CN117710243B - 点云去噪方法、装置、电子设备及可读存储介质 - Google Patents
点云去噪方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN117710243B CN117710243B CN202410160619.2A CN202410160619A CN117710243B CN 117710243 B CN117710243 B CN 117710243B CN 202410160619 A CN202410160619 A CN 202410160619A CN 117710243 B CN117710243 B CN 117710243B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- projection
- points
- processed
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000002159 abnormal effect Effects 0.000 claims abstract description 103
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 26
- 238000012217 deletion Methods 0.000 claims description 7
- 230000037430 deletion Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本申请的实施例提供了一种点云去噪方法、装置、电子设备及可读存储介质,涉及计算机技术领域。该方法包括:获得目标对象的第一模型点云及经点云采集得到的第一待处理点云;对第一模型点云及第一待处理点云进行配准,并根据得到的配准结果通过转换,得到位于第一坐标系的第二模型点云及第二待处理点云;通过对第二模型点云在目标平面的模型投影结果及第二待处理点云对应的在所述目标平面的点云投影结果中的点的分布情况进行分析的方式,识别出点云投影结果中的异常投影点,并将第一待处理点云中与异常投影点对应的点作为异常点删除,得到第一去噪结果。如此,可过滤掉点云中目标对象外部的离散噪声点和噪声平面。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种点云去噪方法、装置、电子设备及可读存储介质。
背景技术
在采用激光扫描设备获取点云数据的过程中,由于受到仪器精度、人为扰动和复杂环境等因素影响使得点云数据中包括噪声,噪声会对后续的点云处理带来一定影响。因此,如何进行点云去噪已成为本领域技术人员亟需解决的技术问题。
发明内容
本申请实施例提供了一种点云去噪方法、装置、电子设备及可读存储介质,其能够过滤掉点云中目标对象外部的离散噪声点和噪声平面。
本申请的实施例可以这样实现:
第一方面,本申请实施例提供一种点云去噪方法,所述方法包括:
获得目标对象的第一模型点云及经点云采集得到的第一待处理点云;
对所述第一模型点云及第一待处理点云进行配准,并根据得到的配准结果通过转换,得到位于第一坐标系的第二模型点云及第二待处理点云;
通过对所述第二模型点云在目标平面的模型投影结果及所述第二待处理点云对应的在所述目标平面的点云投影结果中的点的分布情况进行分析的方式,识别出所述点云投影结果中的异常投影点,并将所述第一待处理点云中与所述异常投影点对应的点作为异常点删除,得到第一去噪结果。
第二方面,本申请实施例提供一种点云去噪装置,所述装置包括:
点云获得模块,用于获得目标对象的第一模型点云及经点云采集得到的第一待处理点云;
处理模块,用于对所述第一模型点云及第一待处理点云进行配准,并根据得到的配准结果通过转换,得到位于第一坐标系的第二模型点云及第二待处理点云;
去噪模块,用于通过对所述第二模型点云在目标平面的模型投影结果及所述第二待处理点云对应的在所述目标平面的点云投影结果中的点的分布情况进行分析的方式,识别出所述点云投影结果中的异常投影点,并将所述第一待处理点云中与所述异常投影点对应的点作为异常点删除,得到第一去噪结果。
第三方面,本申请实施例提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令以实现前述实施方式中所述的点云去噪方法。
第四方面,本申请实施例提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述实施方式中所述的点云去噪方法。
本申请实施例提供的点云去噪方法、装置、电子设备及可读存储介质,针对目标对象的第一模型点云及经点云采集得到的第一待处理点云,进行配准,并根据得到的配准结果通过准换,得到位于第一坐标系的第二模型点云及第二待处理点云;之后,则通过对所述第二模型点云在目标平面的模型投影结果及所述第二待处理点云对应的在所述目标平面的点云投影结果中的点的分布情况进行分析的方式,识别出所述点云投影结果中的异常投影点,并将所述第一待处理点云中与所述异常投影点对应的点作为异常点删除,得到第一去噪结果。如此,可删除由于自然环境光噪声的反射平面噪声及其他离散位于目标对象外的离散噪声。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的方框示意图;
