[发明专利]一种点云去噪方法、装置、设备及存储介质

说明书

本申请的实施例公开一种点云去噪方法、装置、设备及存储介质，该方法包括：获取待去噪点云数据；构造所述待去噪点云数据中每个点的邻域内不同分辨率的多个面片，获得每个点的邻域面片；将所有邻域面片输入训练获得的去噪神经网络模型，获得所述去噪神经网络模型输出的每个邻域面片的总偏移量；根据每个邻域面片的总偏移量，对所述待去噪点云数据中的每个点进行偏移处理，获得去噪后的点云数据。解决了现有方法仍然对点云的去噪效果不佳的技术问题，提高了对复杂点云数据的去噪效果。

技术领域

本申请涉及飞机制造技术领域，尤其涉及发明名称一种点云去噪方法、装置、设备及存储介质。

背景技术

近些年来，三维激光扫描仪已经广泛应用于飞机制造领域中的数字化测量。由三维激光扫描仪获取的初始点云数据中，由于设备本身精度、现场环境复杂等原因，往往包含较多的噪声点。这些噪声点影响了数据质量，不利于后期的点云分析与特征计算。需要采用点云去噪算法，进行去噪。

常用的点云去噪方法可以分为两大类：1)针对有序点云，常用的方法有中值滤波、高斯滤波、均值滤波等。有序点云数据由于自身数据结构类似于图像数据，上述源自于图像滤波的方法，便可以直接应用于点云去噪。2)针对无序点云，有部分方法将点云数据转化为网络数据，再采用网格模型的方法去除噪点。但大部分方法还是直接处理点云数据，执行去噪操作。其中，常见的方法有：拉普拉斯去噪、双边滤波去噪、平均曲率流去噪、二次拉普拉斯去噪等。

但上述方法仍然对点云的去噪效果不佳。

发明内容

本申请的主要目的在于提供一种点云去噪方法、装置、设备及存储介质，旨在解决现有方法对点云的去噪效果不佳的技术问题。

为实现上述目的，本申请提供一种点云去噪方法，所述方法包括：

获取待去噪点云数据；

构造所述待去噪点云数据中每个点的邻域内不同分辨率的多个面片，获得每个点的邻域面片；

将所有邻域面片输入训练获得的去噪神经网络模型，获得所述去噪神经网络模型输出的每个邻域面片的总偏移量；其中，所述去噪神经网络模型中包括多重监督多重偏移模块，所述多重监督多重偏移模块用于根据每个邻域面片的拼接特征融合不同分辨率的多个面片的偏移量，以获得每个邻域面片的总偏移量，所述拼接特征由邻域面片中不同分辨率的多个面片的特征拼接获得；

根据每个邻域面片的总偏移量，对所述待去噪点云数据中的每个点进行偏移处理，获得去噪后的点云数据。

可选地，所述构造所述点云数据中每个点的邻域内不同分辨率的多个面片，获得每个点的邻域面片的步骤，包括：

对所述点云数据中的每个点，在点云模型的外接球内构造各点的面片邻域；其中，所述点云模型为所述点云数据构成的模型；

在每个点的面片邻域内随机选取多个选取点，并基于多个所述选取点在所述点云模型的内接球内构造多个不同分辨率的面片，以获得每个点的邻域面片。

可选地，所述去噪神经网络模型，还包括：

与每个点的邻域内不同分辨率的面片数量对应的多个训练获得的编码器，多个所述编码器用于分别提取不同分辨率的多个面片的特征；其中，所述编码器为多层感知机。

可选地所述获取待去噪点云数据的步骤之前，所述方法还包括：

获取训练集，所述训练集包括含噪点云数据；

对所述含噪点云数据进行预处理，获得处理后的点云数据，其中，所述处理后的点云数据中的每个样本点的邻域内包括不同分辨率的多个样本面片；

利用所述处理后的点云数据，对初始去噪神经网络模型进行训练，以获得去噪神经网络模型。