一种针对激光雷达点云强度图像的降噪方法及装置与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明属于三维点云处理及图像处理技术领域，更具体地，涉及一种针对激光雷达点云强度图像的降噪方法及装置，用于实现对激光雷达点云数据乘性散斑噪声的抑制。背景技术：2.激光雷达成像是在激光测距的基础上发展起来的，其基本原理是利用激光测角及测距，然后将角度-角度-距离信息转换成三维的坐标信息，得到三维的点云图像或者二维的距离图像及强度图像。激光雷达作为激光主动成像设备发展的最新阶段，是激光主动制导技术未来的发展方向。激光雷达成像是一种主动成像方式，具有全天候成像的优势，但是受限于照射光均匀性不好和接收光强较弱，使得采集的数据中具有噪声干扰强烈的不足。噪声的存在严重影响了数据质量，降低了对目标的信息解译能力，尤其在激光主动成像精确制导中，噪声的抑制问题更显突出。因此，数据降噪是激光雷达点云数据处理中的关键问题。3.降噪方法是一种针对性很强的数据处理方法，必须要细致地分析激光雷达成像特性和点云数据特点，才能有针对地设计优秀的降噪方法。现有的许多降噪技术仅仅从数据增强的角度来设计方法，对激光雷达主动成像的原理和点云数据特点针对性不强。因此，现有的许多降噪方法存在如下技术问题：4.1.针对性不强，对激光雷达主动成像机理分析不足，激光的相干性和目标表面粗糙造成图像的散斑效应比较明显，强度数据中存在明显的乘性噪声；5.2.鲁棒性不足，由于仅仅从信号处理的角度考虑，而没有重视退化机理分析，导致降噪算法的鲁棒性不足；6.3.泛化能力较弱，数据增强型的降噪算法对特定的数据效果较好，而当数据变化后，降噪能力显著下降，方法泛化能力不足。技术实现要素：7.针对现有技术的问题，本发明提供了一种针对激光雷达点云强度图像的降噪方法，通过建立激光雷达点云强度信息的乘性散斑噪声理论模型，解决点云数据的降噪问题。8.本发明为了解决上述技术问题，采用以下技术手段：9.一种针对激光雷达点云强度图像的降噪方法，包括以下步骤：10.步骤1：数据预处理，基于激光雷达采集到的原始点云强度数据，通过重采样及投影、异常点去除、强度值量化等过程，将数据转换成为规则格网化的强度图像；11.步骤2：图像多尺度分解，对激光雷达强度图像进行同态变换和小波分解，以获得图像多尺度信息，即获得强度图像的小波高频分量和低频分量；12.步骤3：图像降噪，基于强度图像多尺度分解结果，对高频分量采用小波阈值收缩进行降噪，对低频分量采用非局部均值进行降噪；13.步骤4：图像多尺度重建，基于降噪后的高频分量和低频分量进行小波逆变换重建得到重建结果，然后对重建结果进行同态逆变换得到最终降噪后的强度图像。14.上述技术方案中，所述步骤1的具体步骤为：15.步骤1.1：重采样及投影，将激光雷达扫描采集的时间序列的点云数据重采样为规则栅格化的数据阵列，然后向特定方向进行投影，得到二维阵列数据，并用回波强度数据作为每个像素的像素值，所述特定方向包括大地平面；16.步骤1.2：去除异常点，将回波强度数据中的异常点，包括极大值点、极小值点、无效点、空洞点的剔除，采用均值法、中值法中的一种或多种；17.步骤1.3：强度值量化，将激光雷达回波强度数据通过线性量化或者非线性量化进行拉伸和量化操作，使强度数据被映射到0-255的范围。18.上述技术方案中，所述步骤2的具体步骤为：19.步骤2.1：同态变换，将预处理后的强度图像利用i＝ln y＝ln(xf)＝ln x+ln f进行同态变换，其中y表示含噪声的强度图像，x表示不含噪声的图像，f表示乘性散斑噪声，i表示同态变换结果，通过同态变换可以将乘性噪声转变成加性噪声，得到同态变换的结果；20.步骤2.2：小波分解，通过小波变换(a，[h，v，d])＝dwt(i)将同态变换的结果分解成为高频分量[h，v，d]和低频分量a，其中高频分量中，h表示水平分量，v表示垂直分量，d表示对角线分量。