抽取点云数据总量10％的点云计算其点云密度，以代表整个点云数据的平均密度，统计其r×r×r立方体空间中点云平均数量Q，作为空间密度去噪法密度阈值的参考值；

S12，定义一个r×r×r立方体空间，若当前判断点X₁坐标为X₁、Y₁、Z₁，则在点X₁的r×r×r立方体空间范围中任意一点的X、Y、Z坐标满足(1)式条件；

S13，遍历该点云数据后将满足X₁，X₂…X_N坐标条件的点的总数进行累加，此时该点云数据包含于r×r×r立方体空间的点的平均数量Q由(2)式获得；

其中N为该点云数据点云数量的10％，K_N为存在于点X_N的r×r×r立方体空间中的点的总数。

S2，遍历点云数据中的每一个点，求取该点的r×r×r立方体空间中的点云数量K，若K小于阈值O，则判定为点状噪声点并去除；若K大于等于阈值O，则保留，以获得去除了点状噪声点的初次去噪点云数据；

其中，当阈值O的取值过大会造成Ⅱ类误差过大，过小则可能达不到理想的去噪效果。优选的，阈值O为参考值Q的1/4。

S3，对上述初次去噪点云数据进行聚类，读取点云数据集合；

其中，经过S1～S2的去噪后，部分点云数据仍然存有簇状噪声，因为簇状噪声密度与有效点密度相近，只利用密度这一特性无法有效将其区分，因此第二阶段去噪的目的在于去除残留的簇状噪声。

基于聚类的去噪法的思想是：将多个距离较近的点放在一个集合中，最终可以将整个点云数据根据距离分为多个集合，同时可以得知每个集合中包含的点云数量。由于簇状噪声点大部分是由于激光脉冲信号打在飞行物上造成的，所以其聚集的点的数量远远小于有效点的聚集数量。设定一个集合包含的点云数量阈值，即可将簇状噪声与其他有效点进行区分。

具体的，步骤S3包括步骤S31～S34：

S31，读取初次去噪点云数据的集合I，集合I中此时的点云数量为P，构建第一个读入点x₀的r×r×r立方体空间，并将该区域内的点以及点x₀放入同一个空集合A₁中，并将集合A₁从集合I中删除，此时为初次聚类，若此时聚类加入的点数为M₁，则此时集合A₁内新加入的M₁个点的坐标(x₁，y₁，z₁)满足(3)式条件；

其中k为聚类次数，此时k＝1；x₀、y₀、z₀为第一个读入点的坐标，集合I中剩余的点的数量P_s为(4)式所示；

其中k为聚类次数，此时k＝1；M_k为第k次聚类加入集合A₁的点的个数；

S32，进行第二次聚类，遍历集合I中剩余的点，将坐标符合(3)式的点加入集合A₁中，并将加入集合A₁中的M₂个点从集合I中删除，此时集合A₁中总点数M如(5)式所示；

S33，判断上一次聚类是否有点加入集合A₁，判断条件如(6)式，若m＞0，则表示在上一次聚类中有点加入集合A₁，则继续下一次聚类，将集合I中剩余满足(3)式的点加入集合A₁中，并将新加入的M_k个点从集合I中删除；

S34，循环步骤S33直到m＝0，此时集合A₁是集合I中第一个完成聚类的点云集合，并且已经从集合I中删除。

S4，统计每个集合中的点云数量M，若M小于参考值Q，则判定为簇状噪声点并去除；若M大于等于参考值Q，则保留以得到最终去噪结果。

其中，步骤S4具体包括步骤S41～42：

S41，判断集合A₁的点云数量是否大于阈值，此处阈值的取值为步骤S1中的参考值Q，若大于阈值，则将集合A₁加入空集B中，若否，则不进行该操作；

S42，判断集合I点云剩余数量P_s是否大于0，若是，则重复步骤S31-S34，若否，则算法结束，最终点云数据被分类为集合A₁、集合A₂…集合A_i数个不同点云数量的集合，其中点云数量大于阈值的集合加入集合B，集合B则为不包含簇状噪声的点云数据。

