CN110517193A - 一种海底声呐点云数据处理方法 - Google Patents
一种海底声呐点云数据处理方法 Download PDFInfo
- Publication number
- CN110517193A CN110517193A CN201910576810.4A CN201910576810A CN110517193A CN 110517193 A CN110517193 A CN 110517193A CN 201910576810 A CN201910576810 A CN 201910576810A CN 110517193 A CN110517193 A CN 110517193A
- Authority
- CN
- China
- Prior art keywords
- point
- cloud
- neighborhood
- value
- boundary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008439 repair process Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 238000005452 bending Methods 0.000 claims description 2
- 239000012634 fragment Substances 0.000 claims description 2
- 230000003450 growing effect Effects 0.000 claims description 2
- 238000000265 homogenisation Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000013001 point bending Methods 0.000 claims description 2
- 238000013316 zoning Methods 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 238000011282 treatment Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种海底声呐点云数据处理方法,首先根据声呐点云的特性进行点云数据的融合与去燥,然后针对声呐点云的几何特性进行分区的点云精简,最后利用基于同心圆局部扩张的点云孔洞修补算法进行四维海底声呐点云孔洞的修补的海底点云数据处理方法;经本发明相关方法处理后的点云数据便于滤波算法对声呐点云数据中的人工目标进行识别与检测,既节省了人工对声呐图像数据判读所消耗的时间,又提高了人工目标识别算法的精确性,具有十分重大的意义。
Description
技术领域
本发明属于点云图像处理技术领域,具体涉及一种海底声呐点云 数据处理方法。
背景技术
海洋权益属于国家主权范畴,针对海洋的开发和利用具有十分重 要的意义。近年来,海洋主权问题一直是人们关注的焦点,我国目前 用于探测海底的装置为海底侧扫声呐,通过声呐侧扫的方式获得了大 量的侧扫声呐扫描图像。侧扫声呐装置不但可以利用影像直观地描述 海底人工目标的几何特性与海底形貌状况,而且通过对声呐数据三维 坐标的分析可以对海底人工目标进行准确的定位,但如何有效利用声 呐数据实现对海底人工目标准确和快速的判读是首先要解决的难题。 当前针对海底声呐数据的判读主要依靠判读人员通过目视进行,然而 随着大规模扫海工作的推进,会产生海量的待判读声呐数据。判读人 员通常要对这类海量声呐数据进行回放识别,这极大地增加了判读人 员的工作量。目前海底声呐图像主要包括两类,一类是经侧扫声呐对 海底进行扫描探测所获得的包含经度、纬度和回声强度的三维点云图 像,另一类是经原始点云图像进行解析变换形成的二维影像数据。二 维声呐图像由于受水下环境和声呐自身特性的影响,生成的图像质量较差,噪声干扰严重,细节模糊,与光学图像存在着很大的区别,单
发明内容
本发明的目的是提供一种海底声呐点云数据处理方法,解决了现有技术中 存在的人工对声呐图像数据判读,准确性不高的问题。
本发明所采用的技术方案是,首先,针对侧扫声呐数据与多波束 测深***测深数据的特点进行了分析,将两种数据进行融合,形成四 维点云数据。侧扫声呐在测量过程中由于多种因素会存在误差,受误 差影响令原始点云数据存在很多噪声点。本发明将噪声分为离群的高 频噪声和靠近点云主体的低频噪声两类,针对不同的噪声分别应用不 同方法进行处理:应用基于近邻点平均距离的滤波算法去除高频噪声, 对低频噪声应用基于双边滤波的各向异性光顺去噪算法对低频噪声 进行滤波。
其次,融合后海底声呐点云数据点总量为百万级,且点与点之间密度分布不 均匀。庞大且分布不均匀的采样点集增加了数据存储和处理的难度。因此,原始 海底声呐点云数据的简化处理亟待解决。整块点云数据由平坦区域和高低起伏的 几何特征不同的区域组成,并且几何特征明显的区域点云数据极有可能蕴含着海 底人工目标。针对海底声呐点云数据的采样点数量庞大且分布不均匀、特征点多 的特性,本发明提出了一种基于海底声呐点云特征的分区精简方法。首先,使用 kd-tree进行点的k邻域查找。其次,针对采样点与其相邻点的曲率与法向量差 和局部平均距离等定义了采样点的特征值,应用基于区域生长的方式进行点云区 域的分割。最后,依据分割区域的标准对平坦区域和非平坦区域应用不同的点云 精简方式,自动调整精简策略。该算法提高了平坦区域点云精简率,降低了非平 坦区域的精简率,实现了对原始点云特征区域的高度保持,在提高精简率、精简 效率和特征保留度方面与传统全局精简算法相比具有明显优势。
