技术摘要：
本发明涉及一种基于模块化设计的三维点云离群点检测方法和装置，属于计算机图形学领域。包括：1)建立三维点云Sraw的搜索树；2)基于搜索树获取三维点云Sraw的邻近度集合；3)基于搜索树获取三维点云Sraw的可信区域集合；4)将步骤2)得到的邻近度集合与步骤3)得到的可信区  全部
背景技术：
在计算机三维重建领域，由于从激光扫描仪或基于立体视觉的三维重建算法中获 得的三维点云数据受光照、计算误差、设备误差等因素影响通常包含大量离群点，与噪声点 不同这些离群点不能够被用来获取真实的表面，且这些离群点将极大地影响后续点云处理 的精度，因此在进行后续点云数据处理之前需要首先对点云数据中的离群点进行检测并剔 除。离群值被定义为某些对象与其他对象有极大差异以至被怀疑它们是由不同的机制产生 的数据。 在计算机图形学领域，离群点检测方法按原理可分为基于分布、基于深度、基于聚 类、基于距离、基于密度和基于学习的六类方法。另外三维点云中存在不同类型的离群点， 根据离群点的特性可将其分为稠密-分离型、稀疏-分离型和非分离型三种。在离群点检测 研究的前期，大部分方法并没有对离群点进行分类只利用单一的特征进行离群点的检测， 例如Schall等人提出的一种基于核密度估计的方法和Kriegel等人提出的LoOP方法，这些 方法无法检测出某些类型的离群点如稠密-分离型离群点。近几年复合型的离群点检测方 法成为主要趋势，该种方法首先对离群点进行了分类，再依据不同类型的离群点特点采用 不同的方法进行处理，例如S.Sotoodeh提出了一种基于聚类的层次化离群点检测方法和 Wang等人提出的基于多数投票的离群点检测算法，然而这些方法算法复杂度较高，很难处 理百万级以上三维点云数据。除此之外，Rakotosaona等人在深度学习的基础上提出了一种 基于PCPNet的离群点检测方法，然而该种方法需要训练所用的标签数据，并且当所处理的 数据离群点特性与训练数据相差较大时效果并不理想。
技术实现要素：
本发明的目的是提供一种基于模块化设计的三维点云离群点检测方法和装置，能 够提高离群点检测结果的可靠性。 为了实现上述目的，第一方面，本发明基于模块化设计的三维点云离群点检测方 法包括以下步骤： 1)建立原始三维点云Sraw的搜索树； 2)基于搜索树获取原始三维点云Sraw的邻近度集合； 3)基于搜索树获取原始三维点云Sraw的可信区域集合； 4)将步骤2)得到的邻近度集合与步骤3)得到的可信区域集合的数据进行融合，得 到离群点集合。 第二方面，本发明基于模块化设计的三维点云离群点检测装置包括： 离群点检测模块，用于获取原始三维点云Sraw的邻近度集合； 4 CN 111582391 A 说　明　书 2/4 页 可信区域检测模块，用于获取原始三维点云Sraw的可信区域集合； 数据处理和融合模块，用于对邻近度集合和可信区域集合的数据进行预处理和融 合，并得到离群点集合。 与现有技术相比，本发明的有益之处在于： 本发明的基于模块化设计的三维点云离群点检测方法和装置采用模块化的思想， 利用两种特征提取模块(基于奇异值分解的特征提取模块、基于邻近度的特征提取模块)来 提取需要的信息，并建立统一的数据处理和融合模块来对提取的信息进行处理，提高了离 群点检测结果的可靠性。与现有的复合型离群点检测算法相比，本发明所示算法时间复杂 度低，能够处理百万级点云数据，具有重要的工程使用价值。 附图说明 图1为本发明实施例中关于稠密-分离型离群点、稀疏-分离型离群点和非分离型 离群点的示意图； 图2为本发明实施例中基于模块化设计的三维点云离群点检测方法的流程图； 图3为实施本发明实施例的方法与传统方法得到的效果对比图，其中(a)为原始三 维点云(2990368个点)，(b)为LoOP算法得到的效果图，(c)为本实施例的方法得到的效果 图； 图4为实施本发明实施例的方法与传统方法得到的效果对比图，其中(a)为原始三 维点云(3279989个点)，(b)为LoOP算法得到的效果图，(c)为本实施例的方法得到的效果 图； 图5为实施本发明实施例的方法与传统方法得到的效果对比图，其中(a)为原始三 维点云(2731197个点)，(b)为LoOP算法得到的效果图，(c)为本实施例的方法得到的效果 图。