ارائه روشی نوین به منظور حذف نویز از ابر نقطه سه‌بعدی، به کمک خوشه بندی به روش انتقال میانگین

ابرنقطه خام معمولا شامل نویز و نقاط پرت است، بنابراین چالش هایی برای مدل سازی و شبکه بندی سطوح با استفاده از این داده های سه بعدی وجود خواهد داشت. همچنین حفظ جزئیات، در حین حذف نویز ضروری است. روش های زیادی بمنظور حذف نویز از ابر نقطه، توسعه یافته اند اما تنها تعداد کمی از آنها برای حفظ جزئیات در حین حذف نویز مناسب اند. این مقاله، سعی بر ارائه یک روش حذف نویز آماری نوین، با قابلیت حفظ جزئیات را دارد. در روش پیشنهادی ارائه شده، ابتدا ابرنقطه با بکارگیری روش انتقال میانگین خوشه بندی می شود و ازآنجایی که نتیجه خوشه بندی به اندازه پنجره جستجو بستگی دارد، اندازه بهینه این پنجره از طریق روش بهینه سازی تپه نوردی، محاسبه می گردد. سپس در هر خوشه، فاصله بین هر نقطه با میانگین سایر نقاط آن خوشه محاسبه و با حدآستانه گذاری روی این فواصل و تعداد اعضای هر خوشه، نقاط نویز شناسایی و با حفظ جزئیات مانند لبه ها، حذف می شوند. نتایج تجربی حاصل از پیاده سازی روش پیشنهادی بر روی سه دسته داده سه بعدی تهیه شده توسط لیزراسکنر، نشان می دهد که این روش نسبت به روش مشابه مطرح شده در پیشینه تحقیق از بهبود دقتی بالغ بر 1 درصد در ضریب صحیح بودن، 13 درصد در ضریب کامل بودن و 12.5 درصد در ضریب کیفیت، برخوردار بوده است.

a novel approach to de-noising 3d point clouds using mean-shift based clustering algorithm

raw point clouds usually include noise and outliers. also, the point clouds generated by photogrammetry methods are noisier than the point clouds that are derived from active methods such as laser scanners, hence many challenges for reconstructing and meshing surface using these three-dimensional data would be possible. also, maintaining sharp features is essential during the process of noise removal. many techniques have been developed to remove noise from the point cloud, but only a few of them are suitable for maintaining sharp features during the noise removal process. this paper tries to provide a new statistical method with the ability to maintain sharp features, to remove noise. in the proposed method, first, the point cloud is clustered using the mean-shift clustering algorithm. as the clustering accuracy depends on the kernel size, the optimal size of the window is achieved through the hill climbing optimization. then, in each cluster, the distance between each point and the mean of the other points of that cluster is calculated; next, appropriate thresholds are used to detect and remove noise from point cloud by applying them on the number of members of each cluster and computed distances. so the sharp features, such as the edges, are preserved. the experimental results obtained from the implementation of the proposed method on the three sets of 3d data ,provided by the laser scanner, illustrate that this method ,compared with the other methods presented in the literature review, increases the accuracy about 4% in noise removing and 5.19 percent in maintaining sharp features.