ارائه روشي نوين به منظور حذف نويز از ابر نقطه سه‌بعدي، به كمك خوشه بندي به روش انتقال ميانگين

A novel approach to de-noising 3D point clouds using mean-shift based clustering algorithm

ابرنقطه­ خام معمولا شامل نويز و نقاط پرت است، بنابراين چالش­ هايي براي مدل ­سازي و شبكه ­بندي سطوح با استفاده از اين داده ­هاي سه­بعدي وجود خواهد­ داشت. همچنين حفظ جزئيات، در حين حذف نويز ضروري است. روش ­هاي زيادي بمنظور حذف نويز از ابر نقطه، توسعه يافته ­اند اما تنها تعداد كمي از آنها براي حفظ جزئيات در حين حذف نويز مناسب ­اند. اين مقاله، سعي بر ارائه­ يك روش حذف نويز آماري نوين، با قابليت حفظ جزئيات را دارد. در روش پيشنهادي ارائه­ شده، ابتدا ابرنقطه با بكارگيري روش انتقال­ ميانگين خوشه ­بندي مي­ شود و ازآنجايي­كه نتيجه خوشه ­بندي به اندازه­ پنجره­ جستجو بستگي دارد، اندازه بهينه­ اين پنجره از طريق روش بهينه ­سازي تپه ­نوردي، محاسبه مي ­گردد. سپس در هر خوشه، فاصله بين هر نقطه با ميانگين ساير نقاط آن خوشه محاسبه و با حدآستانه گذاري روي اين فواصل و تعداد اعضاي هر خوشه، نقاط نويز­ شناسايي و با حفظ جزئيات مانند لبه ­ها، حذف مي­ شوند. نتايج تجربي حاصل از پياده­سازي روش­ پيشنهادي بر روي سه دسته داده­ سه ­بعدي تهيه شده توسط ليزراسكنر، نشان مي­ دهد كه اين روش نسبت به روش­ مشابه مطرح شده در پيشينه تحقيق از بهبود دقتي بالغ بر 1 درصد در ضريب صحيح بودن، 13 درصد در ضريب كامل بودن و 12/5 درصد در ضريب كيفيت، برخوردار بوده است.

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.