[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 9، شماره 4 - ( 12-1400 ) ::
جلد 9 شماره 4 صفحات 18-1 برگشت به فهرست نسخه ها
ارائه روشی نوین به منظور حذف نویز از ابر نقطه سه‌بعدی، به کمک خوشه بندی به روش انتقال میانگین
سحر کمالو، محمدجواد ولدان زوج*، علی حسینی نوه، فهیمه یوسفی
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (644 مشاهده)
ابرنقطه­ خام معمولا شامل نویز و نقاط پرت است، بنابراین چالش­هایی برای مدل­سازی و شبکه­بندی سطوح با استفاده از این داده­های سه­بعدی وجود خواهد­ داشت. همچنین حفظ جزئیات، در حین حذف نویز ضروری است. روش­های زیادی بمنظور حذف نویز از ابر نقطه، توسعه یافته­اند اما تنها تعداد کمی از آنها برای حفظ جزئیات در حین حذف نویز مناسب­اند. 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 انتقال­میانگین خوشه­بندی می­شود و ازآنجایی­که نتیجه خوشه­بندی به اندازه­ پنجره­ جستجو بستگی دارد، اندازه بهینه­ این پنجره از طریق روش بهینه­سازی تپه­نوردی، محاسبه می­گردد. 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 لبه­ها، حذف می­شوند. نتایج تجربی حاصل از پیاده­سازی روش­ پیشنهادی بر روی سه دسته داده­ سه­بعدی تهیه شده توسط لیزراسکنر، نشان می­دهد 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 5/12 درصد در ضریب کیفیت، برخوردار بوده است.
واژه‌های کلیدی: کلمات کلیدی: ابرنقطه، حذف نویز، جزئیات، خوشه‌بندی، بهینه‌سازی، حدآستانه‌گذاری
متن کامل [PDF 1215 kb]   (148 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فتوگرامتری
دریافت: 1397/9/17 | پذیرش: 1397/11/27 | انتشار الکترونیک پیش از انتشار نهایی: 1400/10/11 | انتشار: 1400/12/16
فهرست منابع
1. [1] Levin, D, "The approximation power of moving least-squares", Mathematics of Computation of the American Mathematical Society, 67(224), pp.1517-1531, 1998. [DOI:10.1090/S0025-5718-98-00974-0]
2. [2] Tomasi, C, and Manduchi, R. January, "Bilateral filtering for gray and color images", In Computer Vision, Sixth International Conference on (pp. 839-846), IEEE, 1998.
3. [3] Schall, O., Belyaev, A, and Seidel, H.P. June, "Robust filtering of noisy scattered point data", In Point-Based Graphics, Eurographics/IEEE VGTC Symposium Proceedings (pp. 71-144), 2005. [DOI:10.1109/PBG.2005.194067]
4. [4] Narváez, E.A.L. and Narváez, N.E.L., "Point cloud denoising using robust principal component analysis", In GRAPP (pp. 51-58), 2005 February.
5. [5] Sun, Y., Schaefer, S. and Wang, W., "Denoising point sets via L0 minimization", Computer Aided Geometric Design, 35, pp.2-15, 2015. [DOI:10.1016/j.cagd.2015.03.011]
6. [6] Han, X.F., Jin, J.S., Wang, M.J., Jiang, W., Gao, L. and Xiao, L, "A review of algorithms for filtering the 3D point cloud", Signal Processing: Image Communication, 57, pp.103-112, 2017. [DOI:10.1016/j.image.2017.05.009]
7. [7] Deschaud, Jean-Emmanuel, and François Goulette, "Point cloud non local denoising using local surface descriptor similarity", IAPRS 38, no. 3A 109-114, 2010.
8. [8] Rosli, N.A.I.M. and Ramli, A., July, "Mapping bootstrap error for bilateral smoothing on point set", In AIP Conference Proceedings (Vol. 1605, No. 1, pp. 149-154). AIP, 2014. [DOI:10.1063/1.4887580]
9. [9] Miropolsky, A. and Fischer, A., June, "Reconstruction with 3D geometric bilateral filter", In Proceedings of the ninth ACM symposium on Solid modeling and applications (pp. 225-229). Eurographics Association., 2004.