图2为本申请实施例提供的点云去噪方法的流程示意图;
图3为确定异常投影点的流程示意图;
图4为图3中子步骤S132包括的子步骤的流程示意图;
图5为图2中步骤S130包括的子步骤的流程示意图;
图6为本申请实施例提供的去噪前后的点云示意图;
图7为本申请实施例提供的点云去噪装置的方框示意图。
图标:100-电子设备;110-存储器;120-处理器;130-通信单元;200-点云去噪装置;210-点云获得模块;220-处理模块;230-去噪模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请发明人经研究发现,目前的点云滤波算法主要针对空间中的离散离群噪声进行处理,比如,通过改进的双边滤波,体素滤波、高斯滤波等进行噪声删除。或者,通过一种基于统计滤波和空间密度聚类算法相结合的点云去噪算法进行去噪,该算法首先通过K维树(kd_Tree)建立点云的拓扑关系,加快邻域搜索速度完成点云数据的粗去噪;其次通过改进密度聚类算法的邻域半径选取方法,实现点云数据的精去噪;这一方法的关键步骤在于首先运用统计滤波技术,借助点云的局部统计特性有效地剔除了一部分离群点,然后为了进一步净化点云数据,引入了改进的DBSCAN算法,其能够更准确地识别出内部噪声点。这种混合策略兼顾了两种算法的优势,从而在提升去噪效果的同时,降低了不必要的信息损失相比于单一的滤波方法,可以在去除无关噪声的同时,可以很好地保留物体的原始几何特征。然而,上述方式均主要针对空间中的离散离群噪声,而面对空间中的多余面噪声,上述算法则无法进行有效的删除。
针对上述情况,本申请实施例提供一种点云去噪方法、装置、电子设备及可读存储介质,能够删除由于自然环境光造成的反射平面噪声及空间中的其他离群噪声。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,图1为本申请实施例提供的电子设备100的方框示意图。所述电子设备100可以是,但不限于,智能手机、电脑、服务器等。所述电子设备100可以包括存储器110、处理器120及通信单元130。所述存储器110、处理器120以及通信单元130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中,存储器110用于存储程序或者数据。所述存储器110可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
处理器120用于读/写存储器110中存储的数据或程序,并执行相应地功能。比如,存储器110中存储有点云去噪装置200,所述点云去噪装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器110中的软件功能模块。所述处理器120通过运行存储在存储器110内的软件程序以及模块,如本申请实施例中的点云去噪装置200,从而执行各种功能应用以及数据处理,即实现本申请实施例中的点云去噪方法。
通信单元130用于通过网络建立所述电子设备100与其它通信终端之间的通信连接,并用于通过所述网络收发数据。
应当理解的是,图1所示的结构仅为电子设备100的结构示意图,所述电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参照图2,图2为本申请实施例提供的点云去噪方法的流程示意图。所述方法可应用于上述电子设备100。下面对点云去噪方法的具体流程进行详细阐述。在本实施例中,所述方法可以包括步骤S110~步骤S130。
步骤S110,获得目标对象的第一模型点云及经点云采集得到的第一待处理点云。
在本实施例中,所述目标对象为后续处理的点云所对应的对象,具体可以结合实际需求确定。比如,所述目标对象为一工件。可通过任意方式获得所述目标对象的第一模型点云及经点云采集设备得到的第一待处理点云。第一模型点云及第一待处理点云中均包括多个点的三维位置信息。
其中,所述第一模型点云可以为不存在噪声的点云,所述第一模型点云可以表示出目标对象的大体完整形状。该第一模型点云可以是基于所述目标对象的三维数据模型预先得到的点云数据,或者,该第一模型点云可以是基于所述对象的二维模型及对应的尺寸信息得到的点云数据。所述第一模型点云也可以通过其他方式得到,在此不进行具体限定。比如,其他设备基于工件厂商提供的三维数据模型,预先生成所述第一模型点云,并将该第一模型点云发送给所述电子设备。
所述第一待处理点云为基于目标对象实体获得的需要点云去噪的点云。其中,所述目标对象实体,表示一个已制作出的实物、且该实物为目标对象。比如,所述目标对象为工件,所述目标对象的第一模型点云则表示工件模型点云,目标对象实体则表示一个实际的已制作出的工件。可以对目标对象的实体进行点云采集,可以直接将采集到的点云作为所述第一待处理点云,也可以先对采集到的点云进行其他处理,然后将处理后的点云作为所述第一待处理点云。所述第一待处理点云可以是所述电子设备经点云采集得到的,也可以是从其他设备处获得的,还可以是经对其他设备处获得的点云进行处理后得到的,具体可以结合实际需求得到,在此不进行具体限定。
