LabVIEW点云去噪平滑

点云去噪平滑是点云处理阶段非常重要的一个环节，决定了重建后三维对象的表面光滑与保真程度，理想的结果就是去掉噪音，有效的保持物体本来的形体。噪音分为两类，一类是大噪音，由于光线影响等原因，导致在扫描点云过程中，扫描主体外出现点云的情况，称之为大噪音；另一类噪音是融合在扫描主体中的噪音，这类噪音是最难处理的。在该篇文章中，将介绍这两种噪音的去除。

大噪音去除，比较通用的办法是对点云进行聚类分析，将扫描的点云按照欧式距离的阈值进行聚类分组，去除掉不是主体扫描的三维对象，完成大噪音去除。如下图所示，通过聚类分析，检测到红色部分属于大噪音，不属于扫描主体。

作者基于LabVIEW开发了Point Cloud Library 点云处理库，在点云法矢计算中，提供了点云欧氏距离阈值聚类分析功能。

     点云小噪音去除是比较复杂的，融合与扫描主体部分，在作者开发的Point Cloud Library 点云处理库中，提供了三种方法，高斯平滑方法、拉普拉斯算子的平滑方法和曲面拟合的平滑方法。

1）高斯平滑方法，是在均值平滑的基础上引入高斯权重，使得K邻域内的点靠近种子点的具有较高的权重，保证光顺后的种子点不会偏离太远。由高斯滤波定义有，

2）拉普拉斯算子的平滑方法：该方法是对点云模型上每个顶点应用Laplacian 算子，对每个顶点重新估计逐步调整到其邻域的几何重心位置。Laplacian 滤波算法为：

其中λ为调节因子，可控制点云的平滑速度，

为权重因子。

拉普拉斯效率高，光顺效果好，可处理大尺度且分布密集的噪声点云，但多次迭代后容易造成扭曲边形，边缘和细节因过度光顺而消失，点云模型整体体积出现明显收缩。

3）曲面拟合的平滑方法

曲面拟合其实就是K邻域内的点进行多项式拟合计算得到曲面方程，F(Z)=F（X,Y）;对K邻域内的点进行主成分析得到K邻域内点的法向，该邻域内的点基于该法向投影到种子点所在的平面。将该平面旋转到xy平面，通过多项式拟合得到F(Z)=F（X,Y），重新计算种子点的Z值，然后反旋转回原来的坐标系，得到曲面拟合拟合重新计算的种子点，平滑程度取决于K邻域取值的大小。该方法对点云密度没有要求，是在点云法向方向上移动，并考虑到周围K邻域内点的影响，即达到光顺的目的有可以保持局部细节，是非常优秀的点云平滑方法。

一下是Point Cloud Library点云处理库的使用例子，提供了非常方便的API处理接口。