10. [10] Wolff, Katja, et al, "Point cloud noise and outlier removal for image-based 3D reconstruction", 3D Vision (3DV), Fourth International Conference on. IEEE, 2016. [DOI:10.1109/3DV.2016.20]
11. [11] Xu, Li, Cewu Lu, Yi Xu, and Jiaya Jia, "Image smoothing via L 0 gradient minimization", In ACM Transactions on Graphics (TOG), vol. 30, no. 6, p. 174. ACM, 2011. [DOI:10.1145/2070781.2024208]
12. [12] Orts-Escolano, Sergio, Jose Garcia-Rodriguez, Vicente Morell, Miguel Cazorla, Jose Antonio Serra Perez, and Alberto Garcia-Garcia, "3D surface reconstruction of noisy point clouds using growing neural gas: 3D object/scene reconstruction", Neural Processing Letters 43, no. 2 : 401-423, 2016. [DOI:10.1007/s11063-015-9421-x]
13. [13] Choudhury, Prasun, and J. Tumbilin, "The trilateral filterfor high contrast images and meshes", In Proceedings of theEurographics Symposium on Rendering, 2003.
14. [14] Wang, Ren-fang, Wen-zhi Chen, San-yuan Zhang, Yin Zhang, and Xiu-zi Ye, "Similarity-based denoising of point-sampled surfaces", Journal of Zhejiang University-Science A 9, no. 6 : 807-815, 2008. [DOI:10.1631/jzus.A071465]
15. [15] Yoshizawa, Shin, Alexander Belyaev, and H-P. Seidel, "Smoothing by example: Mesh denoising by averaging with similarity-based weights", In Shape Modeling and Applications, 2006. SMI 2006. IEEE International Conference on, pp. 9-9. IEEE, 2006.
16. [16] Fleishman, Shachar, Daniel Cohen-Or, and Cláudio T. Silva, "Robust moving least-squares fitting with sharp features", In ACM transactions on graphics (TOG), vol. 24, no. 3, pp. 544-552. ACM, 2005. [DOI:10.1145/1073204.1073227]
17. [17] Taubin, Gabriel, "A signal processing approach to fair surface design", In Proceedings of the 22nd annual conference on Computer graphics and interactive techniques, pp. 351-358. ACM, 1995. [DOI:10.1145/218380.218473]
18. [18] Pauly, Mark, and Markus Gross, "Spectral processing of point-sampled geometry", In Proceedings of the 28th annual conference on Computer graphics and interactive techniques, pp. 379-386. ACM, 2001. [DOI:10.1145/383259.383301]
19. [19] Rosman, Guy, Anastasia Dubrovina, and Ron Kimmel, "Patch‐Collaborative Spectral Point‐Cloud Denoising", In Computer Graphics Forum, vol. 32, no. 8, pp. 1-12, 2013. [DOI:10.1111/cgf.12139]
20. [20] Chen, H. and Bhanu, B, "3D free-form object recognition in range images using local surface patches", Pattern Recognition Letters, 28(10), pp.1252-1262, 2007. [DOI:10.1016/j.patrec.2007.02.009]
21. [21] Sun, J., Ovsjanikov, M. and Guibas, L. July, "A concise and provably informative multi‐scale signature based on heat diffusion", In Computer graphics forum (Vol. 28, No. 5, pp. 1383-1392). Blackwell Publishing Ltd, 2009. [DOI:10.1111/j.1467-8659.2009.01515.x]
22. [22] Thibault, W.C. and Naylor, B.F. August, "Set operations on polyhedra using binary space partitioning trees", In ACM SIGGRAPH computer graphics (Vol. 21, No. 4, pp. 153-162). ACM, 1987. [DOI:10.1145/37402.37421]
23. [23] Foley, T. and Sugerman, J, July, "KD-tree acceleration structures for a GPU raytracer", In Proceedings of the ACM SIGGRAPH/EUROGRAPHICS conference on Graphics hardware (pp. 15-22). ACM, 2005. [DOI:10.1145/1071866.1071869]
24. [24] Samet, H, "The quadtree and related hierarchical data structures", ACM Computing Surveys (CSUR), 16(2), pp.187-260, 1984. [DOI:10.1145/356924.356930]
25. [25] Digne, Julie, "Similarity based filtering of point clouds", Computer Vision and Pattern Recognition Workshops (CVPRW), 2012 IEEE Computer Society Conference on. IEEE, 2012. [DOI:10.1109/CVPRW.2012.6238917]
26. [26] Zaman, Faisal, Ya Ping Wong, and Boon Yian Ng, "Density-Based Denoising of Point Cloud", 9th International Conference on Robotic, Vision, Signal Processing and Power Applications. Springer, Singapore, 2017. [DOI:10.1007/978-981-10-1721-6_31]
27. [27] Comaniciu, Dorin, and Peter Meer, "Mean shift: A robust approach toward feature space analysis", IEEE Transactions on pattern analysis and machine intelligence 24.5 : 603-619, 2002. [DOI:10.1109/34.1000236]
28. [28] Renders, J-M., and Hugues Bersini, "Hybridizing genetic algorithms with hill-climbing methods for global optimization: two possible ways", Evolutionary Computation, 1994. IEEE World Congress on Computational Intelligence., Proceedings of the First IEEE Conference on. IEEE, 1994.
