点云滤波算法

起飞1234

已于 2024-04-28 17:09:17 修改

阅读量1.7k

点赞数 33

文章标签： matlab 3d

于 2024-04-28 16:07:48 首次发布

本文链接：https://blog.csdn.net/weixin_42659497/article/details/138278873

版权

点云滤波算法

统计离群值移除（Statistical Outlier Removal, SOR）
这种方法假设点云的点分布应接近高斯分布。算法计算每个点与其邻近点的距离，然后根据这些距离的平均值和标准差来确定是否将某个点视为离群值。具体来说，如果一个点的距离大于平均距离加上几倍标准差（通常是一个可调参数），这个点就会被移除。
体素网格滤波（Voxel Grid Filtering）
这种方法通过在数据中创建一个三维网格（体素），并在每个体素内部用体素中所有点的质心代替这些点来简化点云。这不仅帮助去除噪声，还能有效减少点云数据的规模，从而提高后续处理的效率。
半径离群值移除（Radius Outlier Removal）
此算法基于每个点周围的邻居数量来过滤噪声。具体操作是设定一个半径，在这个半径内统计每个点的邻居数量。如果某个点的邻居数量少于设定的阈值，这个点就会被认为是离群值并被移除。
双边滤波（Bilateral Filtering）
双边滤波是一种非线性的滤波方法，它考虑了点的空间邻近性和光度相似性（或者反射率相似性）。这种方法特别适用于保持边缘信息的同时去除噪声，因此在处理边缘锐化的点云数据时特别有用。
快速点特征直方图（Fast Point Feature Histograms, FPFH）滤波
此方法不是直接的滤波技术，而是一种用于点云特征提取的方法。通过分析点云中每个点的局部几何属性，FPFH 能够帮助去除不具代表性的特征点，从而在一定程度上实现“滤波”。
**高斯滤波器：**使用高斯模型对点云进行平滑处理，特别适合去除随机噪声。
边缘保留滤波（Edge-Preserving Filters）：例如引导滤波（Guided Filter），这种方法在去除噪声的同时保持了边缘的清晰度，适用于需要维持结构特征的场景。
**八叉树滤波（Octree Filtering）：**通过构建点云数据的八叉树结构，对每个八叉树节点内的点进行处理，从而实现数据简化和噪声减少。
**泊松重建滤波：**这种方法侧重于从点云中重建出平滑的表面，适用于模型重建和三维打印前的数据准备。
**非局部均值滤波：**这是一种考虑点云数据整体结构的滤波方法，通过分析点云的整体分布来进行有效的噪声抑制。
移动最小二乘法（MLS）：
高级的点云平滑技术，通常用于去除噪声的同时尽可能保持数据特征。MLS 方法工作原理是对点云中每个点的邻域进行多项式拟合。通过这种局部拟合方式，可以估计出一个平滑的表面，并用这个表面上的点来替换原始点云中的点。这种方法非常适用于处理因扫描仪分辨率限制或测量误差导致的细微表面缺陷。
深度学习方法：PointNet 和 PointNet++ 是专门为处理无序的点云数据设计的网络，它们可以直接从点云中学习到全局和局部的特征。

移动最小二乘法（MLS）

本篇的重点在去实现“移动最小二乘法”，去实现去除噪声的同时尽可能保持数据特征 。
用于生成平滑且连续的表面，尤其适用于从散乱数据点中恢复出几何结构。MLS的处理流程基于局部最小二乘拟合的原理，以下是其关键步骤和理论基础：

1. 选择局部邻域
对于点云中的每一个点 𝑝，选择其周围的一个邻域 𝑁(𝑝)。这个邻域包含了点 𝑝 附近的若干点，其大小和形状可以根据具体的应用需求来设定（例如，可以基于固定的半径或者最近的 𝑘 个点）。

