基于K-means聚类的RGBD点云去噪和精简算法

系统仿真学报 ›› 2016, Vol. 28 ›› Issue (10): 2329-2335.

基于K-means聚类的RGBD点云去噪和精简算法

苏本跃^1,2, 马金宇^1,2, 彭玉升^2,3, 盛敏^2,3

1.安庆师范大学计算机与信息学院,安徽安庆 246133;
2.安徽省智能感知与计算重点实验室,安徽安庆 246133;
3.安庆师范大学数学与计算科学学院,安徽安庆 246133

收稿日期:2016-06-10 修回日期:2016-07-14 出版日期:2016-10-08 发布日期:2020-08-13
作者简介:苏本跃(1971-),男,安徽芜湖,博士,教授,研究方向为图形图像处理、虚拟现实、行为识别。
基金资助:
国家自然科学基金(11471093); 安徽省教育厅自然科学研究项目(KJ2014A142); 安徽省重点实验室开放课题(ACAIM160102)

Algorithm for RGBD Point Cloud Denoising and Simplification Based on K-means Clustering

Su Benyue^1,2, Ma Jinyu^1,2, Peng Yusheng^2,3, Sheng Min^2,3

1. School of Computer and Information, Anqing Normal University, Anqing 246133, China;
2. The University Key Laboratory of Intelligent Perception and Computing of Anhui Province, Anqing 246133, China;
3. School of Mathematics and Computational Science, Anqing Normal University, Anqing 246133, China

Received:2016-06-10 Revised:2016-07-14 Online:2016-10-08 Published:2020-08-13

摘要/Abstract

摘要： 针对Kinect等深度相机扫描获取的点云数据数量庞大、噪声较多的问题,提出一种特征保持的点云去噪和精简算法。使用K-D树快速分类点云;通过曲率估计算法得到局部曲面的曲率值;使用K-means聚类算法对点云进行聚类,对每个类中的点,根据点到聚类中心的欧式距离和邻近点曲率变化判断是否为噪声点;通过保持特征的点云精简算法实现对点云数据的简化。实验结果显示,算法快速有效,对于去除大量外部噪声有良好效果,且精简后的点云数据保持了原始点云特征。

关键词: K-means聚类, 点云去噪, 点云精简, RGBD数据

Abstract: Aiming at the problem that the point cloud data scanned by Kinect or other depth camera have a huge number and more noise, a feature preserving method for point cloud denoising and simplification was proposed. This algorithm classified the point cloud rapidly by K-D tree; find The corresponding surface curvature values were obtained using curvature estimation algorithm; The K-means clustering algorithm for point cloud clustering was used. For each point in the cluster, the Euclidean distance was depended on between the point and center of the cluster and the change of the near points curvature to determine whether the noise points. The point cloud data was simplified by the feature preserving method. The experimental results show that the denoising and feature preserving point cloud simplification method is quickly and efficiently, for the removal of a large number of external noise has a positive effect, and the streamline point cloud data have the retention of original point cloud features.

Key words: K-means clustering, point cloud denoising, point cloud simplification, RGBD data

中图分类号:

TP391.9

苏本跃, 马金宇, 彭玉升, 盛敏. 基于K-means聚类的RGBD点云去噪和精简算法[J]. 系统仿真学报, 2016, 28(10): 2329-2335.

Su Benyue, Ma Jinyu, Peng Yusheng, Sheng Min. Algorithm for RGBD Point Cloud Denoising and Simplification Based on K-means Clustering[J]. Journal of System Simulation, 2016, 28(10): 2329-2335.

