融合主成分分析和局部邻域的平面点云去噪

doi:10.13474/j.cnki.11-2246.2020.0143

测绘通报 ›› 2020, Vol. 0 ›› Issue (5): 47-50,68.doi: 10.13474/j.cnki.11-2246.2020.0143

融合主成分分析和局部邻域的平面点云去噪

陈建华^1,2

1. 河海大学水利水电学院, 江苏南京 210098;
2. 江苏河海工程技术有限公司, 江苏南京 210098

收稿日期:2019-10-24 修回日期:2020-01-14 出版日期:2020-05-25 发布日期:2020-06-02
作者简介:陈建华(1982-),男,硕士,讲师,主要从事水工建筑物、桥梁和地铁等安全监测方面的研究。E-mail:cjh@hhu.edu.cn
基金资助:
国家重点研发计划（2018YFC0407104；2016YFC0401601）；国家自然科学基金重点项目（51739003）

Planar point cloud denoising using the methodology of fusion of principal component analysis and local neighborhood

CHEN Jianhua^1,2

1. College of Water Conservancy and Hydropower Engineering, Hohai University, Nanjing 210098, China;
2. Jiansu Hohai Engineering Technology Co., Ltd., Nanjing 210098, China

Received:2019-10-24 Revised:2020-01-14 Online:2020-05-25 Published:2020-06-02

摘要/Abstract

摘要： 大型水工建筑物和城市地下轨道是国家的重要基础设施，人工变形监测耗时费力，利用激光雷达扫描对其进行自动化的变形监测已成为研究热点。而此类建筑物具有较多的平面结构特征，为了高效去除平面结构扫描点云中的噪声点，本文提出了一种融合主成分分析和局部邻域的噪声剔除方法，首先利用主成分分析剔除全局噪声，然后利用局部邻域对局部小噪声进行剔除，结合实例对该方法进行了验证。应用结果表明，该方法效率高、算法简单可行，具有较高的推广应用价值。

关键词: 变形监测, 主成分分析, 局部邻域, 去噪, 平面特征

Abstract: Large hydraulic structures are very important infrastructures of the nation. It has become a research hotspot to realize the deformation monitoring using laser scanning technique. Buildings are with many planar structure characteristics, and in order to remove the noise efficiently from the point cloud of planar structures, the methodology combining principal component analysis and local neighborhood is proposed. Firstly, the global noise is eliminated using principal component analysis, and the local noise is detected and removed by considering its local neighborhood. The methodology is verified by the measured data and the results demonstrate that the proposed methodology has the advantages of high-efficiency and feasibility, which is of high application value.

Key words: deformation monitoring, principal component analysis, local neighborhood, denoising, planar features

中图分类号:

P234

陈建华. 融合主成分分析和局部邻域的平面点云去噪[J]. 测绘通报, 2020, 0(5): 47-50,68.

CHEN Jianhua. Planar point cloud denoising using the methodology of fusion of principal component analysis and local neighborhood[J]. Bulletin of Surveying and Mapping, 2020, 0(5): 47-50,68.

参考文献

[1] FLEISHMAN S, DRORI I, COHEN-OR D. Bilateral mesh denoising[J]. ACM Transactions on Graphics (TOG), 2003, 22(3):950-953.
[2] WANG X Z, LI Z K, MAI Y Q, et al. Robust denoising of unorganized point clouds[C]//Proceedings of 2013 IEEE Conference Anthology.[S.l.]:IEEE, 2013:1-3.
[3] 曹红新. 机载LIDAR数据滤波方法研究[D]. 成都:西南交通大学, 2011.
[4] 李天兰. 三维点云数据的处理与应用[D]. 昆明:昆明理工大学, 2011.
[5] 张靖, 张晓君, 江万寿, 等. 一种改进的线性预测滤波算法[J]. 国土资源遥感, 2011,23(1):52-56.
[6] 高志国. 海量点云数据滤波处理方法研究[J]. 测绘工程, 2013,22(1):35-38.
[7] ZAMAN F, WONG Y P, NG B Y. Density-based denoising of point cloud[C]//Proceedings of the 9th International Conference on Robotic, Vision, Signal Processing and Power Applications.[S.l.]:Springer, 2017:287-295.
[8] 朱广堂, 叶珉吕. 基于曲率特征的点云去噪及定量评价方法研究[J]. 测绘通报, 2019(6):105-108.
[9] 叶珉吕, 花向红, 陈西江, 等. 基于正交整体最小二乘平面拟合的点云数据去噪方法研究[J]. 测绘通报, 2013(11):37-39.
[10] LOCANTORE N, MARRON J S, SIMPSON D G, et al. Robust principal component analysis for functional data[J]. Test, 1999, 8(1): 1-73.
[11] ABDI H, WILLIAMS L J. Principal component analysis[J]. Wiley Interdisciplinary Reviews: Computational Statistics, 2010, 2(4): 433-459.
[12] 刘艳丰, 王守彬, 汤仲安,等. 基于k-d树的机载LIDAR点云滤波处理[J]. 测绘工程, 2009, 18(5):59-62.
[13] CHEN X J, ZHANG G, HUA X H, et al. Extracting of six deformation parameters using improved ICP matching based on terrestrial laser scanning data[J]. Journal of the Indian Society of Remote Sensing, 2017, 45(1):123-130.
[14] 车翔玖, 刘杨, 赵义武,等. 基于k-邻域密度的离散点云简化算法与实现[J]. 吉林大学学报(理学版), 2009, 47(5):994-998.
[15] WING B M, RITCHIE M W, BOSTON K, et al. Individual snag detection using neighborhood attribute filtered airborne lidar data[J]. Remote Sensing of Environment, 2015, 163:165-179.
[16] 张良培, 张云, 陈震中. 基于分裂合并的多模型拟合方法在点云分割中的应用[J]. 测绘学报, 2018, 47(6):834-843.

