点云数据处理与曲面重构
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
模块五 点云数据处理与曲面重构
点云数据是使用各种3D测量设备得到的空间上离散的几何点，是由被测物体表面上 一系列空间采样点构成的、是对被测物体描述的表示，是三维空间中数据点的集合。最 小的“点云”只包括一个点（称为孤点或奇点），而高密度的“点云”则可以多达几百 万个数据点。每一个离散点都存储了点的几何信息，比如三维坐标、大小和法向量等， 同时还存储了其它物体的表面属性，如纹理、和透明度等[46-47]。
环境噪声：测量是在现实环境中进行的，因此必然要受到环境的影响。环境的影 响是噪声产生的一个主要来源，其影响是多方面的，一般有下列影响因素：湿度、 温度、光线等。
设备噪声：主要来自设备某些部件磨损老化，造成测量精度的下降；以及设备在 使用中自身振动所产生的噪声等。
测量方法局限噪声：各种设备的测量方法都有一定的局限，在某些情况下这 些局限也会产生噪声。
对于点云去噪平滑，在处理上首先要从噪声入手，分析噪声的种类、产生的原因； 然后采取相应的技术方法，从而实现对数据的有效处理，做到有的放矢。
1、噪声的来源 在采集数据时，每一个环节都具有噪声产生的可能性，按照产生噪声的来源可以 将点云数据中的噪声做如下分类：
人为噪声：主要是因为测量者操作不熟练或者错误的操作所造成。例如：系统参 数设定不合适等。
的坐标轴分割法建立点间拓扑关系的方法。其基本思想：首先按 X 轴寻找分割线，即计算 所有点的 x 值的平均值，以最接近这个平均值的点的 z 值将空间分成两部分；然后在分成的 子空间中按 Y 轴寻找分割线，将其各分成两部分；分割好的子空间再按 X 轴分割，依此类 推，最后直到分割的区域内只有一个点为止。
（a）散乱点云
（2）扫描线点云 点云由一组扫描线组成，扫描线上的所有点基本位于同一扫描平面内，此类数据可认 为是部分散乱数据。CMM、激光点三角测量系统沿直线扫描的测量数据和线结构光扫描 测量数据呈现扫描线特征。由于此类型点云采用的测量方法所得数据质量较高；该方法在 各领域中得到广泛的应用。见图5.1（b）所示。 （3）阵列式点云 点云中所有点都与参数域中一个均匀网格的顶点相对应，数据具有行×列的特点；属 于有序数据。CMM、激光点三角扫描系统、投影光栅测量系统及立体视差法获得的数据 经过网格化插值后得到的的点云即为网格化点云。见图5.1（c）。 （4）多边形点云 点云分布在一系列平行平面内，用小线段将同一平面内距离最小的若干相邻点依次连 接可形成一组有嵌套的平面多边形。该类数据属于有序数据，莫尔等高线测量、CT测量、 层析法、磁共振成像等系统的测量点云呈现多边形特征。见图5.1（d）。
（2）偏差去噪法
通过连接检查点前后两点，计算 Pi 到线段 Pi P 1 i 1 的距离 hi （见图 5.2），给定阈值 ， 将弦高 hi 与其比较，如果有 hi ，
图 5.2 偏差去噪法原理图
则认为 Pi 是坏点，应该删除。基本算法如下： 第一步：取扫描线上连续 3 点， Pi 1 、 Pi 、 Pi 1 ； 第二步：计算 Pi 到 Pi 1 、 Pi 1 连线的弦高 hi ； 第三步：将 hi 与零件曲面的允许精度进行比较，如果 hi ，判定中间点只为删除点，
（b）扫描线点云
（c）阵列式点云
（d）多边形点云
由于受一些外界条件和测量工具影响，点云数据中含有噪声和冗余数据，所以要对点
云数据进行据处理是后期曲面零件建模的关键，利用3D测量设备对被测工件进行数据采 样，得到采样数据点的（X、Y、Z）坐标值，即表面几何数据。其中，由于测量误 差、外界条件和半径补偿等不可避免等因素，在曲面重构前，需要对获取的数据进 行一些必要的处理，为曲面重构过程做好准备[48-52]。 5.2.1 点云去噪
关于去噪部分的处理方法，一般都会采用人机交互式的工作方式。比较常用 的点云去噪方法有以下几种：观察法、曲率检查法、基于k-d tree的平均去噪法、 偏差去噪法以及随机去噪法等。
