CN118537256A - 一种基于局部dct的点云去噪方法 - Google Patents
一种基于局部dct的点云去噪方法 Download PDFInfo
- Publication number
- CN118537256A CN118537256A CN202411002377.0A CN202411002377A CN118537256A CN 118537256 A CN118537256 A CN 118537256A CN 202411002377 A CN202411002377 A CN 202411002377A CN 118537256 A CN118537256 A CN 118537256A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- points
- dimensional
- core
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20052—Discrete cosine transform [DCT]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及点云去噪技术领域,解决了传统点云去噪方法存在信息损失以及效率低、处理效果不佳的技术问题,尤其涉及一种基于局部DCT的点云去噪方法,包括以下步骤:点云数据分块获得若干高度范围为Z的点云高度块;基于核点的点云存在性变换,获得在点云高度块内大小为的二维核点;离散余弦变换、截断或者滤波、逆离散余弦变换获得点云高度块的核点存在性信息;还原点云数据得到去噪的原始点云坐标。本发明利用局部离散余弦变换的方法,在保留点云数据的细节信息的同时,有效地去除了噪声,提高了点云数据的质量和准确性。
Description
技术领域
本发明涉及点云去噪技术领域,尤其涉及一种基于局部DCT的点云去噪方法。
背景技术
物体表面的三维点云数据具有规则性,而噪声点总是无规则地分布在表面点云附近,从点云分布频率角度看,表面点云呈现低频率的分布状态,而噪声点呈现高频率的分布状态,因此可以通过频率域的滤波算法将低频率的点和高频率的点分开,然后去除或者过滤高频率的点,即可达到点云去噪的效果。
但是由于三维点云数据的多样性,传统方法在点云数据去噪过程中无法适用于不同类型和尺度的点云数据,并且在去噪过程中可能导致信息损失,特别是对于包含复杂几何结构的点云数据,因此存在效率低、处理效果不佳的问题。
发明内容
针对现有技术的不足,本发明提供了一种基于局部DCT的点云去噪方法,解决了传统点云去噪方法存在信息损失以及效率低、处理效果不佳的技术问题。
为解决上述技术问题,本发明提供了如下技术方案:一种基于局部DCT的点云去噪方法,该方法包括以下步骤:
S1、对原始点云数据中所有的点进行下采样构建局部坐标系,并基于局部坐标系为每个下采样点选取若干高度范围为的点云高度块;
S2、在点云高度块空间中采样均匀分布的二维核点,并计算影响同一二维核点坐标信息分布的重要性程度;
S3、根据重要性程度进行基于核点的点云存在性变换获得在点云高度块内大小为的二维核点;
S4、基于离散余弦变换算法DCT对二维核点进行处理获得点云高度块的核点存在性信息;
S5、根据核点存在性信息将二维核点还原成离散的原始点云坐标。
进一步地,在步骤S1中,具体过程包括以下步骤:
S11、对原始点云数据中所有的点进行下采样,,得到由若干下采样点构成的下采样点集,,并基于PCA方法计算出每个下采样点的法向量;
S12、对每个下采样点建立局部坐标系,其中轴对应该下采样点的法向量,轴和轴均为垂直于轴平面随机选取的互相垂直的单位向量;
S13、根据设定的最小阈值和最大阈值,为每个下采样点所在的局部坐标系选取高度范围为的点云高度块。
进一步地,在步骤S2中,具体过程包括以下步骤:
S21、将每个点云高度块内的下采样点映射到二维平面生成若干空间点,得到由若干空间点组成的二维平面空间点云集合,并在二维平面空间点云集合中以大小采样均匀分布的二维核点;
S22、计算空间点到包围该点的四个二维核点的相关程度,并根据相关程度将空间点的存在性不同程度地分布到四个二维核点当中;
S23、对二维平面空间点云集合内的每个空间点进行计算,并将所有影响同一二维核点的相关程度相加得到所有核点的重要性程度。