步骤S120,对所述第一模型点云及第一待处理点云进行配准,并根据得到的配准结果通过转换,得到位于第一坐标系的第二模型点云及第二待处理点云。
在本实施例中,可以通过配准获得的所述第一模型点云及第一待处理点云的配准结果,进而根据该配准结果对所述第一模型点云和/或第一待处理点云进行转换,从而得到位于第一坐标系下的第二模型点云及第二待处理点云。也即,基于配准结果将所述第一模型点云及第一待处理点云转换到使两幅点云处于相同或大致相同的位姿。
步骤S130,通过对所述第二模型点云在目标平面的模型投影结果及所述第二待处理点云对应的在所述目标平面的点云投影结果中的点的分布情况进行分析的方式,识别出所述点云投影结果中的异常投影点,并将所述第一待处理点云中与所述异常投影点对应的点作为异常点删除,得到第一去噪结果。
在本实施例中,在获得所述第二模型点云及第二待处理点云的情况下,可通过将所述第二模型点云投影至所述目标平面的方式,获得该第二模型点云在该目标平面的模型投影结果。以及,通过将点云投影到所述目标平面的方式,获得所述第二待处理点云对应的在所述目标平面的点云投影结果。之后,可对所述模型投影结果及点云投影结果中的点的分布情况进行分析,从而确定出所述点云投影结果中的异常投影点。之后,可以根据所述异常投影点,确定出所述第一待处理点云中与所述异常投影点所对应的点作为异常投影点,进而可将所述第一待处理点云中的异常点删除,从而完成去噪得到第一去噪结果。如此,可以结合模型点云,过滤掉待处理点云中目标对象外部的离散噪声点和噪声平面。
可选地,所述第一待处理点云可以为点云采集设备在某个位姿下经一次数据采集获得的点云,也可以是对点云采集设备在不同位姿下获得的多个点云进行拼接得到的点云,具体可以结合实际需求确定。
可选地,在本实施例中,可将第一模型点云作为target、第一待处理点云作为source,对所述第一模型点云及第一待处理点云进行粗配准,获得较为准确的位姿关系,该位姿关系即为所述配准结果。之后,可根据该配准结果获得位于第一坐标系的第二模型点云及第二待处理点云。
可选地,可以直接根据所述配准结果进行转换处理,并将经转换处理后的两个点云作为第二模型点云及第二待处理点云。比如,根据所述配准结果对所述第一模型点云进行准换,并将转换后的第一模型点云作为第二模型点云,并直接将所述第一待处理点云作为第二待处理点云,此时所述第一坐标系为所述第一待处理点云使用的坐标系。也可以根据该配准结果对所述第一待处理点云进行转换,并将转换后的第一待处理点云作为第二待处理点云,以及直接将第一模型点云作为第二模型点云,此时,所述第一坐标系为所述第一模型点云使用的坐标下。还可以根据配准结果及其他信息,将所述第一模型点云及第一待处理点云转换到其他坐标系下,比如,目标对象为机器人要焊接的工件,则可以将所述第一模型点云及第一待处理点云转换到机器人基坐标系下。
或者,可以先进行转换处理,然后进行去中心化处理,以将两个点云归一到同一个位置上,从而得到所述第二模型点云及第二待处理点云。该过程可以采用以下公式表示:
其中,表示第二模型点云,/>表示转换处理后的第一模型点云,/>表示转换处理后的第一模型点云的中心点,/>表示第二待处理点云,/>表示转换处理后的第一待处理点云,/>表示转换处理后的第一待处理点云的中心点。
在获得所述第二模型点云及第二待处理点云的情况下,可通过图3方式识别出异常投影点,进而删除所述第一待处理点云中与识别出的异常投影点对应的异常点,从而得到所述第一去噪结果。请参照图3,图3为确定异常投影点的流程示意图。在本实施例中,步骤S130可以包括子步骤S131~子步骤S132。
子步骤S131,根据所述目标平面对应的两个投影结果,获得至少一个匹配点对。
在本实施例中,可根据所述第二模型点云、第二待处理点云及目标平面,确定出该目标平面对应的两个投影结果。其中,目标平面为二维平面,一个目标平面对应的两个投影结果中,其中1个投影结果为所述第二模型点云在所述目标平面上的模型投影结果,另外1个投影结果为所述第二待处理点云对应的在所述目标平面上的点云投影结果。可根据该两个投影结果,获得至少1个匹配点对。其中,1个所述匹配点对中包括两个点,所述两个点为所述两个投影结果中距离最近的点,所述两个点中的其中一个点为所述模型投影结果中的点,另外一个点为所述点云投影结果中的点。
可选地,可建立所述模型投影结果的kd_tree来计算点云处理结果在模型投影结果上最近点的选择,从而获得对应的最近点关系,该最近点关系可以表示出匹配点对。
子步骤S132,针对各所述匹配点对,根据所述匹配点对中两个点之间的距离,判断所述匹配点对中属于所述点云投影结果的点是否为异常投影点。
在本实施例中,可以针对每个匹配点对,根据该匹配点对中两个点在各自所对应的投影结果中的位置,计算得到该匹配点对中两个点之间的距离。可选地,可以预先设置一个距离阈值;在计算出1个匹配点对中两个点之间的距离大于该距离阈值时,可以将该匹配点对中属于点云投影结果的点作为异常投影点,以及在距离不大于该距离阈值时,不将该匹配点对中属于点云投影结果的点作为异常投影点。