（1）观察法 通过实体与点云模型做比较，用肉眼进行观察。根据被测物体的尺寸大小， 严重偏离物体尺寸以及扫描线数据偏离较大的点或存在于屏幕上的孤点可以被 认为是要滤除的杂点而直接剔除。这种方法适合于数据的初步检查，可从数据 点集中筛选出一些偏差较大的杂点，而这些点一般可能是在测量过程中由系统 自身产生的。由于此法简单直观，因此这种方法易实施，而且采用观察法先去 除明显的“坏点”对后续去噪的准确性有着积极的作用。同时，此方法适用范 围比较广泛。
否则重新执行第一步。 这种方法算法简单，在处理大规模点云时有具有一定的优势。但其仅仅适合用于处理均
匀分布且点排列密集的点云。在曲率变化较大的位置有可能除掉部分特征点，不能较好的保 留点云特征。
（3）基于 k-d tree 的平均去噪法
在此，点云拓扑关系将采用 k-nearest neighbors（ k 个距点 P 的欧拉距离最近的点）邻 域的形式，简称 k 邻近。同时，在这里还需要引入 k-d tree 这个概念，它是一种基于二叉树
按照噪声产生的方式可以分为随机噪声和非随机噪声。随机噪声的产生是随 机的，其产生原因较难确定，因此较难预防。而非随机的噪声是由明确因素产 生的，一般有固定的形状，这种噪声较为容易识别和预防。
2、点云去噪的方法 采集得到的点云数据中除了反映物体真实表面的点以外，还有一些由于各种 干扰因素所产生的“坏点”，去噪的实质就是将这些“坏点”从点云中除去， 提高点云质量。
k-d tree 是一种便于空间中点搜索的数据结构，用来查找 k 邻域非常方便，求点云中任一点 P 的邻域可以通其查询输入点的空间最近点。然后计算邻域内各点到 P 的平均距离d ，
5.1 点云的类型
由于不同的测量仪器，不同数据采集方法测量所得的点云特征各异。为了有效的处理 各种形式的点云，根据点云中点的分布特点，如排列方式、密度等可将点云分为：
（1）散乱点云 测量点没有明显的几何分布特征，点与点之间没有明确的拓扑结构，点云整体呈现散 乱无序状态，无次序无组织。随机扫描方式下的CMM、激光点测量等系统的点云均呈现 散乱状态，见图5.1（a）。
点云数据是使用各种3D测量设备得到的空间上离散的几何点，是由被测物体表面上 一系列空间采样点构成的、是对被测物体描述的表示，是三维空间中数据点的集合。最 小的“点云”只包括一个点（称为孤点或奇点），而高密度的“点云”则可以多达几百 万个数据点。每一个离散点都存储了点的几何信息，比如三维坐标、大小和法向量等， 同时还存储了其它物体的表面属性，如纹理、和透明度等[46-47]。
环境噪声：测量是在现实环境中进行的，因此必然要受到环境的影响。环境的影 响是噪声产生的一个主要来源，其影响是多方面的，一般有下列影响因素：湿度、 温度、光线等。
设备噪声：主要来自设备某些部件磨损老化，造成测量精度的下降；以及设备在 使用中自身振动所产生的噪声等。
测量方法局限噪声：各种设备的测量方法都有一定的局限，在某些情况下这 些局限也会产生噪声。
对于点云去噪平滑，在处理上首先要从噪声入手，分析噪声的种类、产生的原因； 然后采取相应的技术方法，从而实现对数据的有效处理，做到有的放矢。
1、噪声的来源 在采集数据时，每一个环节都具有噪声产生的可能性，按照产生噪声的来源可以 将点云数据中的噪声做如下分类：
人为噪声：主要是因为测量者操作不熟练或者错误的操作所造成。例如：系统参 数设定不合适等。
的坐标轴分割法建立点间拓扑关系的方法。其基本思想：首先按 X 轴寻找分割线，即计算 所有点的 x 值的平均值，以最接近这个平均值的点的 z 值将空间分成两部分；然后在分成的 子空间中按 Y 轴寻找分割线，将其各分成两部分；分割好的子空间再按 X 轴分割，依此类 推，最后直到分割的区域内只有一个点为止。
（a）散乱点云