为了验证本实施例提供方法的有效性，选用ISPRS网站中提供的三组数据进行试验(https://www.itc.nl/isprs/wgIII-3/filtertest/downloadsites/)。该试验点云数据由OptechALTM机载LiDAR***获取，点间距在1-1.5m之间。三组测试样本包含有不同的地形特征，例如样本samp21包含有桥梁、不规则建筑物、低矮植被等，共12960个点；样本samp24包含有大型建筑物和阶梯地形，共7492个点；样本samp41包含有数据空白、不规则建筑物，共11231个点。这三组样本数据都包含有高位噪声与低位噪声，点状噪声以及簇状噪声，如图2所示。因此，有利于检验本发明方法的有效性和鲁棒性。

上述基于空间密度和聚类的分步点云噪声去除方法主要分为两个阶段，第一个阶段基于空间密度的思想去除点状噪声；第二个阶段基于聚类的思想，不以增大Ⅱ类误差为代价，将第一个阶段未去除的簇状噪声去除。评判标准由Ⅰ类误差(T₁)、Ⅱ类误差(T₂)以及总误差(T₃)决定。具体公式如(7)式所示。

其中，a为噪声点错误判定为有效点的点数，b为噪声点正确判定为噪声点的点数，c为有效点错误判定为噪声点的点数，d为有效点正确判定为有效点的点数。

表1为三组实验数据初次去噪和二次去噪的精度评价结果：

表1初次去噪与二次去噪精度评价

由以上数据可以看出，经过二次去噪后三组实验数据中的Ⅰ类误差得到有效降低，总误差略微降低。其中samp21和samp24两组数据在其Ⅱ类误差不增大的情况下降低了Ⅰ类误差，虽然samp41的Ⅱ类误差有所上升，但是其Ⅰ类误差得到大量减少，并且总误差也得到了降低。samp21与samp41两组实验数据的Ⅰ类误差有较大的减少是因为在初次去噪时存在未去除的簇状噪声点，samp24实验组的Ⅰ类误差的降低程度较小，是因为大部分噪声是点状噪声，在初次去噪时已经得到较理想的效果。综合三组实验数据评价结果，可以发现二次去噪能尽量在保证Ⅱ类误差不增大的情况下，有效减小Ⅰ类误差。

三组实验数据两次去噪后的效果图对比如图3所示。

由三组实验数据samp21、samp24以及samp41两次去噪对比图可以看出，第一次去噪后未去除的簇状噪声可以通过第二次去噪得到有效去除，且有效点不受明显损失。

采用Cloud Compare软件(https://www.danielgm.net/cc/)自带的StatisticalOutlierRemoval(SOR)去噪方法进行比较，SOR去噪方法的原理是：求判断点到其个最近邻点的距离的平均值，将某些距离平均值超过总体点云距离平均值一定范围的点作为噪声点去除。图4、图5以及图6是三组实验数据使用SOR去噪方法与本发明的结果对比图。

通过图4、图5和图6(a)组原始数据与(b)组使用SOR去噪方法的数据对比，可以看出SOR去噪方法能够有效地去除点状噪声，但是无法去除簇状噪声。通过图4、图5和图6(a)组原始数据、(b)组使用SOR去噪方法的数据与(c)组本发明提供的方法的结果做对比，可以发现本发明提供的方法不仅可以去除点状噪声，还能有效地去除簇状噪声。

表2为SOR去噪方法与本发明提供的方法的误差对比。通过表2可以看出SOR去噪方法Ⅱ类误差较本发明提供的方法的Ⅱ类误差大，Ⅱ类误差越大表明去噪力度越大，在去除更多噪声的同时也将许多有效点判定为噪声点被去除；本发明提供的方法的Ⅰ类误差较SOR去噪方法Ⅰ类误差小，Ⅰ类误差越小表明去除的噪声点比例越大。结合两者看，SOR去噪方法不能有效去除簇状噪声，且会容易过度去除有效点，而本发明提供的方法不仅能去除簇状噪声，还能保护有效点不被过度去除。

表2 SOR去噪方法与本发明提供的方法的误差对比

上述实验表明，本发明提供的方法可以有效去除多种复杂地形中的点状噪声以及簇状噪声，而且不会滤除有效点，对原有地形进行破坏。在与SOR去噪方法的对比中也可以看出，本发明提供的方法能够获得更小的去噪误差，并且鲁棒性较高。