为提高异常投影点识别的准确性,可通过图4所示方式基于匹配点对两个点之间的距离进行异常投影点识别。请参照图4,图4为图3中子步骤S132包括的子步骤的流程示意图。在本实施例中,子步骤S132可以包括子步骤S1321~子步骤S1324。
子步骤S1321,获得各所述匹配点对中两个点之间的距离。
子步骤S1322,计算得到各所述匹配点对所对应的距离的第一平均距离。
子步骤S1323,根据所述第一平均距离,确定第一目标距离。
子步骤S1323,针对各所述匹配点对,若所述匹配点对所对应的距离大于所述第一目标距离,则确定所述匹配点对中属于所述点云投影结果的点为所述异常投影点。
在本实施例中,可针对确定的各匹配点对,根据各匹配点对中两个点在各自所对应的投影结果中的位置,计算得到各匹配点对中两个点之间的距离。之后,计算得到各匹配点对中两个点之间的距离的平均值,作为所述第一平均距离。接着,可根据该第一平均距离,确定出1个第一目标距离。可选地,可以对所述第一平均值进行微调,然后将微调后的结果作为所述第一目标距离,比较,将第一平均值与某系数(该系数可接近1但不是1)的乘积作为第一目标距离。或者,可以直接将所述第一平均距离作为所述第一目标距离。如此,可确定出合适的阈值,确定去噪算法的通用性。
在确定出第一目标距离后,可将各匹配点对所对应的距离(即匹配点对中两个点之间的距离)与所述第一目标距离进行比较。若某个匹配点对所对应的距离大于所述第一目标距离,则可以认为匹配点对中的属于所述点云投影结果中点为所述第一待处理点云中位于所述目标对象外部的离散噪声或噪声平面对应的点,因为可将该匹配点对中属于所述点云投影结果的点作为异常投影点;若该匹配点对所对应的距离小于等于所述第一目标距离,则可以直接将该匹配点对中属于所述点云投影结果的点不作为异常投影点。
在确定出异常投影点后,可确定出该异常投影点在所述第二待处理点云中的对应的第一异常点,进而确定出所述第一异常点在所述第一待处理点云中对应的第二异常点。之后,可将第二异常点删除,从而得到所述第一去噪结果。
可选地,在本实施例中,所述目标平面可以为1个、或者2个、或者3个。在所述目标平面为2个时,2个目标平面垂直。在所述目标平面为3个,3个目标平面相互垂直;即3个目标平面可构成一个第二坐标系,每个目标平面为第二坐标系的坐标系平面,1个坐标系平面由两个坐标系形成。所述目标平面可以为第二坐标系的坐标系平面。作为所述目标平面的具体平面可以结合实际需求确定,所述目标平面的具体数量也可以结合实际需求确定。其中,所述第二坐标系可以为所述第一坐标系,也即,在目标平面为1个,3个目标平面为所述第一坐标系的3个坐标系平面,该坐标系平面由所述第一坐标系中互相垂直的两个坐标轴形成,如此便于快速确定目标平面,并且便于快速获得投影结果。
在所述目标平面为1个时,可将所述第二模型点云投影点至所述目标平面上,得到1个模型投影结果;以及将所述第二待处理点云投影至所述目标平面上,得到1个点云投影结果,进而可根据该模型投影结果及点云投影结果,通过前述子步骤S131~子步骤S132,确定出所述点云投影结果中的异常投影点,进而将第一待处理点云中与异常投影点对应的异常点删除,得到第一去噪结果。
在所述目标平面为多个时,可以针对各目标平面,将所述第二模型点云及第二待处理点云分别投影至该目标平面上,以得到各目标平面对应的两个投影结果。然后,针对各目标平面,可根据该目标平面对应的两个投影结果,通过前述子步骤S131~子步骤S132,确定出该目标平面对应的点云投影结果中的异常投影点。之后,可将各目标平面对应的异常投影点汇总,进而将所述第一待处理点云中与汇总结果中的异常投影点对应的异常点删除,得到第一去噪结果。或者,可以根据由1个目标平面确定出的异常投影点,将所述第一待处理点云中与该异常投影点对应的异常点删除,得到初始去噪结果,重复上述处理可获得各目标平面对应的初始去噪结果,可将各目标平面对应的初始去噪结果的交集作为所述第一去噪结果。
在所述目标平面为多个时,还可以通过图5所示方式获得所述第一去噪结果。请参照图5,图5为图2中步骤S130包括的子步骤的流程示意图。在本实施例中,步骤S130可以包括子步骤S134~子步骤S137。
子步骤S134,将所述多个目标平面中的其中一个目标平面作为当前目标平面。
子步骤S135,将所述第二模型点云及第二待处理点云分别投影至所述当前目标平面,得到所述当前目标平面对应的两个投影结果。
子步骤S136,根据所述当前目标平面对应的两个投影结果中点的分布情况,识别出当前点云投影结果中的异常投影点,并将所述第二待处理点云中与所述异常投影点对应的异常点删除,得到处理后的第二待处理点云,以及将所述第一待处理点云中与所述异常投影点对应的异常点删除。
子步骤S137,将剩余目标平面中的其中一个目标平面更新为当前目标平面,并根据所述第二模型点云及处理后的第二待处理点云,再次进行异常投影点的识别及异常点的删除,直到完成根据所述多个目标平面的异常点识别与删除,得到所述第一去噪结果。
在本实施例中,在执行完步骤S120的情况下,可将多个目标平面中的其中1个目标平面作为当前目标平面,并将第二模型点云及第二待处理点云作为当前待投影的两个点云。
然后,可将当前待投影的两个点云分别投影至当前目标平面上,得到当前平面对应的两个投影结果。基于当前目标平面对应的两个投影结果,可通过前述子步骤S131~子步骤S132,识别出当前目标平面对应的两个投影结果中对应第二待处理点云的点云投影结果中的异常投影点。
