机载激光雷达去噪-区域生长算法

结论：

采用以距离为生长阈值的区域生长算法对山地点云数据中的云噪声簇和离散点噪声进行检测，确定种子点生长的主要方向，以提高检测噪声点的效率，避免生长进入死循环。
贡献：基于空间分层方向上的区域生长算法，有着高计算效率及可靠的质量，精度，召回率，所提出方法的F1分数分别达到了99.8% 100%,99.3 %。
未来方向：找到噪声点更深的特征。多源数据融合

引言

噪声的产生。
如何快速有效地检测复杂场景下的噪声仍是个问题。、
论文的组织安排。

相关研究

Rusu [18] proposed the statistical outlier removal (SOR) filter
fast clustering SOR filtering Fast statistical outlier removal based method for large 3D point clouds of
outdoor environments
dynamic radius neighborhood point statis-tical filtering
Ester et al. realized the wide application of density-based spatial clustering application with noise method (DBSCAN)
本论文解决的问题：当前的去噪方法无法解决噪声相似点的检测。
提出基于空间层次定向关系的区域生长算法。点与点之间距离作为区域生长的阈值检测噪声点。
为什么他的方法能够解决？

方法实现

先了解一下区域生长分割算法
算法流程
1、依据点的曲率值对点进行排序，选择曲率值最小的点作为初始种子点，初始种子点所在的区域即为最平滑的区域，选中的点被添加到名为种子的集合中。
2、对于每一个种子点，找到它的邻近点：算出每个相邻点的法线和当前种子点的法线之间的角度，如果角度小于阈值，则将当前点添加到当前区域。
3、然后计算每个邻居点的曲率值，如果曲率小于阈值，那么这个点被添加到种子中。
4、将当前的种子从种子列表中移除。
5、如果种子列表变成空的，这意味着该区域生长已完成，继续重复上述过程。

//
1、选出种子点
2、以种子点为中心建立球形搜索空间，将法线夹角满足阈值的添加为统一区域，形成点间的空间方向的关系产生了14个主要的生长方向
3、球形区域中主方向计算领域点的曲率，满足阈值的最远的点作为下一个种子。
4、迭代直至没有种子点
传统初始点的选取方法无法鲁棒地过滤噪声簇这样高密度的点云
噪声簇的曲率也很小，且最小曲率点位置不好确定
提出了一种从可能的候选空间区域中搜索最大的点密度单元的中心点作为种子初始点的方法，用于提高种子点选择的鲁棒性
设置一个空间方块，通过高度分布的直方图分析确定可能的候选区域，选择高度上更接近中间的方块
寻找一个最接近方块中心的点作为种子点
空间方向的关联性定义
采用间接连通性寻找边界，设置大于采样间距某倍数的距离阈值，并规定边界搜索的主要方向，以简化搜索过程。
种子点的主要生长方向
它以种子点为中心，以球体为范围边界，沿指定方向寻找该方向上最远的内点作为候选种子点。球形区域的14个生长方向（6+8）

基于空间层次定向关系的区域生长算法


用这种距离特征代替原来的曲率特征。

总结

这种区域生长的方法可以有效的离散的噪声点区分出去，其中曲率和距离只是生长的一种方式，在我看来更像是一种连通域的方法，有效点是连通的即均满足一定距离下的关联性，以某个点为起点，不停地扩展自己的连通域直至停止。