[0021]上述技术方案中，所述步骤3的具体步骤为：[0022]步骤3.1：高频分量降噪，高频分量采用小波阈值收缩降噪，设置一个滤波阈值，滤波阈值代表噪声水平，将高频分量中小于阈值的置为0，高频分量中高于滤波阈值的部分，采用指数修正软阈值函数：[0023][0024]进行调整，得到降噪结果，其中ωδ表示修正后的高频分量，高频分量代表高频分量，sgn()表示符号函数，exp()为指数函数函数，δ表示滤波阈值；[0025]步骤3.2：低频分量降噪，首先采用拉普拉斯方差自适应噪声估计法确定一个噪声阈值，然后用非局部均值方法对低频分量进行降噪。[0026]上述技术方案中，所述步骤4的具体步骤为：[0027]步骤4.1：小波重建，通过小波逆变换将降噪的结果进行小波重建，其中，idenoise表示降噪后的小波重建结果，表示降噪后低频分量，高频分量中：表示降噪后水平分量，表示降噪后垂直分量，表示降噪后对角线分量；[0028]步骤4.2：同态逆变换，将小波重建后的降噪图像利用ydenoise＝exp(idenoise)进行同态逆变换，其中ydenoise表示降噪后的强度图像。[0029]本发明还提供了一种针对激光雷达点云强度图像的降噪装置，包括以下模块：[0030]数据预处理模块：基于激光雷达采集到的原始点云强度数据，通过重采样及投影、异常点去除、强度值量化过程，将数据转换成为规则格网化的强度图像；[0031]图像多尺度分解模块：对强度图像进行同态变换和小波分解，以获得图像多尺度信息，即获得强度图像的小波高频分量和低频分量；[0032]图像降噪模块：基于强度图像多尺度分解结果，对高频分量采用小波阈值收缩进行降噪，对低频分量采用非局部均值进行降噪；[0033]图像多尺度重建模块：基于降噪后的高频分量和低频分量进行小波逆变换重建得到重建结果，然后对重建结果进行同态逆变换得到最终降噪后的强度图像。[0034]上述技术方案中，数据预处理模块的具体实现步骤为：[0035]步骤1.1：重采样及投影，将激光雷达扫描采集的时间序列的点云数据重采样为规则栅格化的数据阵列，然后向特定方向进行投影，得到二维阵列数据，并用回波强度数据作为每个像素的像素值，所述特定方向包括大地平面；[0036]步骤1.2：去除异常点，将回波强度数据中的异常点，包括极大值点、极小值点、无效点、空洞点的剔除，采用均值法、中值法中的一种或多种；[0037]步骤1.3：强度值量化，将激光雷达回波强度数据通过线性量化或者非线性量化进行拉伸和量化操作，使强度数据被映射到0-255的范围。[0038]上述技术方案中，图像多尺度分解模块的具体实现步骤为：[0039]步骤2.1：同态变换，将预处理后的强度图像利用i＝ln y＝ln (xf)＝ln x+ln f进行同态变换，其中y表示含噪声的强度图像，x表示不含噪声的图像，f表示乘性散斑噪声，i表示同态变换结果，通过同态变换可以将乘性噪声转变成加性噪声，得到同态变换的结果；[0040]步骤2.2：小波分解，通过小波变换(a，[h，v，d])＝dwt(i)将同态变换的结果分解成为高频分量[h，v，d]和低频分量a，其中高频分量中，h表示水平分量，v表示垂直分量，d表示对角线分量。[0041]上述技术方案中，图像降噪模块的具体步骤为：[0042]步骤3.1：高频分量降噪，高频分量采用小波阈值收缩降噪，设置一个滤波阈值，滤波阈值代表噪声水平，将高频分量中小于阈值的置为0，高频分量中高于滤波阈值的部分，采用指数修正软阈值函数：[0043][0044]进行调整，得到降噪结果，其中ωδ表示修正后的高频分量，高频分量代表高频分量，sgn()表示符号函数，exp()为指数函数函数，δ表示滤波阈值；[0045]步骤3.2：低频分量降噪，首先采用拉普拉斯方差自适应噪声估计法确定一个噪声阈值，然后用非局部均值方法对低频分量进行降噪。