接着,将识别出的异常投影点从第二待处理点云中删除,得到异常点删除后的第二待处理点云filter21_cloud,以及,将所述第一待处理点云中与所述第一待处理点云应的异常点删除。
接下来,则将第二模型点云及点云filter21_cloud作为当前待投影的两个点云,以及从未被选作为当前目标平面的目标平面中选出1个目标平面作为当前目标平面,之后,重复上述处理,直到完成根据所述多个目标平面的异常点识别与删除,在完成后可得到所述第一去噪结果。
下面对上述处理方式进行举例说明。
假设目标平面为第一预设坐标系的三个平面:XY平面、XZ平面、YZ平面。
将第二模型点云M2及第二待处理点云N2,分别投影至XY平面,得到第一模型投影结果M21、第一点云投影结果N21。根据所述第一模型投影结果M21、第一点云投影结果N21,识别出第一点云投影结果N21中的异常投影点;将第二待处理点云N2与异常投影点对应的点作为异常点删除得到点云N3,以及将第一待处理点云中与异常投影点对应的点作为异常点删除得到点云filter1_cloud。
然后,将第二模型点云M2及点云N3,分别投影至XZ平面,得到第二模型投影结果M22、第二点云投影结果N22。根据所述第二模型投影结果M22、第二点云投影结果N22,识别出第二点云投影结果N22中的异常投影点;将点云N3中与异常投影点对应的点作为异常点删除得到点云N4,以及将点云filter1_cloud中与异常投影点对应的点作为异常点删除得到点云filter2_cloud。
接着,将第二模型点云M2及点云N4,分别投影至YZ平面,得到第三模型投影结果M23、第三点云投影结果N23。根据所述第三模型投影结果M23、第三点云投影结果N23,识别出第三点云投影结果N23中的异常投影点;将点云N4中与异常投影点对应的点作为异常点删除得到点云N5,以及将点云filter2_cloud中与异常投影点对应的点作为异常点删除得到点云filter_cloud_xyz。点云filter_cloud_xyz即为所述第一去噪结果。
其中,将点云中一个三维点投影至一个目标平面,在目标平面上的二维投影点的坐标计算公式如下:
其中,表示点在投影之前的坐标,/>表示点在投影之后的目标坐标,/>表示目标平面的法向量,目标平面的平面方程为:/>,表示平面的截图。
通过上述方式可完成远离点云主体的离散噪声点以及噪声平面的滤波。
本申请发明人经研究发现,散乱点云噪声主要包括两种噪声:一种是远离点云主体的离群噪声点(即外部噪声),另一种是存在于点云主体内部和边界内部的噪声点(即内部噪声)。其中,点云主体边界内部的噪声点,位于表示点云主体边界形成的包围盒内、但不位于点云主体内部的点。前述方式可以过滤掉外部噪声,为了进一步提高去噪效果,还可以进行内部噪声去噪处理。
可选地,可以对初始点云进行内部噪声去噪处理,得到所述第一待处理点云。或者,在获得所述第一去噪结果,可对所述第一去噪结果进行内部噪声去噪处理,得到第二去噪结果。其中,可选地,用于内部噪声去噪处理的算法为统计滤波算法、法向量滤波算法或双边滤波算法中的其中一种。
作为一种可能的实现方式,通过统计滤波去除内部噪声。统计滤波用于去除明显离群点。离群点往往由测量噪声引入,其特征是在空间中分布稀疏,可以理解为:每个点都表达一定信息量,某个区域点越密集则可能信息量越大。噪声信息属于无用信息,信息量比较小。所以离群点表达的信息可以忽略不计。考虑到离群点的特征,可以定义某处点云小于某个密度,即点云无效。可计算每个点到其最近的K个点的平均距离,点云中所有点对应的平均距离应构成高斯分布,因而可计算出高斯分布的期望u与标准差σ,进而可以剔除位于期望u的N个标准差之外的点。其计算过程可以认为是对每个点的邻域进行统计分析,则点云中所有点对应的平均距离构成高斯分布,其形状由期望u和标准差σ决定。
点云中任意两个点之间的距离的计算公式如下:
其中,表示点云中第i个点的坐标,/>表示点云中的其他任意一个点的坐标,/>表示两个点之间的距离。
1个点到其最近的K个点的平均距离为,高斯分布的期望u为:
高斯分布的标准差σ为:
其中,n表示平均距离的数量。
可设置标准差的倍数为std,std可以为大于0的整数或非正整数,比如,std为2。当点云中的某个点到所有邻域点之间的平均距离在标准范围时,保留该点,反之则将该点作为离群点删除。
也即,针对待内部去噪的点云中各个点,计算得到各点与所有邻域点之间的平均距离。然后,根据各点对应的平均距离,得到高斯分布的期望u及标准差σ。之后,根据期望u及标准差σ,计算得到第二目标距离、第三目标距离/>。若某点对应的平均距离在所述第二目标距离与第三目标距离之间,则可以保留该点;若该点对应的平均距离不在所述第二目标距离与第三目标距离之间,则可以从点云中删除该点。
作为一种可能的实现方式,所述目标对象为工件,先进行投影滤波以去除外部噪声点,之后进行统计滤波以去除内部噪声点。如图6中的a所示,一工件点云在去噪前有300385个点。如图6中的b所示,经过第一次投影滤波之后的工件点云有281954个点;图6中的c所示,经过第二次统计滤波删除后的工件点云有272512个点,共去除27872个噪声点,去除外部离群噪声点和内部噪声点的点云效果图如图6中的c所示。
