一种曲率引导下采样与密度感知重构的点云去噪方法
本发明公开一种曲率引导下采样与密度感知重构的点云去噪方法,属于三维点云数据预处理。
背景技术:
1、三维激光扫描技术因其非接触、高效率的特点,成为获取大型模具及构件几何信息的主流手段。然而,受限于扫描设备的光学特性及工业现场的环境干扰(如机械振动、粉尘等),原始点云数据不可避免地会被噪声污染。
2、目前,基于深度学习的可微流形重构(dmr)等点云去噪方法在去除空间高频噪声方面取得了进展。这类方法通常采用“编码器-解码器”的自编码器架构,其存在以下两点局限性:第一,现有的编码器降采样操作主要依赖空间特征的自适应池化,即通过多层感知机预测采样权重。由于缺乏对点云显式拓扑结构的约束,网络极易将高曲率点(如尖锐边缘、折角)视作高频噪声而分配极低的采样权重,导致底层的几何骨架在压缩阶段丢失,引发去噪结果的边缘过度平滑。第二,现有的解码重构模块通常采用局部面片映射策略,即将下采样流形锚点特征与预定义二维网格拼接以预测三维局部面片。由于该过程缺乏对微观分布状态的有效正则化,面片在向全局流形拼接时,相邻面片的边界重叠区域会无序累加生成冗余点,引发严重的局部点云扎堆与聚集现象,导致重构表面的点云密度分布极不均匀。
技术实现思路
1、本发明的目的在于提供一种曲率引导下采样与密度感知重构的点云去噪方法,以解决现有技术中,去噪结果的边缘过度平滑和重构表面的点云密度分布极不均匀的问题。
2、一种曲率引导下采样与密度感知重构的点云去噪方法,包括:
3、s1、获取待处理的含噪三维残缺点云及对应的高维融合特征、显式曲率先验和几何类型掩码;
4、s2、构建曲率引导的可微流形下采样模块,利用多层感知机预测基础投影矩阵;
5、将所述显式曲率先验和几何类型掩码经非线性映射构建为曲率惩罚掩码,并作为几何惩罚项叠加至所述基础投影矩阵中;
6、经归一化生成曲率增强的池化权重矩阵,利用所述池化权重矩阵的转置对点云坐标及高维融合特征执行张量矩阵乘法降维,获取下采样流形锚点坐标及对应的高维锚点特征,所述高维融合特征执行张量矩阵由高维融合特征组成;
7、s3、构建密度感知的面片重构与校正模块,执行两阶段密度感知的面片重构,计算所述下采样流形锚点的局部密度因子,并编码为高维密度特征矩阵;
8、结合预定义的二维规则网格及高维锚点特征,执行第一阶段基础流形生成;
9、随后,联合局部密度权重与曲率保护掩码,执行第二阶段双重调制的三维位置残差校正,生成去噪后的高分辨率三维局部面片坐标;
10、s4、利用包含排斥损失与密度均匀性损失在内的联合损失函数,对点云去噪网络进行端到端优化训练,输出最终的去噪点云。
11、s2构建曲率引导的可微流形下采样模块包括:
12、设曲率特征中的高斯曲率为、平均曲率为,构建曲率引导掩码与几何类型掩码:
13、;
14、;
15、式中,为第个点的高斯曲率,为显著性度量,为最优截断阈值,为第个点的平均曲率。
16、s2构建曲率引导的可微流形下采样模块包括:
17、构建曲率惩罚掩码,:
18、;
19、式中,为第个点的曲率惩罚掩码,为sigmoid激活函数,为多层感应机制函数。
20、s2构建曲率引导的可微流形下采样模块包括:
21、利用广播机制将曲率惩罚掩码作为几何惩罚项直接叠加至特征投影矩阵中,生成曲率增强的池化权重矩阵,:
22、;
23、式中,为第个索引目标锚点对第个点的贡献权重,为特征投影矩阵第个索引目标锚点对第个点值,为网络学习的动态平衡系数,自适应调节空间语义与几何曲率在下采样中的重要性比例,为softmax操作沿点云维度进行归一化,为索引目标锚点,为输入点云中点的数量。
24、s2构建曲率引导的可微流形下采样模块包括:
25、设输入点云为,,特征提取阶段得到的特征为,,为特征通道数,为实数集;
26、利用多层感知机mlp对进行处理,预测基础的投影矩阵,,为目标下采样流形锚点数量,且;