进一步地,在步骤S22中,相关程度的计算公式为:
;
上式中,表示点到核点的距离;表示点到所有核点的平均距离。
进一步地,在步骤S23中,重要性程度的计算公式为:
;
上式中,表示第个二维核点;表示二维核点存在程度的重要性程度;表示影响二维核点的第个点;表示原始点云数据。
进一步地,在步骤S4中,具体过程包括以下步骤:
S41、采用离散余弦变换算法DCT对二维核点的存在性进行频率域转换;
S42、将频率域转换得到的左上角高频信号置0,同时保留右下角的低频信号;
S43、采用逆离散余弦变换算法DCT将频率域的频域信号重新还原为原始的空间域信号,得到经过去噪后的点云高度块的核点存在性信息。
进一步地,在步骤S5中,具体过程包括以下步骤:
S51、选取任一二维核点作为目标点,并确定目标点周围四个相邻的二维核点和;
S52、计算目标点相对于四个相邻的二维核点和的权重,即为去噪后的存在性强度和;
S53、对存在性强度和进行加权平均,得到目标点去噪后的高度值,并通过二维线性插值计算或矩阵运算得到目标点去噪后的坐标数据。
进一步地,在步骤S53中,二维线性插值计算坐标数据为:
;
用矩阵运算表示坐标数据为:
;
上式中,、分别表示目标点在二维核点和组成的格子中的相对坐标。
借由上述技术方案,本发明提供了一种基于局部DCT的点云去噪方法,至少具备以下有益效果:
1、本发明所提出的去噪方法具有较好的适应性和稳定性,能够适用于不同类型和尺度的点云数据,具有较强的通用性和普适性。并且能够有效保留了点云数据的细节信息,使得处理后的数据更加真实和可靠,有助于后续的数据分析、模型构建和应用开发等领域的应用。
2、本发明利用局部离散余弦变换的方法,在保留点云数据的细节信息的同时,有效地去除了噪声,提高了点云数据的质量和准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明点云去噪方法的总体架构流程图;
图2为本发明点存在性原理转换图;
图3为本发明离散余弦变换算法DCT转换的原理图;
图4为本发明离散余弦变换算法DCT滤波去噪的示意图;
图5为本发明基于核点存在性信息还原为原始点云坐标的原理图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
请参照图1-图5,本实施例提出一种基于局部DCT的点云去噪算法,通过将局部点云离散的信号从空间域转换成频率域,并通过对频率域的数据进行滤波操作,保留低频率的数据,去除高频率的数据,再将经过滤波的频率域数据转换成空间域的数据,从而实现三维点云的去噪处理。该方法包括以下步骤:
S1、对原始点云数据中所有的点进行下采样构建局部坐标系,并基于局部坐标系为每个下采样点选取若干高度范围为的点云高度块;在本实施例中,若采用传统分块方法可以直接对原始点云数据进行体素化,通过设置体素块的大小可以控制分块数量的多少。该方式的优点是处理简单,但是可能导致信息损失,特别是对于包含复杂几何结构的点云,因此,在选择体素块大小时需要在计算效率和保留局部信息之间进行权衡。为了解决传统分块方法所存在信息损失的问题,本实施例通过局部的高度进行分块,如图2所示,具体过程包括以下步骤:
S11、对原始点云数据中所有的点进行下采样,,得到由若干下采样点构成的下采样点集,,并基于PCA方法计算出每个下采样点的法向量;
S12、对每个下采样点建立局部坐标系,其中轴对应该下采样点的法向量,轴和轴均为垂直于轴平面随机选取的互相垂直的单位向量;
S13、根据设定的最小阈值和最大阈值,为每个下采样点所在的局部坐标系选取高度范围为的点云高度块。其中,最小阈值和最大阈值一般选取下采样点所建立的局部坐标系中坐标的最小值和最大值。
本实施例通过在局部坐标系对局部表面高度进行采样来定义点云高度块,该分块方式预先对相似点云进行了处理,使得后续计算方便。
S2、在点云高度块空间中采样均匀分布的二维核点,并计算影响同一二维核点坐标信息分布的重要性程度;具体过程包括以下步骤:
S21、将每个点云高度块内的下采样点映射到二维平面生成若干空间点,得到由若干空间点组成的二维平面空间点云集合,并在二维平面空间点云集合中以大小采样均匀分布的二维核点,;其中,采样大小没有固定值,一般根据点云密度来选取,因此在此处不做任何限定,可根据点云密度的实际情况来设定合适的大小,也可以采用均分的方式定义采样大小。在本实施例中以二维点云数据为例,在对其进行点云高度块分块后,如图3所示,存在二维平面上离散分布的空间点,,在点云高度块对应的二维平面空间点云集合中采样均匀分布的二维核点。