本实施例提供的上述基于混合滤波的点云去噪算法,通过投影过滤外部噪声点,通过统计滤波等方式过滤内部噪声点,该方法采用分步去噪的策略,有针对性地针对不同类型的噪声,并在每一步中确定合适的阈值,可确保算法的通用性。其中,使用的投影滤波方式不需要设定初始阈值就可以完成投影滤波任务,即过滤掉外部分散的离群噪声点和噪声平面。在去噪的过程中,本方案能够保持目标对象的几何特征不发生变化,避免了不必要的形状破坏,相比较于传统的方式具有更高的鲁棒性和泛化性,而且能够更加准确的去除噪声,并且不会引入额外的误差。通过粗配准及内外部噪声点删除的方式,可有效缓解配准问题中由于噪声点或噪声平面带来的配准误差问题,便于提高后续的精配准的精度。
为了执行上述实施例及各个可能的方式中的相应步骤,下面给出一种点云去噪装置200的实现方式,可选地,该点云去噪装置200可以采用上述图1所示的电子设备100的器件结构。进一步地,请参照图7,图7为本申请实施例提供的点云去噪装置200的方框示意图。需要说明的是,本实施例所提供的点云去噪装置200,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。在本实施例中,所述点云去噪装置200可以包括:点云获得模块210、处理模块220及去噪模块230。
所述点云获得模块210,用于获得目标对象的第一模型点云及经点云采集得到的第一待处理点云。
所述处理模块220,用于对所述第一模型点云及第一待处理点云进行配准,并根据得到的配准结果通过转换,得到位于第一坐标系的第二模型点云及第二待处理点云。
所述去噪模块230,用于通过对所述第二模型点云在目标平面的模型投影结果及所述第二待处理点云对应的在所述目标平面的点云投影结果中的点的分布情况进行分析的方式,识别出所述点云投影结果中的异常投影点,并将所述第一待处理点云中与所述异常投影点对应的点作为异常点删除,得到第一去噪结果。
可选地,在本实施例中,所述第一待处理点云为对初始点云进行内部噪声去噪处理得到。或者,所述去噪模块230,还用于对所述第一去噪结果进行内部噪声去噪处理,得到第二去噪结果。
可选地,上述模块可以软件或固件(Firmware)的形式存储于图1所示的存储器110中或固化于电子设备100的操作***(Operating System,OS)中,并可由图1中的处理器120执行。同时,执行上述模块所需的数据、程序的代码等可以存储在存储器110中。
本申请实施例还提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的点云去噪方法。
综上所述,本申请实施例提供一种点云去噪方法、装置、电子设备及可读存储介质,针对目标对象的第一模型点云及经点云采集得到的第一待处理点云,进行配准,并根据得到的配准结果通过准换,得到位于第一坐标系的第二模型点云及第二待处理点云;之后,则通过对所述第二模型点云在目标平面的模型投影结果及所述第二待处理点云对应的在所述目标平面的点云投影结果中的点的分布情况进行分析的方式,识别出所述点云投影结果中的异常投影点,并将所述第一待处理点云中与所述异常投影点对应的点作为异常点删除,得到第一去噪结果。如此,可删除由于自然环境光噪声的反射平面噪声及其他离散位于目标对象外的离散噪声。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的可选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种点云去噪方法,其特征在于,所述方法包括:
获得目标对象的第一模型点云及经点云采集得到的第一待处理点云;
对所述第一模型点云及第一待处理点云进行配准,并根据得到的配准结果通过转换,得到位于第一坐标系的第二模型点云及第二待处理点云;
通过对所述第二模型点云在目标平面的模型投影结果及所述第二待处理点云对应的在所述目标平面的点云投影结果中的点的分布情况进行分析的方式,识别出所述点云投影结果中的异常投影点,并将所述第一待处理点云中与所述异常投影点对应的点作为异常点删除,得到第一去噪结果;
其中,所述通过对所述第二模型点云在目标平面的模型投影结果及所述第二待处理点云对应的在所述目标平面的点云投影结果中的点的分布情况进行分析的方式,识别出所述点云投影结果中的异常投影点,包括:
根据所述目标平面对应的两个投影结果,获得至少一个匹配点对,其中,所述匹配点对中包括两个点,所述两个点为所述两个投影结果中距离最近的点;
针对各所述匹配点对,根据所述匹配点对中两个点之间的距离,判断所述匹配点对中属于所述点云投影结果的点是否为异常投影点。
2.根据权利要求1所述的方法,其特征在于,所述针对各所述匹配点对,根据所述匹配点对中两个点之间的距离,判断所述匹配点对中属于所述点云投影结果的点是否为异常投影点,包括:
获得各所述匹配点对中两个点之间的距离;
计算得到各所述匹配点对所对应的距离的第一平均距离;
根据所述第一平均距离,确定第一目标距离;
针对各所述匹配点对,若所述匹配点对所对应的距离大于所述第一目标距离,则确定所述匹配点对中属于所述点云投影结果的点为所述异常投影点。
