Python 点云降噪 点云去噪

主要包括双边滤波、曲率流、密度均值漂流聚类、噪声分类去噪、神经网络、曲率特征混合分类的高密度点云去噪

1、双边滤波算法进行点云去噪，双边滤波器是基于空间分布的一个高斯函数，能够较好地保存目标物的高频信息，它使点云数据的整体趋势更加平滑，数据点顺着法向发生位移。
2、基于曲率流的去噪算法，每 个 点 按 照 它 的 曲 率 速 度 沿 着 法 向 移 动。
以上两者虽然都能使点云模型光顺，但同时会改变点的坐标，使点云信息的纹理信息丢失。 3、基于密度的均值漂移聚类去噪算法，使
每个点渐渐逼近局部密度最高的位置。
但不能滤除密度较高的簇状噪声
4、噪声分类的去噪方法，对大尺度噪声使用半径滤波法和统计滤波法去噪，而小尺度噪声使用双边滤波法去噪。
5、自适应双边滤波法进行点云去噪，该算法首先为每个采样点建立 ｋ－d邻域，然后以该点处的微切平面为视平面，在该视平面上利用目标尺度信息实现空间方差σｓ 局部自适应取值。（医学CT图像椎骨边缘保留）
6、利用支持向量机和神经网络的算法来进行去噪时间成本大
7、使用模糊 Ｃ－均值与均值滤波来进行点云去噪对于小尺度噪声以及簇状噪声无法滤除

• 
  

本文着重分析体素滤波与区域生长法结合
基本思想：

1. 对点云数据网格化（体素化），整体可以看做是一个长方体，利用包围盒压缩将其切分成多个等大的正方体，不足则进行补全。
3. 对大密度网格点进行局部处理，小密度网格既有噪声也有非噪声点



4. 
   



5. 利用噪声与周围环境不存在连接性进行区域生长法处理
   区域生长法处理步骤：
   （1）确定一半径a,找出网格内包含点数最多的点作为种子点
   （2）选中的种子点以半径b联合周边的点使用最小二乘拟合一个平面
   （3）半径b内的非种子点与种子点连线的夹角若大于一个阈值，则归类为噪声点否则为非噪声点。
   （4）将大网格中非噪声点作为新的种子点进行循环，直至所有点均被归类。将小网格再次利用全局区域生长处理。

•