地表三维点云数据的去噪算法研究.pdf

《地表三维点云数据的去噪算法研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第6期矿山测量NO．62015年12月MINESURVEYINGDeC．2015doi：10．3969／j．1ssn．1001—358X．2015．06．004地表三维点云数据的去噪算法研究仇正良，施富强，廖学燕(1．西南交通大学，成都610031；2．四川省安全科学技术研究院，成都610045)摘要：文中针对三维扫描地表数据的特点，提出一种结合高程变化和坡角的分类综合去噪算法——高角算法；介绍了高角算法的理论分析及流程，结合实际案例研究了算法的可行性。实验结果表明：高角算法能自适应矿山的高程变化；在去噪效果和时间消耗方面具有优势；能够获得准确的

2、地表点云；在地表测绘行业的三维数据处理中具有应用价值。关键词：三维扫描；去噪；高角算法；地表；测绘中图分类号：TD171文献标识码：B文章编号：1001—358X(2015)06—0010—041高角算法理论分析tanotz1√=(X==一二X=。=)；=+=(=y雨3=一=Y。)L高角算法结合虚拟网格的构建方法，对离散点IZ进行分块处理。高角算法的虚拟网格不是将整个扫描区域按固定行列宽度划分成矩形网格，而是按高程将扫描区域进行分层，在每一层中进行虚拟网格f叁Ah，的划分。为了准确去噪，本文选择按高程分层处理I^‘，：的方式进行网格划分，将高程近

3、似的点云分为一层y并进行处理，以利于噪声点的识别。具体算法流程ll，如下：入／．1．1网格划分：^．(1)在点云中搜索最小高程h、最大高程h⋯；)^、、(2)设高程步长为h(案例分析时取1)，初始设＼，；_h=h⋯，h=h+h，在(h，h]高程范围内，搜索最●大高程与次大高程，在(h，h+h]高程范围图1按高程分层及网格划分示意图内，搜索最小高程。设、日、对应的水平坐图1(a)中z轴代表高程方向，—y代表水平标分别是(，Y)、(：，y2)、(，y3)，计算坡角Ot、面。案例分析中，若h不满足条件，则将其上升到h2；进行下一个循环时，令hd=h，h

4、=hd十h；处重新搜索。其分层原理是按地表坡角变化的大(3)判断lOL一l>／3(卢为给定的参数值，小，将变化量处于设定值范围内的点划分到同一高表示坡角变化阈值，案例分析时取(5)，若不等式成程范围内，以体现空间相关性；将变化量超出设定值立，对高程值在(h一h]范围内的点进行水平坐标搜范围的点划分到不同的高程范围内，以体现空间异索，然后进行第(5)步；否则进行第(4)步；质性。这样分层的目的：首先，在同一高程范围内的(4)将h=h+Ah(案例分析时取0．2)，如图1(a)点云，其相似性很强，有利于突出噪声点的异质性；所示，重新搜索日。、、及其对应

5、的水平坐标；其次，坡角变化大的点云划分到不同的高程范围，可(5)将分层所得的点云区域进行水平网格划分，以降低噪声点误判的概率。图1(b)中水平网格的如图1(b)所示，并对网格进行编号。划分参照文献[6]。第(2)步坡角的计算公式如下：1．2点云去噪：tano~1：=—二=—二=二=二二==二=二=====二==(‘1l)J(1)按网格编号，依次检测水平坐标落在网格区√(。一X)+(y，一y2)域内的点高程值日；(i=1，2，3⋯)；10第6期仇正良等：地表三维点云数据的去噪算法研究2015年12月K∞Om表1为四种算法的去噪时间，处理的点云数量从

6、1000～20000，时间单位为秒(S)。从表1和图9控

7、o可以看出，均值去噪和中值的去噪的速度相当，时间／·．-均值蓉。1-·中僵瓣6消耗呈线性增长，且显著快于高角算法和邻域算厘．rIlIl+K邻域誓‘，一r—rIlll【I—本文法，这主要因为高角算法和K邻域算法需要大量的2搜索、计算和存储时间，算法复杂度较前两者大。高12j4，57u⋯1．珥l，数据点教(×1ooo)角算法的时间消耗呈线性增长，而K邻域算法的时图6四种算法的去噪时间间消耗呈指数增长，高角算法复杂度较邻域算法横坐标表示数据点数，纵坐标表示数据处理所消耗的时间。均小，在处理大数据

8、时具有优势。当数据点数小于值算法与中值算法消耗的时间相当，曲线几乎重叠。2500时，高角算法速度低于K邻域算法，数据量太4结语小，没有发挥分类去噪的优势；当数据点数大于2500时，高角算法速度高于邻域算法，不同类别的噪声传统的去噪算法已不适合处理三维散乱数据，基于加权的处理方式只是弱化噪声影响而无法消除点采用不同方法(分层去噪、角度去噪、邻域去噪)噪声的影响；基于距离的邻域去噪算法，在处理大数进行去噪，综合了各类去噪算法的优势，避免了复杂据方面显然没有效率优势；对于大数据而言，数据分的计算，对于处理大数据具有明显优势。虽然高角布复杂，单一的处理方

9、式无法达到理想效果。因此，算法的去噪速度不及均值去噪与中值去噪，但去噪处理三维大数据应有针对性，根据数据特点选择合效果明显优于后两者；在