一种基于微分曲率增强与密度感知的点云去噪方法

摘要: 本发明公开一种基于微分曲率增强与密度感知的点云去噪方法,属于三维计算机视觉与点云预处理。背景技术:1、碳纤维增强复合材料(cfrp)已成为现代航空航天结构制造的...
一种基于微分曲率增强与密度感知的点云去噪方法

本发明公开一种基于微分曲率增强与密度感知的点云去噪方法,属于三维计算机视觉与点云预处理。

背景技术:

1、碳纤维增强复合材料(cfrp)已成为现代航空航天结构制造的核心材料,其成型工艺依赖于对模具几何信息的精确数字化表达。三维激光扫描技术是获取大型模具几何信息的主流手段,但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。在通用计算机视觉任务中,微小的噪声可能仅影响视觉效果,但在精密制造领域,其后果是灾难性的。因此,点云去噪的主要难点在于:如何在滤除高频空间噪声的同时,有效保持尖锐边缘、折角等底层几何特征,并维持点云在三维空间中的分布均匀性。

2、早期点云去噪方法主要基于统计滤波与几何光顺策略(如双边滤波、移动最小二乘等),这些方法在平滑曲面上表现良好,但对于尖锐特征区域存在不可避免的特征模糊化问题。目前基于深度学习的点云去噪方法(如pointnet系列、dmr等)将去噪视为空间坐标回归范式,其存在以下显著缺陷:第一,在优化目标中缺乏对局部微分几何属性的显式约束,在处理具备高频拓扑变化(如尖锐边缘、折角)的区域时,极易导致几何特征的过度平滑(over-smoothing)。第二,现有的降采样操作主要依赖空间特征的自适应池化,网络极易将高曲率点视作高频噪声而分配极低的采样权重,导致底层几何骨架的丢失。第三,现有的解码重构模块通常采用局部面片映射拼接,由于缺乏对微观分布状态的有效正则化,常在面片重叠区域出现点云局部聚集现象,导致重构表面的密度分布不均。

技术实现思路

1、本发明的目的在于提供一种基于微分曲率增强与密度感知的点云去噪方法,以解决现有技术中,几何特征的过度平滑、底层几何骨架的丢失和重构表面的密度分布不均的问题。

2、一种基于微分曲率增强与密度感知的点云去噪方法,包括:

3、s1、获取待处理的含有噪声的三维点云数据p,输入至双分支特征提取模块,分别提取基于动态图卷积的空间上下文特征和基于显式微分几何与自适应感受野的曲率特征,并通过区域自适应门控机制将两分支特征进行融合,得到融合点云特征;

4、s2、提取所述曲率特征中的高斯曲率绝对值与几何类型掩码,经非线性映射构建曲率惩罚掩码;

5、将所述曲率惩罚掩码作为几何惩罚项融入特征投影矩阵,对所述融合点云特征进行曲率引导的可微流形下采样,获取下采样流形锚点及对应的高维点特征;

6、s3、计算所述下采样流形锚点的局部密度因子并编码为密度特征矩阵,结合预定义的二维网格及所述高维点特征,进行密度感知的面片基础重构;

7、随后引入局部密度权重与曲率保护掩码进行双重调制,学习三维位置校正残差,生成去噪后的高分辨率三维局部面片坐标,并进行拼接;

8、s4、利用包含特征感知倒角距离、几何一致性约束及排斥与密度均匀性损失的联合损失函数,对网络进行端到端优化训练,输出最终的去噪点云。

9、s1第一分支提取点云的动态图卷积空间上下文特征包括,在特征空间中为每个点构建k-nn图,采用多尺度邻域大小捕获不同感受野下的信息,;

10、在每个尺度上执行边缘卷积,构建中心点及邻近点的边缘特征,随后通过通道维度的最大池化聚合邻域特征,最后通过多尺度特征拼接得到所述动态图卷积空间上下文特征。

11、s1第二分支显式提取点云的微分几何曲率特征包括,s1.1对点云中的每个点首先以计算局部邻域的加权协方差矩阵,通过加权pca估计法向量,建立局部正交切平面坐标系;