3.根据权利要求1-2中任意一项所述的方法,其特征在于,所述目标平面为多个,多个目标平面相互垂直,所述第一待处理点云中的异常点包括基于多个所述目标平面各自对应的两个投影结果确定出的异常投影点在所述第一待处理点云中的对应点。
4.根据权利要求3所述的方法,其特征在于,所述目标平面为3个,3个目标平面为所述第一坐标系的3个坐标系平面,其中,所述坐标系平面由所述第一坐标系中互相垂直的两个坐标轴形成。
5.根据权利要求3所述的方法,其特征在于,所述通过对所述第二模型点云在目标平面的模型投影结果及所述第二待处理点云对应的在所述目标平面的点云投影结果中的点的分布情况进行分析的方式,识别出所述点云投影结果中的异常投影点,并将所述第一待处理点云中与所述异常投影点对应的点作为异常点删除,得到第一去噪结果,包括:
将所述多个目标平面中的其中一个目标平面作为当前目标平面;
将所述第二模型点云及第二待处理点云分别投影至所述当前目标平面,得到所述当前目标平面对应的两个投影结果;
根据所述当前目标平面对应的两个投影结果中点的分布情况,识别出当前点云投影结果中的异常投影点,并将所述第二待处理点云中与所述异常投影点对应的异常点删除,得到处理后的第二待处理点云,以及将所述第一待处理点云中与所述异常投影点对应的异常点删除;
将剩余目标平面中的其中一个目标平面更新为当前目标平面,并根据所述第二模型点云及处理后的第二待处理点云,再次进行异常投影点的识别及异常点的删除,直到完成根据所述多个目标平面的异常点识别与删除,得到所述第一去噪结果。
6.根据权利要求1-2中任意一项所述的方法,其特征在于,
所述第一待处理点云为对初始点云进行内部噪声去噪处理得到;或者,所述方法还包括:
对所述第一去噪结果进行内部噪声去噪处理,得到第二去噪结果。
7.一种点云去噪装置,其特征在于,所述装置包括:
点云获得模块,用于获得目标对象的第一模型点云及经点云采集得到的第一待处理点云;
处理模块,用于对所述第一模型点云及第一待处理点云进行配准,并根据得到的配准结果通过转换,得到位于第一坐标系的第二模型点云及第二待处理点云;
去噪模块,用于通过对所述第二模型点云在目标平面的模型投影结果及所述第二待处理点云对应的在所述目标平面的点云投影结果中的点的分布情况进行分析的方式,识别出所述点云投影结果中的异常投影点,并将所述第一待处理点云中与所述异常投影点对应的点作为异常点删除,得到第一去噪结果;
其中,所述去噪模块,具体用于:根据所述目标平面对应的两个投影结果,获得至少一个匹配点对,其中,所述匹配点对中包括两个点,所述两个点为所述两个投影结果中距离最近的点;针对各所述匹配点对,根据所述匹配点对中两个点之间的距离,判断所述匹配点对中属于所述点云投影结果的点是否为异常投影点。
8.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令以实现权利要求1-6中任意一项所述的点云去噪方法。
9.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6中任意一项所述的点云去噪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410160619.2A CN117710243B (zh) | 2024-02-05 | 2024-02-05 | 点云去噪方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410160619.2A CN117710243B (zh) | 2024-02-05 | 2024-02-05 | 点云去噪方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117710243A CN117710243A (zh) | 2024-03-15 |
CN117710243B true CN117710243B (zh) | 2024-05-28 |
Family
ID=90148222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410160619.2A Active CN117710243B (zh) | 2024-02-05 | 2024-02-05 | 点云去噪方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117710243B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631939A (zh) * | 2015-12-28 | 2016-06-01 | 集美大学 | 一种基于曲率滤波的三维点云畸变校正方法及其*** |
CN110084885A (zh) * | 2019-05-06 | 2019-08-02 | 广州市百果园信息技术有限公司 | 一种点云和图像优化方法、装置、设备和存储介质 |
CN112446844A (zh) * | 2020-11-27 | 2021-03-05 | 广东电网有限责任公司肇庆供电局 | 一种基于点云特征提取与配准融合方法 |