融合主成分分析和局部邻域的平面点云去噪

Planar point cloud denoising using the methodology of fusion of principal component analysis and local neighborhood

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	谢元, 董梦, 马新建. 多源数据在复杂场景建筑物三维重建的应用[J]. 测绘通报, 2022, 0(6): 143-147.
[2]	张驰, 白志辉, 李亮, 陈冉丽, 吴侃. 利用三维激光扫描技术监测矿区桥梁结构形变[J]. 测绘通报, 2022, 0(4): 122-129.
[3]	潘东峰, 杨超, 吴一同, 谭钿, 张德林. 利用TLS技术进行地铁隧道断面提取及变形监测分析[J]. 测绘通报, 2022, 0(4): 130-133.
[4]	熊春宝, 庞红星, 王猛, 史青法. 基于ICEEMDAN的多滤波算法在超高层动态变形监测中的应用[J]. 测绘通报, 2022, 0(3): 152-156.
[5]	熊常亮, 贺小星, 马下平, 付杰. 联合LMD与EMD的GNSS站坐标时间序列去噪方法[J]. 测绘通报, 2022, 0(2): 78-82.
[6]	李培现, 杨中辉, 阎跃观, 袁德宝, 赵艳玲, 范德芹. 基于Moodle的变形监测技术网络课程开发及应用[J]. 测绘通报, 2022, 0(2): 168-173.
[7]	肖家豪, 张双喜, 韦瑜, 蔡剑锋, 洪敏. 基于GPS垂向位移测定云南地区陆地水储量及其对累积降雨的响应机制[J]. 测绘通报, 2022, 0(1): 61-65.
[8]	闵星, 罗海涛, 柏文锋. 基于徕卡MS60与深度图像的变形监测研究[J]. 测绘通报, 2021, 0(9): 165-168.
[9]	郭献涛, 黄腾, 贾燕, 张荣春. 利用TLS技术与伪单点监测模式进行滑坡变形测量[J]. 测绘通报, 2021, 0(6): 106-111.
[10]	段伟, 王敏, 吴昊, 刘超. 基于LWR-Pettitt算法的GNSS变形信息的识别与预警[J]. 测绘通报, 2021, 0(5): 124-128,154.
[11]	曹发伟, 廖维谷. SBAS技术在矿区地面沉降监测中的应用[J]. 测绘通报, 2021, 0(3): 156-158,163.
[12]	倪飞, 王浩丞, 杨艺卓, 杨小波. 三维激光扫描技术在高速公路运行非接触式变形监测中的应用[J]. 测绘通报, 2021, 0(3): 164-166.
[13]	孙彩霞, 杨帆, 胡晋. 基于遥感数据的新生态环境指数评价[J]. 测绘通报, 2021, 0(11): 12-15,53.
[14]	杨春宇, 任兴达, 江汇男, 袁岳, 王子林. 基于小波去噪的地铁变形组合预测模型分析[J]. 测绘通报, 2021, 0(10): 127-131.
[15]	刘宇, 齐建伟, 卢宏钟, 王光辉, 高欣圆, 王界, 张涛. 青岛市生态环境变化遥感监测与分析[J]. 测绘通报, 2020, 0(9): 60-65.