S22、计算空间点到包围该点的四个二维核点的相关程度,并根据相关程度将空间点的存在性不同程度地分布到四个二维核点当中;由于每个空间点都会被这些二维核点所形成的某个网格所包围,假设点被核点和包围(这里分别对应左上角,右上角,左下角和右下角),通过计算点到每个二维核点的相关程度,可以将点的存在性不同程度地分布到这些二维核点当中,即为将计算所得的相关程度加到二维核点中。其中相关程度可以用如下公式表示:
;
上式中,表示点到核点的距离;表示点到所有核点的平均距离。
S23、对二维平面空间点云集合内的每个空间点进行计算,并将所有影响同一二维核点的相关程度相加得到所有核点的重要性程度;通过对点云高度块空间内每个点进行计算,并将影响同一二维核点的所有相关程度相加,可以将所有点的坐标信息分布到这些核点中,重要性程度的计算如下公式表示:
;
上式中,表示第个二维核点;表示二维核点存在程度的重要性程度;表示影响二维核点的第个点;表示原始点云数据。
S3、根据重要性程度进行基于核点的点云存在性变换获得在点云高度块内大小为的二维核点,其中,的大小根据点云密度来决定,一般划分出的点云高度块中的所有点的个数建议100个左右。
S4、基于离散余弦变换算法DCT对二维核点进行处理获得点云高度块的核点存在性信息;其中离散余弦变换(Discrete Cosine Transform, DCT)是一种基于正交变换性质的信号转换算法,可以将空间域转换为频率域,该算法广泛应用于图像、视频和音频数据的压缩算法中,并且压缩速度快、效率高。具体过程包括以下步骤:
S41、采用离散余弦变换算法DCT对二维核点的存在性进行频率域转换;经过基于核点的点云存在性变换,可以获得在分块内大小的二维核点,这里表示点云高度块内二维核点的尺寸,如果是三维点云数据,则为大小的三维核点,接下来就可以用离散余弦变换算法DCT对二维核点的存在性进行频率域转换。由于离散余弦变换算法DCT变换高度的对称性,可以使用更简单的矩阵处理方式,即:
;
上式中,为应用于变换的每个基函数;为对应每个基函数的权重;表示频域信号,即经过DCT变换后的输出信号的值;表示变换后的DCT系数矩阵,即基函数;表示时域信号,即输入信号的值,这里指的是计算得到的重要性程度;表示归一化系数,这些系数用来调整不同频率分量的权重;分别表示矩阵中的行索引和列索引;表示点云高度块内二维核点的尺寸。对于以上的变换,可以用图3表示,对于 8×8 矩阵,该图可表示为 64 个基函数。
S42、将频率域转换得到的左上角高频信号置0,同时保留右下角的低频信号;以便去除噪声信号的影响,具体阈值可以根据噪声大小选择;从图4中可以看出,对于基函数,水平频率从左到右递增,垂直频率从上到下递增。因此经过变换后的信号低频区集中在的左上角,信号高频区集中在的右下角。
对于点云数据,低频数据信号表示的是表面上具有规则分布的点,而高频数据信号则表示分布无规则的噪声点。如图4所示,可以直接将高频信号置0,从而去除噪声信号的影响,这里选择只保留左上角部分信号,去除余下高频信号,具体可以根据噪声大小选择。
值得注意的是,基于离散余弦的算法是有损失的算法,去除高频率的数据会在一定程度上影响原始点云数据的坐标,但通常对低频率的点云影响不大,因此本实施例选择忽略该影响。
S43、采用逆离散余弦变换算法DCT将频率域的频域信号重新还原为原始的空间域信号,得到经过去噪后的点云高度块的核点存在性信息,得到经过去噪后的点云高度块的核点存在性信息;为了将滤波后的数据重新变回点云数据,需要将频率域信号重新转换回空间域信号。逆离散余弦变换算法DCT是离散余弦变换算法DCT的逆操作,用于将DCT变换后的频域信号重新还原为原始的空间域信号。根据DCT变化的可逆性,可以通过DCT逆变换恢复出原始分块的核点存在性信息,公式如下:
;
上式中,表示频域信号,即经过DCT变换后的输出信号的值;表示表示变换后的DCT系数矩阵;为矩阵的转置矩阵。
S5、根据核点存在性信息将二维核点还原成离散的原始点云坐标,以此得到去噪且保留点细节信息的点云数据;具体过程包括以下步骤:
S51、选取任一二维核点作为目标点,并确定目标点周围四个相邻的二维核点和;