27、利用获取下采样流形锚点坐标及对应的高维点特征,,,通过可微的张量矩阵乘法获得:
28、;
29、;
30、式中,为转置。
31、s3计算局部密度因子包括:
32、对下采样流形锚点中的每个点,计算在原始坐标空间中近邻的平均欧氏距离,将所述平均欧氏距离的倒数作为原始密度值,经最大最小归一化处理得到分布于区间的逐点局部密度标量因子;
33、将所述平均欧氏距离集合经多层感知机升维编码,生成高维密度特征矩阵。
34、s3两阶段密度感知的面片重构包括:
35、第一阶段下采样重构,将预定义的二维规则网格展开并复制,与所述高维锚点特征及高维密度特征矩阵沿通道维度进行拼接,通过多层感知机映射,生成感知局部稀疏度的基础空间流形面片。
36、s3两阶段密度感知的面片重构包括:
37、第二阶段细粒度校正,以基础空间流形面片为基准,联合高维锚点特征通过多层感知机预测初始的细粒度三维形变残差,利用所述局部密度标量因子构建空间排斥阻尼权重,同时,提取对应点的高斯曲率绝对值,构建曲率保护掩码;
38、;
39、式中,为控制曲率敏感度的超参数;
40、对初始形变残差执行双重调制得到最终形变残差,将逐元素叠加至基础空间流形面片上,获得校正后的局部面片。
41、s4联合损失函数包括排斥损失项和密度均匀性损失项;
42、排斥损失项推开去噪点云中分布拥挤的重叠点,对于去噪点云中的任意中心点,提取局部k近邻邻域,对距离小于设定阈值的邻近点产生指数衰减的排斥惩罚:
43、;
44、;
45、式中,为与第个邻居点在三维空间中的特征距离,为网络期望维持的局部理想点间距阈值,等同于排斥势能的截断半径,依据输入面片局部k近邻的平均距离进行动态自适应计算,项为硬排斥边界,仅对距离小于的拥挤点施加惩罚;指数项模拟微观粒子间的势能衰减特性,空间排斥梯度等同于惩罚权重。
46、密度均匀性损失项以局部k近邻的平均距离作为密度度量,通过smooth-l1损失函数最小化预测点云与真实参考点云在密度排序序列上的误差。
47、相对比现有技术,本发明具有以下有益效果:提升了点云去噪的质量,解决了容易丢失边缘几何结构以及重构点云局部密度分布不均的问题。
1.一种曲率引导下采样与密度感知重构的点云去噪方法,其特征在于,包括:
2.根据权利要求1所述的一种曲率引导下采样与密度感知重构的点云去噪方法,其特征在于,s2构建曲率引导的可微流形下采样模块包括:
3.根据权利要求2所述的一种曲率引导下采样与密度感知重构的点云去噪方法,其特征在于,s2构建曲率引导的可微流形下采样模块包括:
4.根据权利要求3所述的一种曲率引导下采样与密度感知重构的点云去噪方法,其特征在于,s2构建曲率引导的可微流形下采样模块包括:
5.根据权利要求4所述的一种曲率引导下采样与密度感知重构的点云去噪方法,其特征在于,s2构建曲率引导的可微流形下采样模块包括:
6.根据权利要求5所述的一种曲率引导下采样与密度感知重构的点云去噪方法,其特征在于,s3计算局部密度因子包括:
7.根据权利要求6所述的一种曲率引导下采样与密度感知重构的点云去噪方法,其特征在于,s3两阶段密度感知的面片重构包括:
8.根据权利要求7所述的一种曲率引导下采样与密度感知重构的点云去噪方法,其特征在于,s3两阶段密度感知的面片重构包括:
9.根据权利要求8所述的一种曲率引导下采样与密度感知重构的点云去噪方法,其特征在于,s4联合损失函数包括排斥损失项和密度均匀性损失项;
10.根据权利要求9所述的一种曲率引导下采样与密度感知重构的点云去噪方法,其特征在于,密度均匀性损失项以局部k近邻的平均距离作为密度度量,通过smooth-l1损失函数最小化预测点云与真实参考点云在密度排序序列上的误差。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com