最后,由于受声呐测量原理和海底海貌特征的影响,经过点云精简后的数据 会存在细小的孔洞,且孔洞的特点为孔洞边界凹凸不平分布不均匀。与传统三维 点云不同的是,海底声呐数据除包含x、y和z三维坐标外,存在第四维回声强 度坐标i。为此,本发明将海底声呐精简后点云作为待修补对象,针对海底声呐 点云孔洞特点改进了基于局部扩张同心圆的点云孔洞修补算法,并以此为基础加 入了第四维声强信息的修补,实现对海底声呐点云数据的最终处理。
本发明的有益效果为:本发明根据声呐点云的特性进行点云数据的融合与去 燥,然后针对声呐点云的几何特性进行分区的点云精简,最后利用基于同心圆局 部扩张的点云孔洞修补算法进行四维海底声呐点云孔洞的修补的海底点云数据 处理方法;经本发明相关方法处理后的点云数据便于滤波算法对声呐点云数据中 的人工目标进行识别与检测,既节省了人工对声呐图像数据判读所消耗的时间, 又提高了人工目标识别算法的精确性,具有十分重大的意义。
附图说明
图1是本发明一种海底声呐点云数据处理方法的全局技术路线 图
图2是本发明一种海底声呐点云数据处理方法实施例海底声呐 点云孔洞修补前后效果对比图
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
1、一种海底声呐点云数据处理方法的实现步骤
步骤1:进行原始点云数据的融合,步骤如下:
(1)处理测深数据,计算每个y值对应的x的个数n;
(2)处理侧扫数据,计算每个y值对应的x的个数m,每个y值对应的强度 i;
(3)计算具有相同y值的测深数据并对应m/n个侧扫数据;
(4)遍历测深数据,对每个测深数据找到其对应的m/n个侧扫数据,对m/n 个侧扫数据的强度求平均值并将其赋值给测深数据,这样每个测深数据形成了 (x,y,z,i)。
步骤2:对融合后的点云数据进行高频滤波,高频噪声主要指漂浮在主点群 上方的稀疏点和远离主点群中心的具有高频率和大幅值等特点的点群集合。针对 高频噪声的特点,采用一种基于近邻点平均距离的滤波算法,将明显离群点进行 剔除。去噪后得到的新的点云数据集S'为:
其中为采样点k近邻邻域μn内点到近邻点的平均距离,μn为主体点云的 点云距离平均值,σn为标准差。各个参数的计算公式如下:
算法具体步骤如下:
(1)针对原始点云中的某一点Si,计算其k邻域内的所有点;
(2)应用式(2)、式(3)与式(4)分别计算每个点Si的k邻域内点到其 邻域点的平均距离和原始点云中的所有点的的均方差与平均距离;
(3)应用公式(1)来进行噪声点和离群点的判断及剔除。若目标点si的平 均距离大于阈值,则认定该点为噪声点并进行剔除。
步骤3:对高频去燥后点云进行点云法向量修正,由于低频噪声的去噪双边 滤波算法无法直接对法向散乱的无序点云直接进行滤波,所以需要针对该区域进 行法向量修正。具体步骤如下:
将原始点云经高频滤波处理后进行读入:
S={Sj},j∈J,SJ=A3 (5)
存在S中的某一点Sj可以完成协方差矩阵C的构造,其中J代表原始点云。
其中;Ns为Sj的邻域;Sc则代表Ns内所有点质量的中心。
协方差分析法其自身虽具有抗噪声效果,但是当面对点云的杂乱噪声时,该 方法需要进一步修改法向以满足需求。本发明采用高斯权函数进行法矢nj的平 滑,求得平滑后的法矢n’i。
步骤4:进行声呐点云低频去燥,该算法表达式为:
s’i=si-ε·n (8)
其中:s’i为滤波后的点;si为初始采样点;ε为原始双边滤波因子;n为初 始采样点si的法向量方向。
其中:
其中为采样点si的某一邻域点;ni为采样点si的法向量;nj为采样点sj的法向量;Wp为采样点的光顺滤波权因子;Wc为采样点si到邻域点sj法向nj上 的特征保持权因子。
光顺滤波权函数Wc(x)定义为:
特征保持权函数Wp(y)定义为:
其中σc和σs为高斯滤波参数,通常情况下,σc等于采样点si的邻域半径, σs等于采样点si的邻域标准差。当σc为定值时,σs的大小变化则十分明显地影 响着点云特征变化。当σs为定值时,σc的大小变化则十分明显地影响着点云的 光顺程度。
算法具体步骤如下:
(1)针对某采样点si,计算其k个近邻点zij,j=1,2,...,k;针对每个k 邻近点,计算Wc(x)函数的x=||si-zij||,其中x代表采样点si到其k近邻点zij的 距离;计算函数Wp(y)的y=<nj,si-zij>,其中y代表采样点si与其k近邻点zij距离向量si-zij与采样点si法向量方向的内积;
(2)由(10)和(11)计算出Wc(x)和Ws(x);
(3)将Wc(x)和Ws(x)代入式(9),计算出ε;
(4)计算去噪处理后的新增点集;
(5)在所有目标点计算完毕后,结束算法,输出处理后的点云数据。
步骤5:针对去燥后的点云进行点云分区精简。针对海底声呐点云数据的采 样点数量庞大且分布不均匀、特征点多的特性,本发明提出一种基于海底声呐点 云特征的分区精简方法。首先,使用kd-tree进行点的k邻域查找。其次,针对 采样点与其相邻点的曲率与法向量差和局部平均距离等定义了采样点的特征值, 应用基于区域生长的方式进行点云区域的分割。最后,依据分割区域的标准对平 坦区域和非平坦区域应用不同的点云精简方式,自动调整精简策略。该算法提高 了平坦区域点云精简率,降低了非平坦区域的精简率,实现了对原始点云特征区 域的高度保持,在提高精简率、精简效率和特征保留度方面与传统全局精简算法 相比具有明显优势。具体实现步骤如下:
(1)计算法向量差
法向量差主要指某一点xi与其邻域点的法向量偏差,它反映了某点的弯 曲程度。假设存在某局部曲面S,某点xi与坐标中心点的距离为di,则:
由上可知,局部拟合的平面S经过xi的最近k邻域的质心则可以表示 为:
对局部平面S的法向量n进行标准化,使其||n||=1,因此得到的协方差矩阵 M可表示为:
将协方差矩阵进行特征值和特征向量分解得到以及特 征向量,如果则xi的法向量ni为或者为对于xi的法向量的 方向,则需要通过法向量重定向。
如果稠密且光滑点云中存在某两个点xi和xj,且它们的距离足够接近,则 可近似地认为两点的法向量ni和nj平行,即ni·nj≈±1,如果数据点的法向量方 向相同,则ni·nj≈1,否则,ni和nj中的一个需要反转过来。具体步骤如下:
(1)构建无向连通图G。对于点xi和xj距离越近,就越有可能法向量同向, 所以,以1-|ni·nj|作为边(i,j)的权重。
(2)确定初始传播点。将极值点作为法向估计的初始传播点,该点的法向 方向应与坐标方向一致。
(3)确定传播方向。根据无向图的最小生成树的传播方向,最小化传播路 径的权重以确保全局优化。
(4)通过传播方向。将目标点云中所有点进行重定向,便可得到所有点集 的法向量估计。
计算采样点xi的法向量ni,设其邻域点集为N(xi),则点xi与邻域点的法向 差可表示为:
法向量差综合考虑了目标点与其邻域点之间的法向量偏差。该值越大,该点 起伏越大,该点是特征点的可能性越大;该值越小,该点周围曲面较为平坦,该 点处于点云平滑区域,是特征点的可能性较小。
(2)计算区域平均距离
区域平均距离是指点云中的点与其相邻区域中的所有点的欧式距离均值。通 过上文采用的kd-tree法计算点云中的某一点x的邻域点集可表示为: ω(xi)(i=1,2,3,...,k)。对任意一点x的k领域计算如下:
区域平均距离反映了点云的密集程度,d(x)的值越大,该点成为特征点的几 率越高。
(3)计算曲率
曲率反映目标点周围弯曲程度,由(14)求得的协方差矩阵M的特征值 λj(j=0,1,2)均为非负实数,假设:(0<λ0<λ1<λ2),与之相对应的三个特征向 量vj(j=0,1,2)组成一个正交基。定义目标点的曲率cui为:
(4)计算特征阈值及参数
根据法向量差、局部平均距离和曲率这三个特征判断指标定义点云的参数特 征参数为:
其中α是特征系数,N(xi)表示点xi的邻域集合,cui表示该点的最终曲率, d(x)表示该点的局部平均距离。
如果某点的d(x)越小,曲率cui越大,则cui/d(x)的值越大,同时若该点的法 向量差也极大,则的值越大,该点成为特征点的概率极大。
精简的特征阈值可以由点云密度和点云尺寸进行定义,点云密度可以由八叉 树划分后的叶子节点对角线长度l进行定义,而目标点与点云中心点的最大距离 dmax可以对点云尺寸进行衡量,所以有:
γ=l/dmax (19)
经过对特征阈值和特征参数的定义与设定,就可以有效地制定针对点云非平 坦区域进行精简的策略。
步骤6:点云区域分割
(1)选取初始点P1,将该点与其k邻域内欧式距离最小的点进行连接得到 点P2,形成初始边P1P2,在P1和P2的k邻域中找到符合P2P3+P1P3最短的点P3, 从而构造初始三角形P1P2P3。
(2)对于初始ΔP1P2P3,将三角形的边界边作为初始边,在曲面S上进行 ΔABC的扩展,由于D点的夹角是ΔABC和ΔDBC大于规定范围,选取夹角范围 内的点E作为网格点。在实验过程中,对C值选定一个合适的阈值范围对点云的 区域生长效果尤为重要。计算相邻三角网格法向量的夹角α,并设定C值对点云 表面变化进行表征。假设存在两点M(x1,x2,x3)和N(y1,y2,y3),根据两点之间距 离公式有:
对M和N的k邻域点进行计算,并采用同样方式寻找构造点进行扩展:
其中和分别表示一条重叠边关联的两个平面法向量。由(21)分析可得, C值的取值范围是[0-2]且随法向量夹角α单调递增,如果C值范围较小,则说 明新加入的三角形较为平缓,将该点加入初始点所属分片中,否则停止该边进行 扩展。
(3)在扩展过程中,遇见已扩展的点集时,停止该边的扩展。如果所有边 都已扩展完成,将原始数据点与已扩展的点进行分离,跳转至(1)直到所有点 云数据均分离完毕。
应用区域生长法进行点云分割,可以基本保证平缓区域的点在同一分组内, 所以该方法可以基本保证平坦区域和非平坦区域的分割。
步骤7:点云分区域精简
针对海底声呐点云这类大场景复杂点云的精简,不能单纯应用传统全局简化 算法。全局精简算法虽然在精简率、精简时间和特征点保留方面具有优势,但点 云场景复杂时无法达到兼顾。点云的平坦区域只需取部分点就可以做完整描述, 而几何特征丰富的区域,点云特征点保留的越多,越能更好的描述区域细节。为 了平衡海底声呐点云数据集上精简率和精简精度两大指标,本发明提出了基于声 呐点云特征的分区精简方法。
针对平坦区域主要采用包围盒法进行精简,算法步骤如下:
(1)计算点面平均距离,将超过点面平均距离的点提取并保存。
(2)应用包围盒对该区域的点进行划分,每个包围盒里面的点用其重心点 代替。重心点是距离中心最近的那个点,通过对中心点位置的确定,便可计算重 心点。
假设任一包围盒中包含的点云数为n,用集合表示,任一点 的坐标记为(si,x,si,y,si,z),包围盒中每个点到中心点距离由式(20)可得:
通过计算得到距离中心点最近的重心点Sg,并将包围盒内的重心点进行保 留。
(3)提取平坦区域边界点,并与步骤(1)和(2)的点进行点云的拼接形 成精简后点云。
针对非平坦区域具体步骤为:
(1)计算点的k邻域,计算特征参数(法向差、局部平均距离和曲率),并 对点进行特征判断,提取特征点进行保留。
(2)将阈值内的点进行曲率判断,对于曲率较小的点做较大程度精简。
(3)将两类点云进行拼接,形成精简后点云。
