基于改进多边滤波的点云三维重建与分析

为了提高三维重建过程点云噪声的滤除准确度与重建精确度，提出一种基于尺度分类的点云多边滤波算法，在双边滤波基础上引入尺度分类的自适应参数，将曲率作为第三个滤波影响因子，兼顾滤波过程的噪声滤除与点云平滑。实验结果表明，所提多边滤波算法与双边滤波算法、高斯滤波算法相比，噪声滤除准确度最高，达97.1%。且在重建过程中保证了细节与平滑度，偏离模型真实表面程度最低。

随着计算机视觉技术的快速发展，三维点云的曲面重建技术越来越多的被应用到智慧城市、文物保护、虚拟现实、工业零件三维重建[1] [2] [3] [4]等场景中。然而点云的实际获取过程中会因为诸多因素引入不同尺度的噪声，因此对三维点云进行滤波去噪是一项具有重要现实意义的工作。袁华等[5]提出改进的双边滤波算法，平衡了过度光滑与细节保持的矛盾，但算法效率有所减低。张志斌等[6]提出结合多尺度点云特征和随机森林模型的滤波算法，能有效分离植被点与地面点且精度较高，但是应用场景单一。

Wu [7]提出一种基于分解图滤波的自适应点云数据简化方法，大大减少了内存空间的使用，方法有效且可行， 但是计算复杂度与分解框架仍有改进空间。

Duan [8]等提出一种基于主成分分析的自适应聚类方法， 通过将点云降维、聚类，有效去除点云噪声并降低点云复杂度，但噪声滤除效果仍有待提高。龙家乐等[9]提出一种基于图像阈值分割和区域生长法的点云去噪方法，避免了三维数据的复杂计算，但只适用于结构光点云数据。Ren [10]等提出点云数据的整体滤波算法，通过视觉判断、正态分布检验等验证了算法的可靠性。武军安等[11]提出了基于一种基于导向滤波器的边缘区域约束的超分辨率重建算法，解决了TOF (time of flight)相机获取的深度图像分辨率低的问题，但在深度图或灰度图纹理丰富时会抑制算法性能。

Digne [12]提出通过频率分解， 基于向量场相似度进行无组织点云去噪的方法。Liu [13]等提出高斯过程回归(Gaussian Process Regression, GPR)和鲁棒局部加权回归(Robust Locally Weighted Regression, RLWR)相结合的混合回归技术，针对点云滤波具有普适性。

以上方法部分针对点云数据类型具有局限性，部分方法步骤繁琐，本文提出一种对点云数据进行尺度分类并结合改进多边滤波进行精准滤波的方法，使后续重建过程更加精准。

2. 点云的尺度分类方法 点云的噪声一般由传感器本身精度、环境因素、操作员操作精确度、目标物本身特性引入，并会对后续的逆向工程产生干扰，影响点云配准，重建等过程的精度，因此对点云噪声进行分类并有效滤波具有重要意义。噪声按尺度一般分为大尺度噪声和小尺度噪声，大尺度噪声一般表现远离原始点云模型的个别点或点集，小尺度噪声一般存在于原始点云附近，按分布区域又可以分为平坦区域噪声和纹理丰富区域噪声。本文基于点云的欧式距离、密度、曲率三个参数对点云进行分类。

首先基于欧式距离将点云划分为离散区与密集区，然后基于密度与曲率将密集区点云再分为平坦区域纹理丰富区，对离散区点云进行大尺度噪声滤波，对平坦区和纹理丰富区部分区域进行针对性多边滤