S52、计算目标点相对于四个相邻的二维核点和的权重,即为去噪后的存在性强度和;其中,
;
其中,为二维核点的重要性程度;
S53、对存在性强度和进行加权平均,得到目标点去噪后的高度值,并通过二维线性插值计算或矩阵运算得到目标点去噪后的坐标数据;二维线性插值是一种常用的插值方法,用于在二维空间中对离散数据进行平滑的估计,这里同样可以使用核点的二维线性插值还原原始点云坐标。
如图5所示,假设已知四个相邻的二维核点分别为和,且对应的核点存在性强度分别为和,则在四个二维核点块内存在的点坐标可以通过二维线性插值计算得到。二维线性插值通过在两个方向上分别进行一次线性插值,最终得到所需点的值,如下式所示:;
或者用矩阵运算表示为:
;
上式中,、分别表示目标点在二维核点和组成的格子中的相对坐标。
本发明所提出的去噪方法具有较好的适应性和稳定性,能够适用于不同类型和尺度的点云数据,具有较强的通用性和普适性。并且能够有效保留了点云数据的细节信息,使得处理后的数据更加真实和可靠,有助于后续的数据分析、模型构建和应用开发等领域的应用。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上实施方式对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于局部DCT的点云去噪方法,其特征在于,该方法包括以下步骤:
S1、对原始点云数据中所有的点进行下采样构建局部坐标系,并基于局部坐标系为每个下采样点选取若干高度范围为的点云高度块;
S2、在点云高度块空间中采样均匀分布的二维核点,并计算影响同一二维核点坐标信息分布的重要性程度;
S3、根据重要性程度进行基于核点的点云存在性变换获得在点云高度块内大小为的二维核点;
S4、基于离散余弦变换算法DCT对二维核点进行处理获得点云高度块的核点存在性信息;
S5、根据核点存在性信息将二维核点还原成离散的原始点云坐标。
2.根据权利要求1所述的点云去噪方法,其特征在于,在步骤S1中,具体过程包括以下步骤:
S11、对原始点云数据中所有的点进行下采样,,得到由若干下采样点构成的下采样点集,,并基于PCA方法计算出每个下采样点的法向量;
S12、对每个下采样点建立局部坐标系,其中轴对应该下采样点的法向量,轴和轴均为垂直于轴平面随机选取的互相垂直的单位向量;
S13、根据设定的最小阈值和最大阈值,为每个下采样点所在的局部坐标系选取高度范围为的点云高度块。
3.根据权利要求1所述的点云去噪方法,其特征在于,在步骤S2中,具体过程包括以下步骤:
S21、将每个点云高度块内的下采样点映射到二维平面生成若干空间点,得到由若干空间点组成的二维平面空间点云集合,并在二维平面空间点云集合中以大小采样均匀分布的二维核点;
S22、计算空间点到包围该点的四个二维核点的相关程度,并根据相关程度将空间点的存在性不同程度地分布到四个二维核点当中;
S23、对二维平面空间点云集合内的每个空间点进行计算,并将所有影响同一二维核点的相关程度相加得到所有核点的重要性程度。
4.根据权利要求3所述的点云去噪方法,其特征在于,在步骤S22中,相关程度的计算公式为:
;
上式中,表示点到核点的距离;表示点到所有核点的平均距离。
5.根据权利要求3所述的点云去噪方法,其特征在于,在步骤S23中,重要性程度的计算公式为:
;
上式中,表示第个二维核点;表示二维核点存在程度的重要性程度;表示影响二维核点的第个点;表示原始点云数据。
6.根据权利要求1所述的点云去噪方法,其特征在于,在步骤S4中,具体过程包括以下步骤:
S41、采用离散余弦变换算法DCT对二维核点的存在性进行频率域转换;
S42、将频率域转换得到的左上角高频信号置0,同时保留右下角的低频信号;
S43、采用逆离散余弦变换算法DCT将频率域的频域信号重新还原为原始的空间域信号,得到经过去噪后的点云高度块的核点存在性信息。
7.根据权利要求1所述的点云去噪方法,其特征在于,在步骤S5中,具体过程包括以下步骤:
S51、选取任一二维核点作为目标点,并确定目标点周围四个相邻的二维核点和;
S52、计算目标点相对于四个相邻的二维核点和的权重,即为去噪后的存在性强度和;
S53、对存在性强度和进行加权平均,得到目标点去噪后的高度值,并通过二维线性插值计算或矩阵运算得到目标点去噪后的坐标数据。
8.根据权利要求7所述的点云去噪方法,其特征在于,在步骤S53中,二维线性插值计算坐标数据为:
;
用矩阵运算表示坐标数据为:
;
上式中,、分别表示目标点在二维核点和组成的格子中的相对坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202411002377.0A CN118537256B (zh) | 2024-07-25 | 2024-07-25 | 一种基于局部dct的点云去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202411002377.0A CN118537256B (zh) | 2024-07-25 | 2024-07-25 | 一种基于局部dct的点云去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118537256A true CN118537256A (zh) | 2024-08-23 |
CN118537256B CN118537256B (zh) | 2024-09-27 |
Family
ID=92388804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202411002377.0A Active CN118537256B (zh) | 2024-07-25 | 2024-07-25 | 一种基于局部dct的点云去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118537256B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN119338730A (zh) * | 2024-12-20 | 2025-01-21 | 浙江师范大学 | 一种基于低秩恢复与深度扩散融合的低光图像增强方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073999A (zh) * | 2011-01-20 | 2011-05-25 | 西安电子科技大学 | 基于双冗余字典学习的自然图像去噪方法 |
CN106056551A (zh) * | 2016-05-27 | 2016-10-26 | 西华大学 | 基于局部相似样例学习的稀疏去噪方法 |
CN114627027A (zh) * | 2022-03-25 | 2022-06-14 | 浙江省交通运输科学研究院 | 山岭隧道移动激光扫描点云的半自动机器学习去噪方法 |
CN116012393A (zh) * | 2022-12-29 | 2023-04-25 | 湖北普罗格科技股份有限公司 | 一种纸箱点云分割方法、装置以及处理设备 |
CN116188271A (zh) * | 2023-03-14 | 2023-05-30 | 桂林电子科技大学 | 基于dct特征增强网络的图像压缩感知重建方法 |
CN116385996A (zh) * | 2023-06-05 | 2023-07-04 | 北京科技大学 | 一种基于三维矩阵相机的多任务处理方法和装置 |
CN117711430A (zh) * | 2023-11-16 | 2024-03-15 | 哈尔滨工业大学 | 一种基于音频信号和视觉Transformer的电机转子故障诊断方法 |
-
2024
- 2024-07-25 CN CN202411002377.0A patent/CN118537256B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073999A (zh) * | 2011-01-20 | 2011-05-25 | 西安电子科技大学 | 基于双冗余字典学习的自然图像去噪方法 |
CN106056551A (zh) * | 2016-05-27 | 2016-10-26 | 西华大学 | 基于局部相似样例学习的稀疏去噪方法 |
CN114627027A (zh) * | 2022-03-25 | 2022-06-14 | 浙江省交通运输科学研究院 | 山岭隧道移动激光扫描点云的半自动机器学习去噪方法 |
CN116012393A (zh) * | 2022-12-29 | 2023-04-25 | 湖北普罗格科技股份有限公司 | 一种纸箱点云分割方法、装置以及处理设备 |