步骤8:受声呐测量原理和海底海貌特征的影响,经过点云精简 后的数据会存在细小的孔洞,且孔洞的特点为孔洞边界凹凸不平分布 不均匀。与传统三维点云不同的是,海底声呐数据除包含x、y和z 三维坐标外,存在第四维回声强度坐标i。所以选择合适的点云修补 算法并改进应用于第四维坐标修补尤为重要。
基于点对领域关系的方法是通过对数据点的邻域关系从而进行判断某点是 否为边界点。先计算每个数据点的k近邻,然后根据求该点的k邻域点的最小二 乘拟合曲面,将该点和其邻域点进行投影,再根据某种规则进行边界识别,识别 后的边界点包含内外边界,而外边界属于点云边缘点而非孔洞边界点。
步骤9:由上一步骤获得了孔洞的边界特征点,使用质心做圆来解决海底声 呐点云四维的孔洞修补。该方法可以有效修补海底声呐点云数据产生的三维孔洞, 并可以针对第四维声强信息进行合理有效的修补。
算法主要思路是:
假设获取到的边界点的集合为T={Ti(xi,yi,zi,ii),i=1,2...,n}计算边界的质心 如下:
设边界点到质心的最短距离为dmin则有:
其中dave是上文求得的点云全局平均距离。将l向下取整求得待扩张的同心 圆数目,将所有孔洞点与质心连线,连线与同心圆的交点便是孔洞修补的填充点。 设Ti与孔洞边界点的质心连线与同心圆的交点为Tadd,则有:
其中:N对应着向外扩的第N个圆,N=0,1,...,l。
关于第四维数据强度I,这里规定位于同一半径连接线上的所有点的I值相 等,即从质心到最外边界点Ti的连线所有与同心圆的交点的强度值相等。质心强 度值为所有孔洞边界强度平均值。
由质心法扩圆的具体实现步骤如下:
(1)计算孔洞边界数据点的质心;
(2)计算(24)中的l并向下取整作为待扩张的同心圆数目;
(3)进行同心圆扩充,扩充个数为全局平均距离dave的N倍;
(4)将边界点与所有边界点的质心点进行连接,连接线与步骤(3)中扩充 的同心圆的交点作为新增的孔洞三维填充点;
(5)将同一质心与边界线连线上的所有点集的强度值应用连线最外边界强 度值进行赋值。得到修补后的新四维点集数据集合A。
由于同心圆的特征可知,修补后的点云数据集具有一定的缺点,越靠近内圈 的时候点云越密集,这样相对于原始数据会显得不真实。所以要对修补后的孔洞 进行均匀化处理。具体实现步骤如下:
(1)读取孔洞边界及填补后的点云集Pn;
(2)计算点与点之间相邻数据之间线段的长度,如果所有线段之间的长度 均大于全局平均点距离dave,进行(4),否则继续进行(3);
(3)对每个点的相邻线段长度和进行计算,剔除最短线段上的点,保存现 有点云,并跳转至(1);
(4)保存所有的点集得到新的集合Pm。
一种海底声呐点云数据处理方法的实施例
下面通过某真实海底四维声呐点云作为实例来说明一种海底声 呐点云数据处理方法的实现过程。
首先,进行原始点云数据的融合,。
其次,执行步骤2和步骤3得到去燥后的点云图像。然后,执行 步骤5~步骤7,完成对该点云数据的精简过程,实现基于声呐点云特 征的分区精简,
最后,执行步骤8,对精简后带有孔洞的区域采用四维局部扩张 同心圆算法进行点云孔洞修补,其结果如图2所示。
Claims (7)
1.一种海底声呐点云数据处理方法,其特征在于,具体包括以下步骤:
步骤1:进行原始点云数据的融合
步骤2:对步骤1融合后的点云数据进行高频滤波,高频噪声主要指漂浮在主点群上方的稀疏点和远离主点群中心的具有高频率和大幅值等特点的点群集合,针对高频噪声的特点,采用一种基于近邻点平均距离的滤波算法,将明显离群点进行剔除。去噪后得到的新的点云数据集S'为:
其中为采样点k近邻邻域μn内点到近邻点的平均距离,μn为主体点云的点云距离平均值,σn为标准差。各参数的计算公式如下:
步骤3:对步骤2中高频滤波后点云进行点云法向量修正。
步骤4:进行声呐点云低频去燥,该算法表达式为:
s′i=si-ε·n (5)
其中:s′i为滤波后的点;si为初始采样点;ε为原始双边滤波因子;n为初始采样点si的法向量方向;
其中为采样点si的某一邻域点;ni为采样点si的法向量;nj为采样点sj的法向量;Wp为采样点的光顺滤波权因子;Wc为采样点si到邻域点sj法向nj上的特征保持权因子;
光顺滤波权函数Wc(x)定义为:
特征保持权函数Wp(y)定义为:
其中σc和σs为高斯滤波参数,σc等于采样点si的邻域半径,σs等于采样点si的邻域标准差;当σc为定值时,σs的大小变化影响点云特征变化;当σs为定值时,σc的大小变化影响点云的光顺程度。
步骤5:针对步骤4中低频去燥后的点云进行全局精简;
首先,使用kd-tree进行点的k邻域查找;
其次,针对采样点与其相邻点的曲率与法向量差和局部平均距离等定义了采样点的特征值,应用基于区域生长的方式进行点云区域的分割;
最后,依据分割区域的标准对平坦区域和非平坦区域应用不同的点云精简方式,自动调整精简策略。
步骤6:将步骤5中精简过后的点云区域进行分割
a.选取初始点P1,将该点与其k邻域内欧式距离最小的点进行连接得到点P2,形成初始边P1P2,在P1和P2的k邻域中找到符合P2P3+P1P3最短的点P3,从而构造初始三角形P1P2P3。
b.对于初始ΔP1P2P3,将三角形的边界边作为初始边,在曲面S上进行ΔABC的扩展,由于D点的夹角是ΔABC和ΔDBC大于规定范围,选取夹角范围内的点E作为网格点。在实验过程中,对C值选定一个合适的阈值范围对点云的区域生长效果尤为重要。计算相邻三角网格法向量的夹角α,并设定C值对点云表面变化进行表征。假设存在两点M(x1,x2,x3)和N(y1,y2,y3),对M和N的k邻域点进行计算,并采用同样方式寻找构造点进行扩展:
其中和分别表示一条重叠边关联的两个平面法向量。由(9)分析可得,C值的取值范围是[0-2]且随法向量夹角α单调递增,如果C值范围较小,则说明新加入的三角形较为平缓,将该点加入初始点所属分片中,否则停止该边进行扩展。