29. [29] Duong, T., Hazelton, M.L, "Convergence rates for unconstrained bandwidth matrix selectors in multivariate kernel density estimation", Journal of Multivariate Analysis 93(2), 417{433, 2005. [DOI:10.1016/j.jmva.2004.04.004]
30. [30] Guidoum, A.C, "Kernel estimator and bandwidth selection for density and its derivatives", 2013.
31. [31] Hyndman, R.L., Zhang, X., King, M.L, "Bandwidth selection for multivariate kernel density estimation using mcmc", In: Econometric Society 2004 Australasian Meetings. No. 120, Econometric Society, 2004.
32. [32] Zhang, X., King, M.L., Hyndman, R.J, "A bayesian approach to bandwidth selection for multivariate kernel density estimation", Computational Statistics & Data Analysis 50(11), 3009{3031, 2006. [DOI:10.1016/j.csda.2005.06.019]
33. [33] Cawley, Gavin C., and Nicola LC Talbot, "Efficient leave-one-out cross-validation of kernel fisher discriminant classifiers", Pattern Recognition 36.11 : 2585-2592, 2003. [DOI:10.1016/S0031-3203(03)00136-5]
34. [34] Weinmann, Martin, Boris Jutzi, and Clément Mallet, "Semantic 3D scene interpretation: a framework combining optimal neighborhood size selection with relevant features", ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences 2.3: 181, 2014. [DOI:10.5194/isprsannals-II-3-181-2014]
35. [35] Demantk'e, J., Mallet, C., David, N. and Vallet, B, "Dimensionality based scale selection in 3D lidar point clouds", The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXVIII, Part 5/W12, pp. 97-102, 2011. [DOI:10.5194/isprsarchives-XXXVIII-5-W12-97-2011]
36. [36] Keller, James M., Michael R. Gray, and James A. Givens, "A fuzzy k-nearest neighbor algorithm", IEEE transactions on systems, man, and cybernetics 4 : 580-585, 1985. [DOI:10.1109/TSMC.1985.6313426]
37. [37] Taubin G, "A signal processing approach to fair surface design", Proceedings of the 22nd annual conference on Computer graphics and interactive techniques, New York, USA, pp. 351-358, 1995. [DOI:10.1145/218380.218473]
38. [38] Clarenz U, Rumpf M, Telea A, "Fairing of point based surfaces", Proceedings of Computer Graphics International, Crete, pp. 600-603. June, 2004.
39. [39]http://pointclouds.org/documentation/tutorials/statistical_outlier.php.
40. [40]http://graphics.stanford.edu/data/3dscanrep/.
41. [41] Akyay, T.O.L.G.A, "Wavelet-based outlier detection and denoising of airborne laser scanning data", Middle East Technical University, Master thesis, Ankara, Turkey, 2008.
42. [42] Khoshelham, K. and Altundag, D, "Wavelet de-noising of terrestrial laser scanner data for the characterization of rock surface roughness", Optical and Laser Remote Sensing. Retrieved from http://www. isprs. Org, 2010.
43. [43] Rusu, R.B., Marton, Z.C., Blodow, N., Dolha, M. and Beetz, M, "Towards 3D point cloud based object maps for household environments", Robotics and Autonomous Systems, 56(11), pp.927-941, 2008. [DOI:10.1016/j.robot.2008.08.005]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

kamalou S, valadan zoej M J, hosseini naveh A, youssefi F. A novel approach to de-noising 3D point clouds using mean-shift based clustering algorithm. jgit. 2022; 9 (4) :1-18
URL: http://jgit.kntu.ac.ir/article-1-609-fa.html

کمالو سحر، ولدان زوج محمدجواد، حسینی نوه علی، یوسفی فهیمه. ارائه روشی نوین به منظور حذف نویز از ابر نقطه سه‌بعدی، به کمک خوشه بندی به روش انتقال میانگین. مهندسی فناوری اطلاعات مکانی. 1400; 9 (4) :18-1

URL: http://jgit.kntu.ac.ir/article-1-609-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 9، شماره 4 - ( 12-1400 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.04 seconds with 28 queries by YEKTAWEB 4463