[0046]上述技术方案中，图像多尺度重建模块的具体步骤为：[0047]步骤4.1：小波重建，通过小波逆变换将降噪的结果进行小波重建，其中，idenoise表示降噪后的小波重建结果，表示降噪后低频分量，高频分量中：表示降噪后水平分量，表示降噪后垂直分量，表示降噪后对角线分量；[0048]步骤4.2：同态逆变换，将小波重建后的降噪图像利用ydenoise＝exp(idenoise)进行同态逆变换，其中ydenoise表示降噪后的强度图像。[0049]本发明同现有技术相比，其有益效果表现在：[0050]1.针对性强，本发明是基于激光雷达主动成像机理而设计的方法；[0051]2.鲁棒性强，本发明从激光相干性形成的散斑噪声干扰出发，结合点云数据处理、图像处理的技术而设计的降噪方案，具体地，在激光点云预处理中，通过重采样和投影将空间上不规则的点云数据转化成为规则的格网化数据，通过去除异常点和强度值量化将幅度上不规则的激光回波强度值转化成为规则的像素值，而得到激光雷达强度图像；在降噪处理中，通过同态变换将难以分离的乘性噪声转换成为比较容易分离的加性噪声，通过小波变换将图像分解为噪声水平不同的高频分量和低频分量，对高频分量采用小波阈值收缩降噪，有助于剔除噪声时保持图像细节，对低频分量采用非局部均值降噪，有助于剔除噪声时保持图像灰度动态范围；综上，本发明降噪方案具有较强的鲁棒性；[0052]3.泛化能力好，本发明属于基于噪声模型的降噪方法，成像机理不变的前提下，对不同传感器的数据都具有很好的降噪效果；[0053]4.细节保护性好，本发明的降噪方法无论对高频分量还是低频分量都是采用自适应噪声水平的降噪方法，可以在降噪的同时有效保护细节信息。附图说明[0054]图1为本发明的流程示意图。具体实施方式[0055]下面将结合附图及具体实施方式对本发明作进一步的描述。[0056]图1为本发明的流程的示意图，主要流程包括数据预处理、图像多尺度分解、图像降噪、图像多尺度重建这4步。[0057]一种针对激光雷达点云强度图像的降噪方法，包括以下步骤：[0058]步骤1：数据预处理，基于激光雷达采集到的原始点云强度数据，通过重采样及投影、异常点去除、强度值量化等过程，将数据转换成为规则格网化的强度图像；[0059]步骤1的具体步骤为：[0060]步骤1.1：重采样及投影，将激光雷达扫描采集的时间序列的点云数据重采样为规则栅格化的数据阵列，然后向特定方向(通常是大地平面)进行投影，得到二维阵列数据，并用回波强度作为每个像素的像素值；[0061]步骤1.2：去除异常点，将回波强度数据中的异常点，包括极大值点、极小值点、无效点、空洞点等剔除，可以采用均值法、中值法等；[0062]步骤1.3：强度值量化，将激光雷达回波强度数据通过线性量化或者非线性量化进行拉伸和量化操作，使强度数据被映射到0-255的范围。[0063]步骤2：图像多尺度分解，对激光雷达强度图像进行同态变换和小波分解，以获得图像多尺度信息，即强度图像的小波高频分量和低频分量；[0064]步骤2的具体步骤为：[0065]步骤2.1：同态变换，将预处理后的强度图像利用i＝ln y＝ln(xf)＝ln x+ln f进行同态变换，其中y表示含噪声的强度图像，x表示理论上的不含噪声的图像，f表示乘性散斑噪声，i表示同态变换结果，通过同态变换可以将乘性噪声转变成加性噪声；[0066]步骤2.2：小波分解，通过小波变换(a，[h，v，d])＝dwt(i)将同态变换的结果分解成为高频分量[h，v，d]和低频分量a，其中高频分量中，h表示水平分量，v表示垂直分量，d表示对角线分量。