c.在扩展过程中,遇见已扩展的点集时,停止该边的扩展。如果所有边都已扩展完成,将原始数据点与已扩展的点进行分离,跳转至a直到所有点云数据均分离完毕。
步骤7:将点云分为平坦与非平坦区域进行局部精简,确保复杂场景下的精简精度
针对平坦区域采用包围盒法进行精简,取部分点就可以做完整描述
针对非平坦区域采用阈值分析法进行精简,采用点云特征点保留的越多,越能更好的描述区域细节。
步骤8:海底声呐数据除包含x、y和z三维坐标外,存在第四维回声强度坐标i,采用点云修补算法对第四维坐标进行修补;
通过对数据点的邻域关系从而进行判断某点是否为边界点,先计算每个数据点的k近邻,然后根据求该点的k邻域点的最小二乘拟合曲面,将该点和其邻域点进行投影,再进行边界识别,识别后的边界点包含内外边界,外边界属于点云边缘点,内边界属于孔洞边界点,k点指代某点的邻域点个数为k,是一种点云邻域关系的指代方式。
步骤9:由上一步骤获得了孔洞的边界特征点,使用质心做圆来解决海底声呐点云四维的孔洞修补,该方法可以有效修补海底声呐点云数据产生的三维孔洞,并可以针对第四维声强信息进行合理有效的修补,经本方法修补后的点云孔洞分布均匀,填充点与孔洞点平滑相接,孔洞填充点周围点云声呐分布合理,实现了对海底声呐点云数据的有效处理。
2.根据权利要求1所述的一种海底声呐点云数据处理方法,其特征在于,所述步骤2中近邻点平均距离的滤波算法具体步骤为:
1)针对原始点云中的某一点Si,计算其k邻域内的所有点;
2)应用式(2)、式(3)与式(4)分别计算每个点Si的k邻域内点到其邻域点的平均距离和原始点云中的所有点的的均方差与平均距离;
3)应用公式(1)来进行噪声点和离群点的判断及剔除。若目标点si的平均距离大于阈值,则认定该点为噪声点并进行剔除。
3.根据权利要求1所述的一种海底声呐点云数据处理方法,其特征在于,所述步骤3点云法向量修正的具体步骤为:
将原始点云经高频滤波处理后进行读入:
S={Sj},j∈J,SJ=A3 (10)
存在S中的某一点Sj可以完成协方差矩阵C的构造,其中J代表原始点云。
其中;Ns为Sj的邻域;Sc则代表Ns内所有点质量的中心。
协方差分析法其自身虽具有抗噪声效果,但是当面对点云的杂乱噪声时,该方法需要进一步修改法向以满足需求。本发明采用高斯权函数进行法矢nj的平滑,求得平滑后的法矢n′i。
4.根据权利要求1所述的一种海底声呐点云数据处理方法,其特征在于,所述步骤4中低频去燥的具体步骤如下:
1)针对某采样点si,计算其k个近邻点zij,j=1,2,...,k;针对每个k邻近点,计算Wc(x)函数的x=||si-zij||,其中x代表采样点si到其k近邻点zij的距离;计算函数Wp(y)的y=<nj,si-zij>,其中y代表采样点si与其k近邻点zij距离向量si-zij与采样点si法向量方向的内积;
2)由(7)和(8)计算出Wc(x)和Ws(x);
3)将Wc(x)和Ws(x)代入式(6),计算出ε;
4)计算去噪处理后的新增点集;
5)在所有目标点计算完毕后,结束算法,输出处理后的点云数据。。
5.根据权利要求1所述的一种海底声呐点云数据处理方法,其特征在于,所述步骤5中全局精简的具体实现步骤如下:
a.计算法向量差
法向量差主要指某一点xi与其邻域点的法向量偏差,它反映了某点的弯曲程度。假设存在某局部曲面S,某点xi与坐标中心点的距离为di,则:
由上可知,局部拟合的平面S经过xi的最近k邻域的质心则可以表示为:
对局部平面S的法向量n进行标准化,使其||n||=1,因此得到的协方差矩阵M可表示为:
将协方差矩阵进行特征值和特征向量分解得到以及 特征向量,如果则xi的法向量ni为或者为对于xi的法向量的方向,则需要通过法向量重定向。
如果稠密且光滑点云中存在某两个点xi和xj,且它们的距离足够接近,则可近似地认为两点的法向量ni和nj平行,即ni·nj≈±1,如果数据点的法向量方向相同,则ni·nj≈1,否则,ni和nj中的一个需要反转过来。具体步骤如下:
1)构建无向连通图G。对于点xi和xj距离越近,就越有可能法向量同向,所以,以1-|ni·nj|作为边(i,j)的权重。
2)确定初始传播点。将极值点作为法向估计的初始传播点,该点的法向方向应与坐标方向一致。
3)确定传播方向。根据无向图的最小生成树的传播方向,最小化传播路径的权重以确保全局优化。
4)通过传播方向。将目标点云中所有点进行重定向,便可得到所有点集的法向量估计。
计算采样点xi的法向量ni,设其邻域点集为N(xi),则点xi与邻域点的法向差可表示为:
法向量差综合考虑了目标点与其邻域点之间的法向量偏差。该值越大,该点起伏越大,该点是特征点的可能性越大;该值越小,该点周围曲面较为平坦,该点处于点云平滑区域,是特征点的可能性较小。
b.计算区域平均距离
区域平均距离是指点云中的点与其相邻区域中的所有点的欧式距离均值。通过上文采用的kd-tree法计算点云中的某一点x的邻域点集可表示为:ω(xi)(i=1,2,3,...,k)。对任意一点x的k领域计算如下:
区域平均距离反映了点云的密集程度,d(x)的值越大,该点成为特征点的几率越高。
c.计算曲率
曲率反映目标点周围弯曲程度,由(15)求得的协方差矩阵M的特征值λj(j=0,1,2)均为非负实数,假设:(0<λ0<λ1<λ2),与之相对应的三个特征向量vj(j=0,1,2)组成一个正交基。定义目标点的曲率cui为:
d.计算特征阈值及参数
根据法向量差、局部平均距离和曲率这三个特征判断指标定义点云的参数特征参数为:
其中α是特征系数,N(xi)表示点xi的邻域集合,cui表示该点的最终曲率,d(x)表示该点的局部平均距离。
如果某点的d(x)越小,曲率cui越大,则cui/d(x)的值越大,同时若该点的法向量差也极大,则的值越大,该点成为特征点的概率极大。
精简的特征阈值可以由点云密度和点云尺寸进行定义,点云密度可以由八叉树划分后的叶子节点对角线长度l进行定义,而目标点与点云中心点的最大距离dmax可以对点云尺寸进行衡量,所以有:
γ=l/dmax (20)
经过对特征阈值和特征参数的定义与设定,就可以有效地制定针对点云非平坦区域进行精简的策略。
6.根据权利要求1所述的一种海底声呐点云数据处理方法,其特征在于,所述步骤7中
a.针对平坦区域主要采用包围盒法进行精简,步骤如下:
1)计算点面平均距离,将超过点面平均距离的点提取并保存。
2)应用包围盒对该区域的点进行划分,每个包围盒里面的点用其重心点代替。重心点是距离中心最近的那个点,通过对中心点位置的确定,便可计算重心点。
假设任一包围盒中包含的点云数为n,用集合表示,任一点的坐标记为(si,x,si,y,si,z),包围盒中每个点到中心点距离为:
通过计算得到距离中心点最近的重心点Sg,并将包围盒内的重心点进行保留。
3)提取平坦区域边界点,并与步骤(1)和(2)的点进行点云的拼接形成精简后点云。
b.针对非平坦区域,步骤如下:
1)计算点的k邻域,计算特征参数(法向差、局部平均距离和曲率),并对点进行特征判断,提取特征点进行保留。
2)将阈值内的点进行曲率判断,对于曲率较小的点做较大程度精简。
3)将两类点云进行拼接,形成精简后点云。
7.根据权利要求1所述的一种海底声呐点云数据处理方法,其特征在于,所述步骤9中四维的孔洞修补具体步骤为:
假设获取到的边界点的集合为T={Ti(xi,yi,zi,ii),i=1,2...,n}计算边界的质心如下:
设边界点到质心的最短距离为dmin则有:
其中dave是上文求得的点云全局平均距离。将l向下取整求得待扩张的同心圆数目,将所有孔洞点与质心连线,连线与同心圆的交点便是孔洞修补的填充点。设Ti与孔洞边界点的质心连线与同心圆的交点为Tadd,则有:
其中:N对应着向外扩的第N个圆,N=0,1,...,l。
关于第四维数据强度I,这里规定位于同一半径连接线上的所有点的I值相等,即从质心到最外边界点Ti的连线所有与同心圆的交点的强度值相等。质心强度值为所有孔洞边界强度平均值。
由质心法扩圆的具体实现步骤如下:
1)计算孔洞边界数据点的质心;
2)计算(23)中的l并向下取整作为待扩张的同心圆数目;
3)进行同心圆扩充,扩充个数为全局平均距离dave的N倍;
4)将边界点与所有边界点的质心点进行连接,连接线与步骤(3)中扩充的同心圆的交点作为新增的孔洞三维填充点;
5)将同一质心与边界线连线上的所有点集的强度值应用连线最外边界强度值进行赋值。得到修补后的新四维点集数据集合A。
由于同心圆的特征可知,修补后的点云数据集具有一定的缺点,越靠近内圈的时候点云越密集,这样相对于原始数据会显得不真实。所以要对修补后的孔洞进行均匀化处理。具体实现步骤如下:
1)读取孔洞边界及填补后的点云集Pn;
2)计算点与点之间相邻数据之间线段的长度,如果所有线段之间的长度均大于全局平均点距离dave,进行(4),否则继续进行(3);
3)对每个点的相邻线段长度和进行计算,剔除最短线段上的点,保存现有点云,并跳转至(1);
4)保存所有的点集得到新的集合Pm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910576810.4A CN110517193B (zh) | 2019-06-28 | 2019-06-28 | 一种海底声呐点云数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910576810.4A CN110517193B (zh) | 2019-06-28 | 2019-06-28 | 一种海底声呐点云数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110517193A true CN110517193A (zh) | 2019-11-29 |
CN110517193B CN110517193B (zh) | 2022-04-12 |
Family
ID=68623554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910576810.4A Active CN110517193B (zh) | 2019-06-28 | 2019-06-28 | 一种海底声呐点云数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110517193B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111722201A (zh) * | 2020-06-23 | 2020-09-29 | 常州市贝叶斯智能科技有限公司 | 一种用于室内机器人激光雷达数据去噪方法 |
CN111861941A (zh) * | 2020-07-31 | 2020-10-30 | 富德康(北京)科技股份有限公司 | 一种三维空间测量结果数据的补偿算法 |
CN112147619A (zh) * | 2020-09-24 | 2020-12-29 | 中交第三航务工程局有限公司江苏分公司 | 基于声呐点云数据的桩体间距离迭代确定方法 |
CN112529891A (zh) * | 2020-12-21 | 2021-03-19 | 深圳辰视智能科技有限公司 | 一种基于点云的空心孔洞识别与轮廓检测方法、装置及存储介质 |