2. 局部曲面拟合
在每个点的局部邻域 𝑁(𝑝) 中，使用最小二乘法拟合一个曲面。拟合的曲面可以是多项式，通常情况下使用二次或者三次多项式。这一步的关键是最小化以下误差函数：

𝐸 = ∑ _{𝑞∈𝑁(𝑝)} { 𝑤(𝑞) [ 𝑆(𝑞)−𝑓(𝑞) ] ² }

其中，𝑆(𝑞) 是曲面在点 𝑞 的估计值，𝑓(𝑞) 是点云中点 𝑞 的实际位置，𝑤(𝑞) 是权重函数，常用的权重函数包括基于距离的函数，如高斯权重。

3. 误差最小化
通过调整曲面参数来最小化误差函数 𝐸 。这通常通过求解线性或非线性系统来完成，具体取决于曲面的类型和复杂度。

4. 曲面重建
一旦局部曲面被拟合，可以使用这些局部拟合的曲面来重建整个点云的表面。这一步骤不仅平滑了数据，还有助于填补由于噪声或数据采样不足造成的空洞。

Plan

定义一个函数来接受点云数据。
使用移动最小二乘法对点云数据进行平滑处理。
输出滤波后的点云数据。
将 applyMovingLeastSquares 函数和主脚本分离成两个不同的文件，以提高代码的模块化和重用性。
主脚本 mainScript.m：

clear;
load('x-alone.mat');   % 加载mat文件 
Z = medfilt2(Z, [9 9]); % 使用中值滤波 其中 Z 是mat文件的结构体

[X, Y] = meshgrid(1:size(Z, 2), 1:size(Z, 1)); % 生成X和Y坐标网格，将X, Y, 和 Z数组重塑为Mx3格式，每行代表一个点的
points = [X(:), Y(:), Z(:)];   % XYZ坐标
ptCloud = pointCloud(points);   % 创建点云对象
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 应用移动最小二乘法点云滤波

filtered_ptCloud = applyMovingLeastSquares(ptCloud);
pcwrite(filtered_ptCloud, 'z-7-filtered.pcd');

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 应用移动最小二乘法点云滤波
% 显示原始点云数据
figure;
pcshow(ptCloud);
xlabel('X (mm)'); % 添加X轴标签，单位为毫米
ylabel('Y (mm)'); % 添加Y轴标签，单位为毫米
zlabel('Z (mm)'); % 添加Z轴标签，单位为毫米
title('Original Point Cloud'); % 添加图像标题

% 显示滤波后的点云数据
figure;
pcshow(filtered_ptCloud);
xlabel('X (mm)'); % 添加X轴标签，单位为毫米
ylabel('Y (mm)'); % 添加Y轴标签，单位为毫米
zlabel('Z (mm)'); % 添加Z轴标签，单位为毫米
title('Filtered Point Cloud with Moving Least Squares'); % 添加图像标题

函数 applyMovingLeastSquares .m：

function filtered_ptCloud = applyMovingLeastSquares(ptCloud)
    % 检查输入的点云是否有效
    if isempty(ptCloud)
        error('输入的点云数据不能为空');
    end
   
    points = ptCloud.Location;    % 提取点云中的点
    num_points = size(points, 1);
    filtered_points = zeros(size(points));    % 初始化输出的点云数据
    search_radius = 1.0;  % 定义搜索半径，这个半径用于确定每个点的邻居，根据具体数据调整半径大小
 
    for i = 1:num_points   % 对于点云中的每一个点，应用移动最小二乘法进行平滑，找到当前点附近的所有点
        distances = sqrt(sum((points - points(i, :)).^2, 2));
        neighbors_idx = find(distances < search_radius);
        X = points(neighbors_idx, :);     % 提取邻近点
       
