学海网

毕业设计-三维模型重建理论与方法的研究—三维模型去噪算法的研究，共38页，17772字，附开题报告等
主要内容
针对三维扫描仪获取的带噪声和离群点的点云数据,研究基于局部离群点概
念的去噪算法。重点解决高密度扫描点云周围分布的低密度离群噪声点的识别
问题。结合数据挖掘中的聚类知识，对三维扫描点云数据进行局部离群点的准
确识别和去噪。
提出正确高效的算法，把数据挖掘中的聚类知识和三维点云去噪相结合，
从逻辑上验证算法的正确性，并且编程实现，在仿真实验中验证其可行性和高
效性。
我和其他组员一起还会把从扫描到重建出最后图形的一系列过程都集成在
一个系统中，包括三维点云的去噪、点云重建、重建后的光顺。
  主要包括以下一些方面：
1、在阅读大量文献的基础上，认真分析、总结以往研究成果。
2、深入课题，以研究内容为中心，广泛参考相关方向的内容，使传统的方
法得到改进。
3、查阅大量资料，改进现有方法，并对比实验结果证明此方法比现有的方
法效果好。
4、采用提出想法、实验、总结、修正的方法，使实验结果达到预期结果。
5、撰写毕设论文。

摘 要
在三维扫描的过程中，由于外界光线、震动等的影响以及扫描仪本身的缺陷，噪声点是不可避免的，如果使用带噪声的点云数据进行点云重建，重建后的模型将会失真，因此，点云去噪是一项重要且有意义的研究工作。但现有的点云去噪算法都只能发现某一类的噪声点，且很容易将模型上的点误判为噪声点，本文针对这些问题进行了探讨和研究。
首先，本文研究了点云去噪的常用算法，分析了其优缺点和适用情形。基于距离的点云去噪方法的优点是直观，缺点是参数确定困难；基于K-近邻距离的点云去噪算法参数更容易确定，复杂度更低；基于K-近邻局部密度的去噪算法可以去除局部离群点，但是不能去除分布均匀的噪声点；基于单元格划分的去噪算法适合于去除分布稀疏的噪声点。
然后，本文改进了基于K-近邻的点云去噪算法，该算法基于K-MEANS去噪算法和LOF去噪算法，主要思想是K-MEANS去噪算法去除离模型较远的噪声点后，剩下的紧挨模型边缘的噪声点使用LOF算法去除。
最后，本文实现了改进的点云去噪算法，并将其融合到曲面重建系统中，使本系统可以处理带有噪声点的点云模型。
关键词：点云去噪；K-近邻；K平均距离；局部密度

Abstract
Reverse engineering refers to the scanning equipment, the actual presence of the object scanned 3D point cloud, and then point cloud denoising, reconstruction, smoothing, such as a series of steps to be stored in the computer electronic version of this kind. This electronic version can be used to demonstrate or after the production of this object model. CAD(Computer Aided Design) refers to the use of the computer and its graphics device help designers design work. Reverse engineering is widely used in the field of CAD.
In the three-dimensional scanning, due to the impact of the external light, vibration, and the scanner itself, the noise point is unavoidable.If you use noisy point cloud data point cloud reconstruction, reconstruction model will be distorted.The point cloud denoising is an important and meaningful work. Current point cloud denoising algorithm can find a certain type of noise points, and it is easy to take points on the model as noise points.This paper analyzes these issues.
First, we study the commonly used point cloud denoising algorithm, and their advantages,disadvantages and applicable circumstances. DB(p,D)based on the distance of the point cloud denoising method has the advantage algorithm is intuitive, easy to understand, the disadvantage of it is that it is difficulty to determine parameters; K-neighbor point cloud denoising algorithm is easier to determine parameters,lower complexity; The LOF denoising algorithm can remove local outliers, but can not remove uniformly distributed noise points; Denoising algorithm based on cell division is suitable for removing sparsely distributed noise points.
Then, this paper improved point-cloud denoising algorithm based on K-nearest neighbors, which is based on K-MEANS and LOF denoising algorithm.The main idea of this algorithem is that the K-MEANS denoising algorithm will delete the points which are far away from the main point cloud. LOF algorithm can remove the the rest noise points that are close to the model edge.
Finally, this paper achieved the improved point cloud denoising algorithm, and the fuses it to reconstruction system which give the system the ability to handle the point cloud model with noise points.
Keywords: point cloud denoising; K-neighbors;K-MEANS; local density

