《表2 所提算法、统计滤波联合半径滤波和Cloud compare的去噪精度》
为了量化去噪精度,根据文献[24]的滤波误差评价方法,将点云N分为噪声Nn和非噪声Ns。对点云去噪后,剔除的噪声Na即包含真实的噪声Nb,也包含非噪声Nc;保留的点云Sa即包含真实的点云Sb,也包含噪声Sc。采用KN表示噪声识别精度,即KN=Nb/Nn×100%;KR表示将非噪声识别精度,即KR=Sb/Ns×100%;K表示去噪精度,即K=(Nb+Sb)/N×100%。由于点云体量大,很难统计点云中的全部噪声数据。采用随机抽样的方法,在存在特征噪声的水平方向上随机选择4个方向,分别计算4组点云的KN、KR、K,将其均值视为整体点云的KN、KR、K。所提算法、统计滤波联合半径滤波和Cloud compare去噪精度如表2所示,运行效率和去噪后点数与原始点数占比如表3所示。对于2组点云,所提算法和统计滤波联合半径滤波的运行效率远大于Cloud compare,但所提算法的噪声识别精度分别为92.7%和92.9%,非噪点识别精度分别为96.8%和97.4%,去噪精度分别为94.9%和96.2%,明显高于滤波联合半径滤波Cloud compare。
图表编号 | XD0034845400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.03.25 |
作者 | 陈世超、戴华阳、王成、习晓环、管力 |
绘制单位 | 中国矿业大学(北京)地球科学与测绘工程学院、中国矿业大学(北京)地球科学与测绘工程学院、中国科学院遥感与数字地球研究所数字地球重点实验室、中国科学院遥感与数字地球研究所数字地球重点实验室、中国矿业大学(北京)地球科学与测绘工程学院 |
更多格式 | 高清、无水印(增值服务) |