CN114463226A (zh) * | 2021-12-27 | 2022-05-10 | 浙江大华技术股份有限公司 | 滤波方法、投影映射方法、电子设备及存储介质 |
CN117274072A (zh) * | 2023-07-31 | 2023-12-22 | 广东机电职业技术学院 | 一种基于二维多模态范围图像的点云去噪方法及装置 |
-
2024
- 2024-02-05 CN CN202410160619.2A patent/CN117710243B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631939A (zh) * | 2015-12-28 | 2016-06-01 | 集美大学 | 一种基于曲率滤波的三维点云畸变校正方法及其*** |
CN110084885A (zh) * | 2019-05-06 | 2019-08-02 | 广州市百果园信息技术有限公司 | 一种点云和图像优化方法、装置、设备和存储介质 |
CN112446844A (zh) * | 2020-11-27 | 2021-03-05 | 广东电网有限责任公司肇庆供电局 | 一种基于点云特征提取与配准融合方法 |
CN114463226A (zh) * | 2021-12-27 | 2022-05-10 | 浙江大华技术股份有限公司 | 滤波方法、投影映射方法、电子设备及存储介质 |
CN117274072A (zh) * | 2023-07-31 | 2023-12-22 | 广东机电职业技术学院 | 一种基于二维多模态范围图像的点云去噪方法及装置 |
Non-Patent Citations (1)
Title |
---|
《飞机承力构件测点处理与误差自动评估》;彭清宇 等;航空制造技术;20231231;第1-3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN117710243A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ning et al. | An efficient outlier removal method for scattered point cloud data | |
CN114743259A (zh) | 位姿估计方法、位姿估计***、终端、存储介质及应用 | |
CN116628834B (zh) | 一种基于神经网络的轮廓分段矫正方法及装置 | |
CN116305436A (zh) | 一种基于三维激光扫描结合bim的既有桥梁监测方法 | |
CN114494274A (zh) | 建筑施工评估方法、装置、电子设备及存储介质 | |
CN112381940A (zh) | 一种点云数据生成数字高程模型的处理方法、装置及终端设备 | |
CN116188381A (zh) | 一种隧道断面几何特征识别分类***和方法 | |
CN114612616A (zh) | 建图方法、装置、电子设备和存储介质 | |
CN116520353A (zh) | 基于激光点云的地面检测方法、装置、存储介质及设备 | |
CN113963010B (zh) | 一种物体轮廓线提取方法及*** | |
CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
CN117710243B (zh) | 点云去噪方法、装置、电子设备及可读存储介质 | |
CN115147433A (zh) | 点云配准方法 | |
CN117437251A (zh) | 工件轮廓提取方法及存储介质和终端设备 | |
CN112102178A (zh) | 一种点云保特征去噪方法、装置、电子设备及存储介质 | |
CN116255930A (zh) | 一种基于点云切片的截面提取及测量方法及*** | |
CN112800829B (zh) | 一种基于三维测量的物体局部破损程度的识别方法 | |
CN115147471A (zh) | 一种基于曲率密度特征的激光点云自动配准方法 | |
CN112017290B (zh) | 一种圆锥面拟合方法、装置、计算机设备和存储介质 | |
Yoshioka et al. | Automatic segmentation and feature identification of laser scanning point cloud data for reverse engineering | |
Böhm et al. | Curvature-based range image classification for object recognition | |
CN117649530B (zh) | 基于语义级拓扑结构的点云特征提取方法、***及设备 | |
CN118037601B (zh) | 点云补齐方法和电子设备 | |
CN117218143B (zh) | 点云分割方法和装置 | |
CN113033270B (zh) | 采用辅助轴的3d物体局部表面描述方法、装置及存储介质 |
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 |