        % 使用多项式重建来拟合局部曲面
        % 这里使用简单的线性多项式: p(x, y) = ax + by + c
        % 构建设计矩阵 A
        % 最小二乘求解，计算多项式系数，使用多项式评估新的 z 值
        A = [X(:,1) X(:,2) ones(length(neighbors_idx), 1)];
        coeffs = A \ X(:,3);   
        filtered_z = [points(i,1) points(i,2) 1] * coeffs;     
        filtered_points(i, :) = [points(i,1) points(i,2) filtered_z];        % 存储平滑后的点
    end
    filtered_ptCloud = pointCloud(filtered_points);    % 创建保存滤波后的点云对象
end

特别考虑

局部邻域的选择
对于具有复杂几何结构的点云，选择合适的局部邻域尺寸至关重要。如果邻域过大，可能会导致忽略细微的几何特征；如果邻域过小，则可能无法充分平滑噪声。在实践中，通常需要根据点云的局部密度和几何变化调整邻域大小。
曲面拟合的复杂性
复杂几何结构可能需要更高阶的多项式来进行曲面拟合。虽然高阶多项式可以更好地适应复杂形状，但它们也更容易产生过拟合，尤其是在数据点稀疏或不均匀分布的区域。
权重函数的设计
权重函数在MLS中起到了至关重要的作用，它决定了局部邻域内各点对拟合曲面的影响力。在处理复杂结构时，可能需要设计更为复杂的权重函数，以更精细地控制点的影响力，从而保留更多的细节。
处理尖锐特征和不连续性
复杂几何结构中常见的问题是尖锐特征（如边缘或角点）和几何不连续性。这些特征在传统MLS方法中容易被平滑掉。一种解决方案是使用特征感知的MLS变体，这些变体可以识别并保留这些关键的几何特征。

实施挑战
处理这类数据时，需要在去噪和保留几何细节之间找到平衡。此外，计算成本也是一个重要的考虑因素，特别是当数据量很大或者几何结构极其复杂时。通过这些特别的考虑，MLS可以更有效地应用于复杂几何结构的点云数据，从而提高表面重建的质量和准确性。

结合MLS与机器学习的方法

移动最小二乘法（MLS）是一个强大的数学工具，用于平滑和重建点云数据。将其与机器学习技术结合，可以开辟新的可能性，提升处理质量和效率。以下是几种结合这两种技术的策略：

预处理与特征增强
在使用机器学习模型之前，MLS可以作为预处理步骤来平滑点云并减少噪声。这不仅提高了数据质量，还可以增强机器学习模型学习的特征，使模型更容易识别数据中的模式和结构。
数据增强
机器学习模型的性能往往受限于训练数据的数量和质量。使用MLS生成合成数据或修改现有数据的细节，可以作为一种数据增强技术，增加训练集的多样性，从而提高模型的泛化能力。
结合深度学习的优化
深度学习模型，如卷积神经网络（CNN）或图神经网络（GNN），可以与MLS算法相结合。例如，**可以利用深度学习模型识别出点云中需要特别处理的区域，然后在这些区域应用MLS进行局部优化。**这样的结合可以在保持全局数据特性的同时，针对性地改进数据质量。
反馈循环
在一个更动态的系统中，机器学习模型可以用来评估MLS处理的效果，并提供反馈以调整MLS的参数（如拟合的多项式阶数或邻域的大小）。这种自适应方法可以使系统更好地适应不同的数据集和应用需求。
监督学习与无监督学习的结合
利用监督学习方法，可以训练模型识别和标记点云数据中的错误或异常点。然后，可以使用MLS对这些标记的点进行特定的处理。此外，无监督学习可以用于探索数据中的潜在模式，这些模式可以指导MLS处理的重点区域。

实际应用示例
在自动驾驶车辆的点云处理中，可以利用这种结合方法来优化车辆周围环境的三维地图重建。通过机器学习模型识别关键的交通标志和车辆，然后应用MLS进行精确的局部优化，从而在不牺牲处理速度的情况下，提高地图的精度和可靠性。通过这种结合，MLS的传统优势和机器学习的强大学习能力得以互补，共同推动点云数据处理技术的发展。