综上，根据本发明提供的基于空间密度和聚类的分步点云噪声去除方法，该方法使用原始点云数据，根据噪声点和有效点不同的特性，利用点状噪声密度小于有效点密度，以及簇状噪声聚集数量小于有效点聚集数量的特点，先基于空间密度去除点状噪声，再基于聚类进一步去除簇状噪声，从而实现分步去除点状噪声和簇状噪声，经实验表明，该方法不仅能够有效滤除以上两类噪声，而且还能够保护有效点不被误判剔除，获得更小的去噪误差，鲁棒性较高。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种基于空间密度和聚类的分步点云噪声去除方法，其特征在于，包括以下步骤：

S1，抽取点云数据总量预设比例的点云计算其点云密度，将该点云密度作为整个点云数据的平均密度，统计其r×r×r立方体空间中点云平均数量Q，将Q作为空间密度去噪法密度阈值的参考值，并根据该参考值定义阈值O；

S2，遍历点云数据中的每一个点，求取该点的r×r×r立方体空间中的点云数量K，若K小于阈值O，则判定为点状噪声点并去除；若K大于等于阈值O，则保留，以获得去除了点状噪声点的初次去噪点云数据；

S3，对上述初次去噪点云数据进行聚类，读取点云数据集合；

S4，统计每个集合中的点云数量M，若M小于参考值Q，则判定为簇状噪声点并去除；若M大于等于参考值Q，则保留以得到最终去噪结果。

2.根据权利要求1所述的基于空间密度和聚类的分步点云噪声去除方法，其特征在于，所述步骤S1具体包括以下步骤：

S11，抽取点云数据总量10％的点云计算其点云密度，以代表整个点云数据的平均密度，统计其r×r×r立方体空间中点云平均数量Q，作为空间密度去噪法密度阈值的参考值；

S12，定义一个r×r×r立方体空间，若当前判断点X₁坐标为X₁、Y₁、Z₁，则在点X₁的r×r×r立方体空间范围中任意一点的X、Y、Z坐标满足(1)式条件；

S13，遍历该点云数据后将满足X₁，X₂…X_N坐标条件的点的总数进行累加，此时该点云数据包含于r×r×r立方体空间的点的平均数量Q由(2)式获得；

其中N为该点云数据点云数量的10％，K_N为存在于点X_N的r×r×r立方体空间中的点的总数。

3.根据权利要求2所述的基于空间密度和聚类的分步点云噪声去除方法，其特征在于，所述步骤S2中，阈值O为参考值Q的1/4。

4.根据权利要求3所述的基于空间密度和聚类的分步点云噪声去除方法，其特征在于，所述步骤S3具体包括以下步骤：

S31，读取初次去噪点云数据的集合I，集合I中此时的点云数量为P，构建第一个读入点x₀的r×r×r立方体空间，并将该区域内的点以及点x₀放入同一个空集合A₁中，并将集合A₁从集合I中删除，此时为初次聚类，若此时聚类加入的点数为M₁，则此时集合A₁内新加入的M₁个点的坐标(x₁，y₁，z₁)满足(3)式条件；

其中k为聚类次数，此时k＝1；x₀、y₀、z₀为第一个读入点的坐标，集合I中剩余的点的数量P_s为(4)式所示；

其中k为聚类次数，此时k＝1；M_k为第k次聚类加入集合A₁的点的个数；

S32，进行第二次聚类，遍历集合I中剩余的点，将坐标符合(3)式的点加入集合A₁中，并将加入集合A₁中的M₂个点从集合I中删除，此时集合A₁中总点数M如(5)式所示；

S33，判断上一次聚类是否有点加入集合A₁，判断条件如(6)式，若m＞0，则表示在上一次聚类中有点加入集合A₁，则继续下一次聚类，将集合I中剩余满足(3)式的点加入集合A₁中，并将新加入的M_k个点从集合I中删除；

S34，循环步骤S33直到m＝0，此时集合A₁是集合I中第一个完成聚类的点云集合，并且已经从集合I中删除。

5.根据权利要求4所述的基于空间密度和聚类的分步点云噪声去除方法，其特征在于，所述步骤S4具体包括以下步骤：

S41，判断集合A₁的点云数量是否大于阈值，此处阈值的取值为步骤S1中的参考值Q，若大于阈值，则将集合A₁加入空集B中，若否，则不进行该操作；

S42，判断集合I点云剩余数量P_s是否大于0，若是，则重复步骤S31-S34，若否，则算法结束，最终点云数据被分类为集合A₁、集合A₂…集合A_i数个不同点云数量的集合，其中点云数量大于阈值的集合加入集合B，集合B则为不包含簇状噪声的点云数据。