目  录
第1 章  引言 - 1 -
1.1 论文研究的背景及意义 - 1 -
1.2 点云去噪技术研究现状 - 2 -
1.3 论文的主要内容及组织结构 - 2 -
第2章  常用的点云去噪方法 - 5 -
2.1 基于距离的点云去噪方法 - 5 -
2.2 基于k_近邻的点云去噪方法 - 6 -
2.2.1 K-MEANS点云去噪算法 - 7 -
2.2.2 K-DISTANCE点云去噪算法 - 8 -
2.3基于高斯核函数改进的K_近邻点云去噪方法 - 9 -
2.3.1窗口尺寸σ - 10 -
2.3.2噪声阈值ξ - 12 -
2.4基于K-近邻局部密度的点云去噪方法 - 12 -
2.5基于单元格的点云去噪方法 - 14 -
2.6 本章小结 - 16 -
第3章  改进的点云去噪算法 - 18 -
3.1 K-MEANS阈值的选取方法 - 19 -
3.1.1 规范化点的坐标 - 19 -
3.1.2 计算K-MEANS阈值 - 20 -
3.2 K-近邻平均距离 - 21 -
3.2.1 K-近邻搜索 - 21 -
3.2.2 用K-MEANS值判断噪声点 - 21 -
3.3局部离群因子 - 21 -
3.3.1 K-距离 - 22 -
3.3.2局部密度lrd - 22 -
3.3.3局部离群因子lof - 22 -
3.4实验结果及分析 - 23 -
3.5 算法的多次迭代 - 24 -
3.6本章小结 - 25 -
第4章  系统实现 - 26 -
4.1 系统概述 - 26 -
4.1.1功能概述 - 26 -
4.1.2 开发环境概述 - 26 -
4.2 系统开发实现 - 27 -
4.3 系统展示 - 28 -
4.4 本章小结 - 29 -
第5章  结论与展望 - 30 -
5.1工作总结 - 30 -
5.2 工作展望 - 30 -
参考文献 - 31 -
致 谢 32

论文的主要内容及组织结构
本文的研究对象是三维散乱点云,主要研究了三维散乱点云中离群噪声点的去噪算法。
首先，本文介绍常用点云去噪算法，并分析其优缺点和适用范围。基于距离的DB(p,D)点云去噪算法简单直观，但是参数比较难以确定；基于K-近邻距离的K-MEANS点云去噪算法和K-DISTANCE点云去噪算法比较难以确定参数，而且不能有效去除紧挨模型边缘的噪声点；基于K-近邻局部密度的LOF点云去噪算法可以去除紧挨模型边缘的噪声点，但是不删除分布较均匀的噪声点；基于空间单元格的点云去噪算法适合于去除密度较低的噪声点，但是不能去除块状噪声点，块状噪声点在实际中也经常会存在。
在研究学习了经典去噪算法后，本文主要做了如下工作：
第一，本文改进了基于K-近邻的点云去噪算法，该算法实际上是K-近邻平均距离K-MEANS去噪算法和K-近邻局部密度的LOF去噪算法的结合，主要思想是对于点云中每个点，寻找其K-近邻，计算K-近邻平均距离K-MEANS值，用K-MEANS值跟一个阈值（阈值的选取保证不会有模型上的点被删除掉）作比较，如果大于阈值，则认为该点是噪声点，将其删除掉；这步完成之后，偏离主体点云较远的噪声点已经被去除掉，剩下噪声点紧挨模型边缘，对于这些点使用LOF算法去除，具体做法是，对于剩余的每个点，在剩余点云中，再次寻找每个点K-近邻，然后计算K-距离、可达距离、局部密度、局部利群因子，如果该局部离群因子大于一定阈值（阈值选取一般为大于1小于2）则删除该点。
第二，针对K-MEANS点云去噪算法中阈值选取的盲目性，本文提出了确定阈值的方法。本文认为该阈值的数量级跟点云中点的坐标的数量级相同，因此，读入点云的坐标后，先对坐标进行规格化处理，然后计算点云坐标的平均值，用该平均值乘以一个比例系数（该比例系数大于0小于1）作为K-近邻平均距离的阈值。
第三，本文VisualStudio2010环境下，利用MFC做界面，用OPENGL库函数来实现绘制和现实，实现改进的点云去噪算法和几个经典的点云去噪算法，并将其融合到点云重建系统中，使本系统可以处理带噪声点的点云模型。
本文分为五章，各章的具体内容介绍如下：
第1章：主要介绍了三维点云去噪的研究背景，研究意义及当前的研究现状，还介绍了本文的组织结构。
第2章：研究分析了常用的典型点云去噪算法的原理及其优缺点，有基于K-近邻距离的K-MEANS点云去噪算法和K-DISTANCE点云去噪算法，基于K-近邻局部密度的LOF点云去噪算法和基于单元格的点云去噪算法。这些去噪算法都有各自的优缺点和使用范围。
第3章：基于K-近邻平均距离的K-MEANS去噪算法和K-近邻局部密度的LOF去噪算法结合使用，改进了基于K-近邻的点云去噪算法，该算法的主要流程是：对于点云中每个点，寻找其K-近邻，计算K-近邻的平均距离，用该平均距离和固定阈值作比较，如果大于阈值，则删除该点；对于剩余的所有点，再次在剩余的点中寻找每个点的K-近邻，然后计算K-距离、可达距离、局部密度、局部离群因子，用计算得到的离群因子和固定阈值作比较，如果大于阈值，则删除该点，最后，将剩余的点输出。实验结果表明，改进的点云去噪算法综合了两种算法的优点，比原来算法去噪效果好。
第4章：把本文改进的点云去噪算法和经典的点云去噪算法融合到曲面重建系统中。本章具体介绍了本文基于K-MEANS去噪算法和LOF去噪算法而改进的去噪算法的功能、具体实现方法，本系统的输入数据和输出数据，本系统中本文所实现部分所用主要类及每个类实现的功能，最后展示了本系统的去噪效果。
第5章：对本文的研究工作进行了总结，并且指出了下一步的研究方向。