（2）扫描线点云 点云由一组扫描线组成，扫描线上的所有点基本位于同一扫描平面内，此类数据可认 为是部分散乱数据。CMM、激光点三角测量系统沿直线扫描的测量数据和线结构光扫描 测量数据呈现扫描线特征。由于此类型点云采用的测量方法所得数据质量较高；该方法在 各领域中得到广泛的应用。见图5.1（b）所示。 （3）阵列式点云 点云中所有点都与参数域中一个均匀网格的顶点相对应，数据具有行×列的特点；属 于有序数据。CMM、激光点三角扫描系统、投影光栅测量系统及立体视差法获得的数据 经过网格化插值后得到的的点云即为网格化点云。见图5.1（c）。 （4）多边形点云 点云分布在一系列平行平面内，用小线段将同一平面内距离最小的若干相邻点依次连 接可形成一组有嵌套的平面多边形。该类数据属于有序数据，莫尔等高线测量、CT测量、 层析法、磁共振成像等系统的测量点云呈现多边形特征。见图5.1（d）。
（2）偏差去噪法
通过连接检查点前后两点，计算 Pi 到线段 Pi P 1 i 1 的距离 hi （见图 5.2），给定阈值 ， 将弦高 hi 与其比较，如果有 hi ，
图 5.2 偏差去噪法原理图
则认为 Pi 是坏点，应该删除。基本算法如下： 第一步：取扫描线上连续 3 点， Pi 1 、 Pi 、 Pi 1 ； 第二步：计算 Pi 到 Pi 1 、 Pi 1 连线的弦高 hi ； 第三步：将 hi 与零件曲面的允许精度进行比较，如果 hi ，判定中间点只为删除点，
（b）扫描线点云
（c）阵列式点云
（d）多边形点云
由于受一些外界条件和测量工具影响，点云数据中含有噪声和冗余数据，所以要对点
云数据进行据处理是后期曲面零件建模的关键，利用3D测量设备对被测工件进行数据采 样，得到采样数据点的（X、Y、Z）坐标值，即表面几何数据。其中，由于测量误 差、外界条件和半径补偿等不可避免等因素，在曲面重构前，需要对获取的数据进 行一些必要的处理，为曲面重构过程做好准备[48-52]。 5.2.1 点云去噪
关于去噪部分的处理方法，一般都会采用人机交互式的工作方式。比较常用 的点云去噪方法有以下几种：观察法、曲率检查法、基于k-d tree的平均去噪法、 偏差去噪法以及随机去噪法等。
（1）观察法 通过实体与点云模型做比较，用肉眼进行观察。根据被测物体的尺寸大小， 严重偏离物体尺寸以及扫描线数据偏离较大的点或存在于屏幕上的孤点可以被 认为是要滤除的杂点而直接剔除。这种方法适合于数据的初步检查，可从数据 点集中筛选出一些偏差较大的杂点，而这些点一般可能是在测量过程中由系统 自身产生的。由于此法简单直观，因此这种方法易实施，而且采用观察法先去 除明显的“坏点”对后续去噪的准确性有着积极的作用。同时，此方法适用范 围比较广泛。
否则重新执行第一步。 这种方法算法简单，在处理大规模点云时有具有一定的优势。但其仅仅适合用于处理均
匀分布且点排列密集的点云。在曲率变化较大的位置有可能除掉部分特征点，不能较好的保 留点云特征。
（3）基于 k-d tree 的平均去噪法
在此，点云拓扑关系将采用 k-nearest neighbors（ k 个距点 P 的欧拉距离最近的点）邻 域的形式，简称 k 邻近。同时，在这里还需要引入 k-d tree 这个概念，它是一种基于二叉树
按照噪声产生的方式可以分为随机噪声和非随机噪声。随机噪声的产生是随 机的，其产生原因较难确定，因此较难预防。而非随机的噪声是由明确因素产 生的，一般有固定的形状，这种噪声较为容易识别和预防。
2、点云去噪的方法 采集得到的点云数据中除了反映物体真实表面的点以外，还有一些由于各种 干扰因素所产生的“坏点”，去噪的实质就是将这些“坏点”从点云中除去， 提高点云质量。
k-d tree 是一种便于空间中点搜索的数据结构，用来查找 k 邻域非常方便，求点云中任一点 P 的邻域可以通其查询输入点的空间最近点。然后计算邻域内各点到 P 的平均距离d ，
5.1 点云的类型
由于不同的测量仪器，不同数据采集方法测量所得的点云特征各异。为了有效的处理 各种形式的点云，根据点云中点的分布特点，如排列方式、密度等可将点云分为：
（1）散乱点云 测量点没有明显的几何分布特征，点与点之间没有明确的拓扑结构，点云整体呈现散 乱无序状态，无次序无组织。随机扫描方式下的CMM、激光点测量等系统的点云均呈现 散乱状态，见图5.1（a）。