[0067]步骤3：图像降噪，基于强度图像多尺度分解结果，对高频分量采用小波阈值收缩进行降噪，对低频分量采用非局部均值进行降噪；[0068]步骤3的具体步骤为：[0069]步骤3.1：高频分量降噪，高频分量采用小波阈值收缩降噪，设置一个滤波阈值，该阈值代表噪声水平，将高频分量中小于阈值的置为0，高频分量中高于阈值的部分，采用指数修正软阈值函数：[0070][0071]进行调整，得到降噪结果，其中，其中ωδ表示修正后的高频分量，高频分量代表高频分量，sgn()表示符号函数，exp()为指数函数函数，δ表示滤波阈值；；[0072]步骤3.2：低频分量降噪，首先采用拉普拉斯方差自适应噪声估计法确定一个噪声阈值，然后用非局部均值方法对低频分量进行降噪。[0073]步骤4：图像多尺度重建，基于降噪后的高频分量和低频分量进行小波逆变换重建，然后对重建结果进行同态逆变换得到最终降噪后的强度图像。[0074]步骤4的具体步骤为：[0075]步骤4.1：小波重建，通过小波逆变换将降噪的结果进行小波重建，其中，idenoise表示降噪后的小波重建结果，表示降噪后低频分量，高频分量中：表示降噪后水平分量，表示降噪后垂直分量，表示降噪后对角线分量；[0076]步骤4.2：同态逆变换，将小波重建后的降噪图像利用ydenoise＝exp(idenoise)进行同态逆变换，其中ydenoise表示降噪后的强度图像。[0077]实施例[0078]图1为本发明的针对激光雷达点云强度图像的降噪方法的流程示意图，从图中可以看出：[0079]本发明实施例中，基于激光雷达采集到的原始含噪点云强度数据，通过数据预处理、图像多尺度分解、图像降噪、图像多尺度重建实现对激光雷达强度图像的降噪；[0080]重采样及投影，通过重采样及投影将激光雷达扫描采集的时间序列的点云数据重采样为规则栅格化的数据阵列，然后向特定方向(通常是大地平面)进行投影，得到二维阵列数据，并用回波强度作为每个像素的像素值；[0081]去除异常点，采用对异常点周围的4个点取均值的方法，将回波强度数据中的异常点去除，包括极大值点、极小值点、无效点、空洞点等；[0082]强度值量化，将激光雷达回波强度数据通过线性量化或者非线性量化进行拉伸和量化操作，使强度数据被映射到0-255的范围；[0083]同态变换，将预处理后的强度图像利用i＝ln y＝ln(xf)＝ln x+ln f进行同态变换，其中y表示含噪声的强度图像，x表示理论上的不含噪声的图像，f表示乘性散斑噪声，i表示同态变换结果，通过同态变换可以将乘性噪声转变成加性噪声；[0084]小波分解，通过小波变换(a，[h，v，d])＝dwt(i)将同态变换的结果分解成为高频分量[h，v，d]和低频分量a，其中高频分量中，h表示水平分量，v表示垂直分量，d表示对角线分量；[0085]高频分量降噪，设置一个滤波阈值，该阈值代表噪声水平，对高频分量采用小波阈值收缩降噪，将高频分量中小于阈值的置为0，高频分量中高于阈值的部分，采用指数修正软阈值函数：[0086][0087]进行调整，得到降噪结果；[0088]低频分量降噪，采用拉普拉斯方差自适应噪声估计法确定一个低频分量噪声阈值，然后用非局部均值方法对低频分量进行降噪；[0089]小波重建，通过小波逆变换将降噪的结果进行小波重建，其中，idenoise表示降噪后的小波重建结果，表示降噪后低频分量，高频分量中：表示降噪后水平分量，表示降噪后垂直分量，表示降噪后对角线分量；[0090]同态逆变换，将小波重建后的降噪图像利用ydenoise＝exp(idenoise)进行同态逆变换，其中ydenoise表示降噪后的强度图像。[0091]以上仅是本发明众多具体应用范围中的代表性实施例，本文中采用具体个例对本发明的原理及实施方式进行阐述，仅是帮助说明本发明方法及核心思想，不应理解为对本发明的保护范围的限制，凡是采用变换或者等效替换而形成的技术方案，均应视为本发明的保护范围所涵盖。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!