参考文献 13

[1]	孙红岩, 孙晓鹏, 李华. 基于K-means聚类方法的三维点云模型分割[J]. 计算机工程与应用, 2006, 42(10): 42-45.
[2]	王小超, 刘秀平, 李宝军, 等. 基于局部重建的点云特征点提取[J]. 计算机辅助设计与图形学学报, 2013, 25(5): 659-665.
[3]	Castillo E, Liang J, Zhao H.Point Cloud Segmentation and Denoising via Constrained Nonlinear Least Squares Normal Estimates[M]// Innovations for Shape Analysis. Germany: Springer Berlin Heidelberg, 2013: 283-299.
[4]	Dutta S, Banerjee S, Biswas P K, et al.Mesh Denoising Using Multi-scale Curvature-Based Saliency [M]// Computer Vision-ACCV 2014 Workshops. Germany: Springer International Publishing, 2014: 507-516.
[5]	王勇, 唐靖, 饶勤菲, 等. 一种新的散乱点云快速去噪算法[J]. 计算机应用与软件, 2015, 32(7): 74-78.
[6]	曹爽, 岳建平, 马文. 基于特征选择的双边滤波点云去噪算法[J]. 东南大学学报(自然科学版), 2013, 43(增2): 351-354.
[7]	袁华, 庞建铿, 莫建文. 基于噪声分类的双边滤波点云去噪算法[J]. 计算机应用, 2015, 35(8): 2305-2310.
[8]	贺美芳, 周来水, 神会存. 散乱点云数据的曲率估算及应用[J]. 南京航空航天大学学报, 2005, 37(4): 515-519.
[9]	马骊溟, 徐毅, 李泽湘. 基于高斯曲率极值点的散乱点云数据特征点提取[J]. 系统仿真学报, 2008, 20(9): 2341-2344.(Ma L M, Xu Y, Li Z X.Extracting Feature Points for Scattered Points Based on Gauss Curvature Extreme Point[J]. Journal of System Simulation, 2008, 20(9): 2341-2344.)
[10]	王茹, 周明全, 邢毓华. 基于聚类平面特征的三维点云数据精简算法[J]. 计算机工程, 2011, 37(10): 249-251.
[11]	袁小翠, 吴禄慎, 陈华伟. 特征保持点云数据精简[J]. 光学精密工程, 2015, 23(9): 2666-2676.
[12]	Stanford University. The Stanford 3D Scanning Repository [DB/OL]. (2014-08-19)[2016-07-08]. http:// graphics.stanford.edu/data/3Dscanrep.
[13]	Shi B Q, Liang J, Liu Q.Adaptive simplification of point cloud using k-means clustering[J]. Computer- Aided Design (S0010-4485), 2011, 43(8): 910-922.

[1]	李智杰, 石昊琦, 李昌华, 张颉. 基于改进遗传算法的影像中心布局优化方法[J]. 系统仿真学报, 2022, 34(6): 1173-1184.
[2]	陈斌, 刘悦, 杨亚磊. 基于STN的机场航班过站保障时间协同规划建模[J]. 系统仿真学报, 2022, 34(6): 1196-1207.
[3]	杨凯, 陈纯毅, 胡小娟, 于海洋. 蒙卡渲染画面多特征非局部均值滤波降噪算法[J]. 系统仿真学报, 2022, 34(6): 1259-1266.
[4]	陈麒, 崔昊杨. 基于改进鸽群层级的无人机集群视觉巡检模型[J]. 系统仿真学报, 2022, 34(6): 1275-1285.
[5]	王沐晴, 张磊, 范秀敏, 骆晓萌, 朱文敏. VR外设驱动的虚拟人姿态优化仿真方法[J]. 系统仿真学报, 2022, 34(6): 1296-1303.
[6]	陆承, 靳学胜. 基于Steam VR的交互仿真水枪灭火训练系统设计[J]. 系统仿真学报, 2022, 34(6): 1312-1319.
[7]	高宏鼐, 付丽疆, 夏倩, 郭亚. 可观测度在光合作用模型性能评估中的应用[J]. 系统仿真学报, 2022, 34(6): 1330-1342.
[8]	倪凌佳, 黄晓霞, 李红旮, 张子博. 基于协作式深度强化学习的火灾应急疏散仿真研究[J]. 系统仿真学报, 2022, 34(6): 1353-1366.
[9]	蒙盾, 胡卓, 张华军. 基于改进A^*算法的多层邮轮疏散系统仿真[J]. 系统仿真学报, 2022, 34(6): 1375-1382.
[10]	郭宇飞, 赵康, 海永清. 面向有限元分析的三角网格布尔运算方法[J]. 系统仿真学报, 2022, 34(5): 1003-1014.
[11]	吴桐, 王清辉, 徐志佳. 三周期极小曲面多孔材料渗透率尺度特性研究[J]. 系统仿真学报, 2022, 34(5): 1015-1024.
[12]	蒋阳升, 王思琛, 高宽, 刘梦, 姚志洪. 混入智能网联车队的混合交通流元胞自动机模型[J]. 系统仿真学报, 2022, 34(5): 1025-1032.
[13]	梁江涛, 王慧琴. 基于改进蚁群算法的建筑火灾疏散路径规划研究[J]. 系统仿真学报, 2022, 34(5): 1044-1053.
[14]	张其文, 张斌. 基于教学优化算法求解置换流水车间调度问题[J]. 系统仿真学报, 2022, 34(5): 1054-1063.
[15]	邢根上, 鲁芳, 李书山, 罗定提. 基于产品体验性的供应链交货模型与仿真研究[J]. 系统仿真学报, 2022, 34(5): 1064-1075.