12、s1.2将邻域点投影至切平面,通过最小二乘法拟合局部二次曲面,求解得到第一基本形式矩阵与第二基本形式矩阵。

13、s1第二分支显式提取点云的微分几何曲率特征包括,s1.3计算表征局部表面弯曲性质的形状算子并进行特征值分解,得到每个点的两个主曲率和,基于主曲率计算高斯曲率和平均曲率;

14、s1.4计算主曲率绝对值的最大值作为结构显著性度量:

15、;

16、式中,和为主曲率的绝对值;

17、结合最大类间方差法确定的截断阈值,将每个点的局部几何特征划分为四类几何类型掩码。

18、s1第二分支显式提取点云的微分几何曲率特征包括,s1.5基于几何类型掩码判定结果,为每个输入点动态分配最优感受野,在最优感受野下重新执行多项式拟合,重算曲率参数;

19、s1.6将重算后的曲率参数与几何类型掩码进行拼接,经多层感知机映射后得到显式曲率特征。

20、s1区域自适应门控机制包括,将所述空间上下文特征与曲率特征拼接后,通过softmax激活的门控网络动态预测注意力权重矩阵和;

21、将所述注意力权重矩阵分别与空间上下文特征和曲率特征进行自适应加权求和,得到融合点云特征。

22、s2中进行曲率引导的可微流形下采样包括,利用融合特征预测基础特征投影矩阵;提取显式曲率特征中的高斯曲率绝对值作为曲率先验,结合几何类型掩码,经多层感知机和sigmoid激活函数映射构建曲率惩罚掩码。

23、s2中进行曲率引导的可微流形下采样包括,利用广播机制将所述曲率惩罚掩码作为几何惩罚项叠加至基础投影矩阵中,经softmax函数沿点云维度归一化生成曲率增强的池化权重矩阵,所述池化权重矩阵包括网络可学习的动态平衡系数;

24、利用所述池化权重矩阵的转置分别对输入点云坐标及融合特征执行张量矩阵乘法,获取下采样流形锚点坐标及对应的高维点特征。

25、s3中密度与曲率感知的面片重构包括,计算下采样点在原始坐标空间中k近邻的平均欧氏距离,k近邻取值16,通过非线性映射编码为高维密度特征矩阵,并沿批次维度归一化得到逐点局部密度标量因子;

26、第一阶段基础面片生成包括,将下采样点特征、展开的固定的二维网格及密度特征矩阵进行通道级拼接,经多层感知机映射生成基础空间流形面片;

27、第二阶段双重掩码校正包括,以基础空间流形面片为基准,联合下采样点特征、密度信息及曲率信息初步预测三维初始形变残差,提取锚点对应的高斯曲率计算曲率保护掩码,利用局部密度权重与曲率保护掩码对初始残差进行双重调制:

28、;

29、最后将调制后的残差逐元素叠加至基础面片坐标上,获得最终的去噪面片。

30、s4中的联合损失函数包括,特征感知距离损失采用倒角cd距离或emd距离计算预测点集与真实点集之间的误差;

31、几何一致性约束包括随高斯曲率分布动态调节惩罚权重的曲率一致性惩罚、根据提取几何属性类别的结构保持约束、约束相邻点之间一阶坐标差分变化的局部平滑性惩罚;

32、空间分布与密度正则化包括推开重叠点的排斥损失和保持局部空间分布一致性的密度均匀性损失,排斥损失中的局部理想点间距阈值依据输入面片局部k近邻的平均距离进行动态自适应计算。

33、相对比现有技术,本发明具有以下有益效果:有效抑制了复杂形体边缘的过度平滑现象,消除了面片拼接引发的点云局部聚集,实现了高保真、分布均匀的点云去噪。