第一节
引言

在文物点云数据采集时，由于受物体本身的构造、粗糙程度、纹理以及光线等周围环境因素的影响，采集的原始点云往往含有大量的噪声点，这对后期的点云配准、融合以及三维重建等具有较大的影响，因此，在保持点云的几何特征的基础上需要对其进行去噪处理。

点云去噪的目的是快速有效地删除噪声点，同时保持点云的纹理和边缘等特征细节。 国内外学者提出了许多点云去噪算法，比如，基于Laplace分布的去噪算法，可以有效保留原始数据中的有用细节信息；基于非局域增强卷积神经网络的去噪算法，通过结合卷积神经网络和非局部滤波器实现图像的有效去噪；几何保真的Signoroni网格去噪算法不依赖于点云规模，对目标应用领域具有挑战性的情况去噪效果良好；点云去噪算法基于锐利特征骨架，可以在保持重要几何特征不变的同时有效滤除噪声。这些算法均实现了点云数据的有效去噪，但对大尺度噪声和外点含量较高的复杂文物点云模型的去噪效果不佳。

针对文物点云数据模型，本章提出一种几何特征保持的去噪算法。对于大尺度噪声，即悬浮在主体点云周围且偏离主体点云的稀疏点，以及距离主体点云中心较远且小而密集的点，首先，根据点云密度将点云进行栅格化划分，并确定每个点所在的栅格位置以及每个栅格中的点数，然后判断栅格内的点数及其周围栅格内点数的情况，删除大尺度噪声；对于小尺度噪声，即混合在主体点云中的噪声点，则采用一种基于曲率因子和密度因子的特征加权模糊C均值聚类（Fuzzy C-means Clustering，FCM）算法进行删除，从而实现点云的最终精确去噪处理。 Vyzqs6pwPsI89xZjiSeORkRTw6OeM6gV9t/acxfbHKW/kwyNK4Sw1H45A3W+nKbY