CN116188271A (zh) * | 2023-03-14 | 2023-05-30 | 桂林电子科技大学 | 基于dct特征增强网络的图像压缩感知重建方法 |
CN116385996A (zh) * | 2023-06-05 | 2023-07-04 | 北京科技大学 | 一种基于三维矩阵相机的多任务处理方法和装置 |
CN117711430A (zh) * | 2023-11-16 | 2024-03-15 | 哈尔滨工业大学 | 一种基于音频信号和视觉Transformer的电机转子故障诊断方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN119338730A (zh) * | 2024-12-20 | 2025-01-21 | 浙江师范大学 | 一种基于低秩恢复与深度扩散融合的低光图像增强方法 |
CN119338730B (zh) * | 2024-12-20 | 2025-05-30 | 浙江师范大学 | 一种基于低秩恢复与深度扩散融合的低光图像增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118537256B (zh) | 2024-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113674403B (zh) | 一种三维点云上采样方法、系统、设备及介质 | |
CN118537256B (zh) | 一种基于局部dct的点云去噪方法 | |
CN108665491B (zh) | 一种基于局部参考点的快速点云配准方法 | |
KR100714652B1 (ko) | 단위 화상 영역 조절 방법, 중요도 정보 보존 시스템 및 컴퓨터 판독 가능 기록 매체 | |
CN113917540B (zh) | 基于稀疏约束的抗假频射线束进行地震数据去噪的方法 | |
CN110781937B (zh) | 一种基于全局视角的点云特征提取方法 | |
CN102436671B (zh) | 一种基于深度值非线性变换的虚拟视点绘制方法 | |
CN113204051B (zh) | 一种基于变分模态分解的低秩张量地震数据去噪方法 | |
CN113592711B (zh) | 点云数据不均匀的三维重建方法、系统、设备及存储介质 | |
CN103700135B (zh) | 一种三维模型局部球面调和特征提取方法 | |
CN112927169B (zh) | 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法 | |
CN117132478B (zh) | 一种基于法向量二范数特征参数的轨道点云去噪方法 | |
CN111402422A (zh) | 三维表面重建方法、装置和电子设备 | |
CN114339230B (zh) | 用于视频编码的变换核选择方法、装置、存储介质及终端 | |
WO2020113419A9 (zh) | 一种图像处理方法和装置 | |
CN117974817B (zh) | 基于图像编码的三维模型纹理数据高效压缩方法及系统 | |
CN113793280A (zh) | 局部噪声方差估计与bm3d块匹配相结合的真实图像降噪方法 | |
CN111581852B (zh) | 一种联合时间顶点节点变图滤波器的优化设计方法 | |
CN104821015A (zh) | 实物表面样点α-shape曲面拓扑重建方法 | |
CN116993955B (zh) | 三维模型的重拓扑方法、装置、设备及存储介质 | |
WO2020063131A1 (zh) | 拟微分算子储存方法及装置 | |
CN115346019B (zh) | 一种点云圆孔几何参数测量方法、装置及系统 | |
CN102510486B (zh) | 一种几何图像的处理方法及其装置 | |
CN112862718A (zh) | 一种基于功率谱密度约束的模式分解滤波方法 | |
CN102509268A (zh) | 基于免疫克隆选择的非下采样轮廓波域图像去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |