《表2 所提算法、统计滤波联合半径滤波和Cloud compare的去噪精度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《激光扫描数据的密集噪声剔除方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。