第４１卷第１期佳木斯大学学报（自然科学版）Ｖｏｌ．４１Ｎｏ．１２０２３年０１月ＪｏｕｒｎａｌｏｆＪｉａｍｕｓｉＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）Ｊａｎ．２０２３文章编号：１００８－１４０２（２０２３）０１－００２１－０４基于点云分块的平均密度阈值点云滤波方法①叶凯，董建民＊，张丽君，王颖涵（西藏民族大学信息工程学院，陕西咸阳７１２０８２）摘要：针对传统点云滤波算法在滤除噪声点、离群点的同时会破坏点云的结构，提出一种基于点云分块的平均密度阈值点云滤波方法。该算法首先通过构建八叉树数据结构对点云数据进行体素化，然后以体素分辨率为单位分割点云；之后，对分块后的各块点云数据构建ＫＤ－Ｔｒｅｅ（Ｋ－Ｄｉｍｅｎｓｉｏｎａｌｔｒｅｅ）进行Ｋ近邻搜索，使用欧几里得距离公式计算查询点与近邻点的欧式距离，取最近距离估算点云的平均密度，通过叠加各点云块的平均密度再除以点云块数计算出整个点云数据的平均密度；最后，以整个点云的平均密度作为阈值，若该点的平均密度大于整个点云的平均密度，则滤除该点，反之则保存该点。实验结果表明，相较于统计滤波算法、半径滤波算法，提出的算法在滤波效果上可以有效的去除点云数据中的噪声点和离群点，同时较好的保存点云的细节信息。关键词：点云分块；八叉树；Ｋ近邻搜索；平均密度；点云滤波。中图分类号：ＴＰ３９１文献标识码：Ａ０引言随着计算机视觉的发展，点云获取设备的普及，三维重建开始广泛应用于各个行业，例如：自动驾驶、文化遗产数字化保护、虚拟现实技术及卫星导航等［１－４］。点云配准是三维重建的关键环节，点云配准的效果影响三维模型的结果［５］。而在点云采集过程中会出现噪声点和异常点，噪声点和异常点会对点云配准造成极大的干扰。近些年来，国内外许多学者对点云滤波进行了大量且深入的研究。Ｈｕ等人［６］针对噪声与有效点不同的属性，提出基于流形距离和法相估计的三维点云滤波方法，该方法通过初始聚类对点云进行预处理，其次使用流行距离和截断方法对离群点进行过滤，最后使用法向量估计对每个聚７类中的离群点进行过滤，该方法优于其他传统滤波方法。Ｚｈｏｕ等人［７］提出了一种基于非迭代双阈值的去噪方法，通过大、小两个阈值来分层滤波，从而提高了滤波效率。Ｈｕ等人［８］引入特征图学习算法进行三维点云去噪，并通过大量的对比实验表明该方法具有先进的去噪性能。Ｄｕａｎ等人［９...
