下载掌阅APP，畅读海量书库
立即打开
大尺度噪声包含两部分，一部分是那些悬浮在主体点云周围且偏离主体点云的稀疏点，另一部分是距离主体点云中心较远且小而密集的点。对于大尺度噪声，这里采用栅格划分的方式进行删除。
对于点云 P ，其大尺度噪声采用栅格划分的方式删除。首先，将点云 P 中所有数据点的三维坐标点存到一个一维数组中，并构造一个与坐标轴平行的长方体包围盒，但要确保包围到点云的所有数据点。假设该长方体包围盒中点的最大和最小坐标分别为｛ x max ， y max ， z max ｝和｛ x min ， y min ， z min ｝，长方体栅格的长度为 L 。其次，根据数据点的密度将长方体包围盒划分成多个小立方体栅格，那么小立方体栅格在 x ， y ， z 三个方向的个数 Sum x ， Sum y ， Sum z 为：
对于点云 P 中的某一确定点 p i （ x p i ， y p i ， z p i ），（ x p i ， y p i ， z p i ）表示点 p i 的三维坐标，那么，点 p i 所在小立方体栅格在 x ， y ， z 轴三个方向的索引号（ I x pi ， I y pi ， I z pi ）为：
基于以上的栅格划分结果，接下来判断每个栅格内的数据点数以删除大尺度噪声，具体步骤如下：
步骤1:假设栅格化后点云 P 的小立方体栅格总数为 Sum 个，栅格的集合为 R =｛ R 1 ， R 2 ，…， R Sum ｝，其中 Sum=Sum x ×Sum y ×Sum z ，并定义栅格内点数大于给定阈值的栅格为有点栅格，点数小于等于给定阈值的栅格为无点栅格。
步骤2:取第 i 个小立方体栅格 R i （ i= 1，2，…， Sum ），并判断该栅格内的数据点数，如果 R i 为无点栅格，则根据栅格内点的索引号（ I x pk ， I y pk ， I z pk ）删除 R i 内的所有数据点，这些删除的点就是悬浮在点云周围的散乱稀疏的大尺度噪声点。
步骤3:如果栅格 R i 为有点栅格，则以 R i 为中心查看其周围的小立方体栅格内的数据点数；如果某个栅格有点栅格，则以该栅格为中心查看其周围栅格内的数据点数。
步骤4:继续依次把周围的有点栅格作为中心，查看其周围栅格，直到查看完所有栅格为止，以此找出与栅格 R i 属于同一片点云的所有相邻栅格。
步骤5:取下一个与 R i 不属于同一片点云的栅格 R j （ j =1，2，…， Sum ）， j ≠ i ，重复类似步骤2到步骤4的过程，即可找到与栅格 R j 属于同一片点云的所有相邻栅格。
步骤6:继续取下一个与 R i 和 R j 都不属于同一片点云的栅格 R k （ k= 1，2，…， Sum ， k ≠ j ≠ i ），重复类似步骤2到步骤4的过程，一直这样执行下去，直到将所有栅格都划分到相应的某片点云中为止，以此将点云 P 划分成 S 片点云｛ P 1 ， P 2 ，…， P s ｝。
步骤7:计算每一片点云中有点栅格的数目，从而可以从 S 片点云中找出含有点栅格数目最多的那一片点云，那么，该片点云即为主体点云，其余的点云均为距离主体点云中心较远且小而密集的大尺度噪声点，要删除掉。
通过以上步骤即可实现点云中的大尺度噪声删除，接下来，采用特征加权FCM算法删除点云中的小尺度噪声。