下载掌阅APP，畅读海量书库
立即打开
实验硬件环境配置为CPU为Intel（R）Core（TM）i5-4950，3.30GHz，内存为8.00Gb。实验数据采用西北大学可视化技术研究所提供的兵马俑文物碎块点云数据模型，该数据利用加拿大手持式Handyscan3D激光扫描仪获取，用于实验测试的文物碎块点云数据如图3-1所示。
图3-1 去噪前的文物碎块点云模型
资料来源：西北大学可视化技术研究所（2015）。
采用提出的几何特征保持的点云去噪算法，首先通过对点云进行栅格化划分删除大尺度噪声，然后采用特征加权FCM算法删除小尺度噪声，文物碎块点云的最终去噪结果如图3-2所示。
图3-2 去噪后的文物碎块点云模型
资料来源：根据西北大学可视化技术研究所提供的数据经由实验而得。
由图3-2可见，该几何特征保持的去噪方法在有效删除大尺度和小尺度噪声的同时，可以较好地保持文物点云模型的细节特征。
为了进一步验证基于几何特征保持的点云去噪算法的性能，对图3-1的文物碎块再分别采用FCM算法、基于点特征的去噪法（Chen，2018）以及密集噪声删除法（陈世超，2019）进行去噪，去噪结果如表3-1所示。
表3-1 不同去噪方法的运行结果
资料来源：根据西北大学可视化技术研究所提供的数据经由实验而得。
由表3-1可见，基于几何特征保持的点云去噪方法具有最低的误差和耗时，与FCM相比，基于几何特征保持的点云去噪方法的平均误差降低了约50%，耗时降低了约32%；与基于点特征的去噪法相比，基于几何特征保持的点云去噪方法的平均误差降低了约44%，耗时降低了约25%；与密集噪声删除法相比，基于几何特征保持的点云去噪算法的平均误差降低了约34%，耗时降低了约15%。
这是由于FCM算法是一种目标函数基于Euclid距离的模糊聚类算法，对满足正态分布的点云数据具有很好的聚类效果，但是，聚类中心的初始化对聚类效果有很大的影响；基于点特征的去噪法定义了消除几何不连续点近距离误差和长距离测量误差，实现了点云数据的有效去噪，但是该算法对文物点云的轮廓边缘的保持效果不佳；密集噪声删除法是一种基于距离变化、点云强度和密度信息的去噪算法，对密集噪声具有较好的去噪效果，但是对文物碎块点云的离散稀疏噪声删除效果不佳；而基于几何特征保持的点云去噪算法采用栅格划分的方式删除大尺度噪声，采用特征加权FCM算法删除小尺度噪声，不仅可以有效剔除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，而且对混合在主体点云中的噪声点也有良好的删除效果。因此说，该基于几何特征保持的点云去噪算法是一种有效的文物点云去噪方法。