CN113421290A (zh) * | 2021-07-05 | 2021-09-21 | 山西大学 | 一种基于无人机图像采集的电厂锅炉内三维重建方法 |
CN113640829A (zh) * | 2021-08-18 | 2021-11-12 | 上海同陆云交通科技有限公司 | 一种基于LiDAR的无人机桥底检测*** |
CN114677454A (zh) * | 2022-03-25 | 2022-06-28 | 杭州睿影科技有限公司 | 一种图像生成方法和装置 |
CN115239625A (zh) * | 2022-06-21 | 2022-10-25 | 厦门微图软件科技有限公司 | 顶盖焊点云缺陷检测方法、装置、设备及存储介质 |
CN115578524A (zh) * | 2022-12-09 | 2023-01-06 | 华东交通大学 | 红外三维重构方法、***、存储介质及计算机设备 |
CN112950622B (zh) * | 2021-03-29 | 2023-04-18 | 上海商汤临港智能科技有限公司 | 一种目标检测方法、装置、计算机设备和存储介质 |
CN116071274A (zh) * | 2023-03-23 | 2023-05-05 | 成都工业学院 | 一种基于点云区域生长的跨面孔洞修补方法及*** |
CN116152454A (zh) * | 2023-02-15 | 2023-05-23 | 中铁水利信息科技有限公司 | 基于gis和三维建模的水利实时监测管理*** |
CN117235506A (zh) * | 2023-11-10 | 2023-12-15 | 四川大学 | 一种基于相空间重构的信号提取方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103197308A (zh) * | 2013-03-15 | 2013-07-10 | 浙江大学 | 基于多波束相控阵声纳***的三维声纳可视化处理方法 |
US20130230206A1 (en) * | 2012-03-01 | 2013-09-05 | Exelis, Inc. | Foliage penetration based on 4d lidar datasets |
CN109241978A (zh) * | 2018-08-23 | 2019-01-18 | 中科光绘(上海)科技有限公司 | 地基三维激光点云中平面片的快速提取方法 |
CN109801223A (zh) * | 2017-11-17 | 2019-05-24 | 宁波盈芯信息科技有限公司 | 一种点云去噪及空洞修补方法 |
-
2019
- 2019-06-28 CN CN201910576810.4A patent/CN110517193B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130230206A1 (en) * | 2012-03-01 | 2013-09-05 | Exelis, Inc. | Foliage penetration based on 4d lidar datasets |
CN103197308A (zh) * | 2013-03-15 | 2013-07-10 | 浙江大学 | 基于多波束相控阵声纳***的三维声纳可视化处理方法 |
CN109801223A (zh) * | 2017-11-17 | 2019-05-24 | 宁波盈芯信息科技有限公司 | 一种点云去噪及空洞修补方法 |
CN109241978A (zh) * | 2018-08-23 | 2019-01-18 | 中科光绘(上海)科技有限公司 | 地基三维激光点云中平面片的快速提取方法 |
Non-Patent Citations (1)
Title |
---|
JIWON KIM 等: "Accurate Image Super-Resolution Using Very Deep Convolutional Networks", 《2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111722201A (zh) * | 2020-06-23 | 2020-09-29 | 常州市贝叶斯智能科技有限公司 | 一种用于室内机器人激光雷达数据去噪方法 |
CN111861941A (zh) * | 2020-07-31 | 2020-10-30 | 富德康(北京)科技股份有限公司 | 一种三维空间测量结果数据的补偿算法 |
CN111861941B (zh) * | 2020-07-31 | 2024-03-22 | 富德康(北京)科技股份有限公司 | 一种三维空间测量结果数据的补偿算法 |
CN112147619A (zh) * | 2020-09-24 | 2020-12-29 | 中交第三航务工程局有限公司江苏分公司 | 基于声呐点云数据的桩体间距离迭代确定方法 |
CN112529891B (zh) * | 2020-12-21 | 2024-03-19 | 深圳辰视智能科技有限公司 | 一种基于点云的空心孔洞识别与轮廓检测方法、装置及存储介质 |
CN112529891A (zh) * | 2020-12-21 | 2021-03-19 | 深圳辰视智能科技有限公司 | 一种基于点云的空心孔洞识别与轮廓检测方法、装置及存储介质 |
CN112950622B (zh) * | 2021-03-29 | 2023-04-18 | 上海商汤临港智能科技有限公司 | 一种目标检测方法、装置、计算机设备和存储介质 |
CN113421290A (zh) * | 2021-07-05 | 2021-09-21 | 山西大学 | 一种基于无人机图像采集的电厂锅炉内三维重建方法 |
CN113640829A (zh) * | 2021-08-18 | 2021-11-12 | 上海同陆云交通科技有限公司 | 一种基于LiDAR的无人机桥底检测*** |
CN114677454A (zh) * | 2022-03-25 | 2022-06-28 | 杭州睿影科技有限公司 | 一种图像生成方法和装置 |
CN114677454B (zh) * | 2022-03-25 | 2022-10-04 | 杭州睿影科技有限公司 | 一种图像生成方法和装置 |
CN115239625A (zh) * | 2022-06-21 | 2022-10-25 | 厦门微图软件科技有限公司 | 顶盖焊点云缺陷检测方法、装置、设备及存储介质 |
CN115578524A (zh) * | 2022-12-09 | 2023-01-06 | 华东交通大学 | 红外三维重构方法、***、存储介质及计算机设备 |
CN116152454A (zh) * | 2023-02-15 | 2023-05-23 | 中铁水利信息科技有限公司 | 基于gis和三维建模的水利实时监测管理*** |
CN116071274A (zh) * | 2023-03-23 | 2023-05-05 | 成都工业学院 | 一种基于点云区域生长的跨面孔洞修补方法及*** |
CN117235506A (zh) * | 2023-11-10 | 2023-12-15 | 四川大学 | 一种基于相空间重构的信号提取方法及装置 |
CN117235506B (zh) * | 2023-11-10 | 2024-02-13 | 四川大学 | 一种基于相空间重构的信号提取方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110517193B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110517193A (zh) | 一种海底声呐点云数据处理方法 | |
CN110969624B (zh) | 一种激光雷达三维点云分割方法 | |
CN105488770B (zh) | 一种面向对象的机载激光雷达点云滤波方法 | |
CN106846344B (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN103870845B (zh) | 点云聚类去噪过程中新的k值优化方法 | |
Lari et al. | An adaptive approach for the segmentation and extraction of planar and linear/cylindrical features from laser scanning data | |
CN107274399B (zh) | 一种基于Hession矩阵和三维形状指数的肺结节分割方法 | |
CN104867137B (zh) | 一种基于改进ransac算法的图像配准方法 | |
KR101224258B1 (ko) | 기상레이더 3차원 반사도 자료를 이용한 3차원 강우유형 분류 방법 및 그 시스템 | |
Xiao et al. | Individual tree crown modeling and change detection from airborne lidar data | |
CN104463164B (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
CN107358636B (zh) | 一种基于纹理合成的疏松缺陷图像生成方法 | |
CN107451982A (zh) | 一种基于无人机影像的高郁闭度林分树冠面积获取方法 | |
CN106408581B (zh) | 一种快速的三维点云直线提取方法 | |
CN109961470B (zh) | 一种基于激光点云的活立木叶属性精准估测方法 | |
CN110838115A (zh) | 运用轮廓线提取和四维曲面拟合的古文物三维模型变化检测方法 | |
CN109031235B (zh) | 快速获取雷达基本反射率三维等值线数据的方法 | |
CN112099046A (zh) | 基于多值体素模型的机载lidar三维平面检测方法 | |
Arachchige et al. | Automatic processing of mobile laser scanner point clouds for building facade detection | |
CN109559321A (zh) | 一种声呐图像分割方法和设备 | |
CN110047036A (zh) | 基于极坐标格网的地面激光扫描数据建筑物立面提取方法 | |
CN111968224A (zh) | 船舶3d扫描点云数据处理方法 | |
CN114898118A (zh) | 基于多源点云的输电线路房屋拆迁量自动统计方法及*** | |
Lari et al. | Alternative methodologies for the estimation of local point density index: Moving towards adaptive LiDAR data processing | |
CN110120070A (zh) | 基于机载激光雷达点云体元连续性分析的滤波方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |