本发明属于三维点云数据处理，具体涉及一种针对非结构巷道点云的去噪方法。
背景技术：
1、在地下矿山环境下，三维激光扫描技术在多个领域得到了广泛应用，包括岩石分类、岩体结构面的建图识别、岩体特征的量化分析、变形监测、巷道成形测量、巷道支护评估、采场贫化分析以及爆破造成的地下空间分析；三维激光扫描技术在应用于地下矿山巷道时，面临着若干挑战，包括安全问题(特别是煤矿)、以及不均匀地形、低光照条件和大量粉尘引起的复杂环境问题；此外，在巷道建设过程中，存在的风水管道、行人和车辆等因素，也使得收集的三维点云数据受到多种干扰，不仅增加了数据处理的难度和计算负荷，还降低了数据的品质和可信度，从而限制了三维激光扫描技术的广泛应用。
2、点云数据中去除噪声为三维激光扫描技术处理的关键环节；研究学者针对不同的研究对象进行了广泛探索，并发展出了各种“去噪”方法，主要分为两大类：一类是基于优化概念的传统滤波算法，另一类是基于深度学习的去噪算法；在传统滤波算法方面，通常利用局部拟合函数或目标优化函数来消除点云中的噪声和异常值；均值滤波、中值滤波和统计滤波等方法直接应用于点云的坐标空间，以移除异常点和噪声；移动最小二乘(mls)方法以及lop、wlop等运算符也采用相似的原理实现去噪；有些方法还结合了稀疏化和低秩概念，将去噪过程转化为重建过程；尽管传统滤波方法在点云去噪方面已有所成就，但在处理复杂点云和满足高精度要求的场景中，仍面临挑战；另一方面，近年来深度学习在点云去噪算法中显示出其潜力；深度学习方法使用端到端的神经网络架构，通过学习点云的特征表示来实现去噪；监督学习方法，比如pointpronets、pointcleannet和pointfilter，通过使用带有噪声的点云和真实点云对进行训练；而无监督学习方法，如total denoising，不依赖真实点云数据进行训练，适合于现实世界中真实点云难以获得的情况；深度学习方法在精度和通用性方面相较于传统方法有显著优势，但算法复杂度和对数据的依赖也更大。
3、在处理巷道、隧道和管廊点云去噪的过程中，研究者们也遇到了特别的挑战需要使用特定的处理方法解决。传统的滤波技术，包括双边滤波、平均曲率流滤以及均值漂移算法，在狭窄且封闭的隧道空间中去噪效果有限，并且可能损害原始数据的精度；此外，手动的交互式去噪方法也难以深入点云内部有效去除噪声；xu等利用隧道的对称和圆形特点，采用圆函数逼近截面点云，有效移除干扰点同时保留隧道的关键细节，但是此方法不适用于矩形或拱形隧道；zhu等开发了一种迭代滤波模型算法，但是在移除地面点云方面效果有限；程效军等通过双向投影确定隧道的中轴线，根据点云到中轴线的距离来剔除噪声；琚俏俏等同样基于中轴线去噪，沿着轴线提取隧道点云切片，并对这些切片进行椭圆拟合来识别噪声点；托雷等在截取隧道断面后，使用基于圆形模型的ransac算法来去除噪声；徐光华等结合了基于隧道设计半径的粗略去噪和多项式拟合的精细去噪方法；李嘉等通过分析扫描仪中心点到邻近点的深度值异常来识别并移除离群点，使用深度值的期望进行修复；余鹏磊等基于ransac算法在隧道壁上选择种子点，然后应用区域生长方法从点云数据中提取隧道内表面点，以实现噪声的剔除；zhu等设计了一种专门针对隧道点云的去噪方法，使用椭圆柱模型拟合来过滤掉非隧道点；综合现有研究，巷道点云去噪领域的文献相对较少，而且，巷道属于狭长密闭空间，内部常有管壁附属物、粉尘和人为噪声；地下巷道的点云密度差异大，结构复杂，也使得通用去噪方法难以达到理想效果。
4、综上所述，现有的点云去噪方法大多存在去噪效果不理想、数据精度不高、鲁棒性不够的问题。
技术实现思路
1、本发明的目的在于提供一种去噪效果提升、数据精度提高、鲁棒性增强的针对非结构巷道点云的去噪方法。
2、本发明提供的这种针对非结构巷道点云的去噪方法，包括如下步骤：
3、s1.获取巷道点云数据，并针对获取的点云数据进行异常分析处理；
4、s2.采用步骤s1分析处理后的点云数据，建立点云数据的拓扑关系；
5、s3.针对步骤s1分析处理后的点云数据，进行种子节点的选取；
6、s4.设定生长准则和空间阈值范围，并针对步骤s3选取的种子节点进行生长处理，获取生长处理结果；
7、s5.根据步骤s2建立的点云数据的拓扑关系和步骤s4获取的生长处理结果，完成巷道点云区域分割；
8、s6.根据步骤s5完成的巷道点云区域分割，去除巷道点云噪声；
9、步骤s1所述的获取巷道点云数据，并针对获取的点云数据进行异常分析处理，具体包括：
10、利用三维激光扫描技术收集井下巷道场景的三维点云数据；
11、针对三维点云数据进行异常分析处理；分析三维点云数据中的异常点，包括由井下非结构场景和传感器误差引起的异常点，以及由行人、移动设备和风水管网产生的噪声特性；
12、步骤s2所述的采用步骤s1分析处理后的点云数据，建立点云数据的拓扑关系，具体包括：
13、(2-1)确定a维空间中的中位数节点，并记作节点a；
14、将节点a作为树的根节点；选择节点a作为参考，根据特定维度的数值划分点云数据为两部分，包括：维度值低于节点a的点云数据划分为左子树部分；维度值高于节点a的点云数据划分为右子树部分；
15、所有维度值小于节点a的点云数据组成左子树；所有维度值大于节点a的点云数据组成右子树；
16、(2-2)针对步骤(2-1)中划分得到的左子树和右子树计算对应维度中的中位数节点；将左子树在对应维度中的中位数节点记为节点b，通过节点b表示左子树在对应维度中的中位数；将右子树在对应维度中的中位数节点记为节点c，通过节点c表示右子树在对应维度中的中位数；
17、根据节点b和节点c的数值，基于对应的维度，将每个子树重新划分为子空间；
18、(2-3)在子空间中重复上述步骤(2-2)，计算所有子树在各个维度上的中位数节点，并按照计算得到的中位数，沿着对应的维度进行划分，直至每个子树仅包含单一节点；
19、步骤s3所述的针对步骤s1分析处理后的点云数据，进行种子节点的选取，具体包括：
20、针对点云数据中的各点进行曲率估计，并按照从小到大的顺序对各点的曲率值进行排序处理；
21、采用下述公式计算第i个点pi的平均曲率kn(pi)：
22、
23、其中，amin表示最小的直径；αij表示pi边的对角；βij表示pj边的对角；pj表示对角点；n表示区域a的点个数；j表示区域a的点索引；n(i)表示i点区域a的集合；
24、基于计算结果，选择曲率最小的点作为种子节点；
25、步骤s4所述的设定生长准则和空间阈值范围，并针对步骤s3选取的种子节点进行生长处理，获取生长处理结果，具体包括：
26、设定生长准则，选择从点云区域中曲率最小的点开始生长；
27、设定空间阈值范围，用于判断邻近点与种子面之间的生长半径和垂直距离是否处于设定范围内；
28、空间阈值范围包括曲率阈值和角度阈值；
29、判断邻近点的角度的大小：如果邻近点的角度小于阈值，则添加到当前区域；如果邻近点的角度大于等于阈值，则不能添加到当前区域；
30、同时，计算拟合曲面的法向量，并与种子面的法向量进行比较，判断拟合曲面的法向量与种子面的法向量的夹角大小；如果夹角在阈值范围内，则将对应的点添加到当前区域；如果夹角不在阈值范围内，则不能将对应的点添加到当前的区域；
31、如果邻近点的曲率小于设定的临界值，则加入到种子点集中，参与区域生长处理；如果邻近点的曲率大于等于设定的临界值，则不能加入到种子点集中；
32、步骤s5所述的根据步骤s2建立的点云数据的拓扑关系和步骤s4获取的生长处理结果，完成巷道点云区域分割，具体包括：
33、根据步骤s2建立的点云数据的拓扑关系和步骤s4获取的生长处理结果，设定曲率阈值；设定曲率阈值为1.0时，能够避免过度分割，并获取合理的分割结果；
34、本发明提供的这种针对非结构巷道点云的去噪方法，通过三维激光扫描技术获得井下巷道场景的3d点云信息，并分析由于井下非结构场景和传感器误差造成的异常点，以及行人、移动设备和风水管网形成的噪声特点；建立点云数据的拓扑关系，选取种子节点和生长准则，设定曲率和角度阈值，实现巷道点云的分割和噪声去除；本发明方法为井下巷道点云去噪的实际应用提供指导；本发明方法的去噪效果提升、数据精度提高、鲁棒性增强。
1.一种针对非结构巷道点云的去噪方法，包括如下步骤：
2.根据权利要求1所述的一种针对非结构巷道点云的去噪方法，其特征在于步骤s1所述的获取巷道点云数据，并针对获取的点云数据进行异常分析处理，具体包括：
3.根据权利要求2所述的一种针对非结构巷道点云的去噪方法，其特征在于步骤s2所述的采用步骤s1分析处理后的点云数据，建立点云数据的拓扑关系，具体包括：
4.根据权利要求3所述的一种针对非结构巷道点云的去噪方法，其特征在于步骤s3所述的针对步骤s1分析处理后的点云数据，进行种子节点的选取，具体包括：
5.根据权利要求4所述的一种针对非结构巷道点云的去噪方法，其特征在于步骤s4所述的设定生长准则和空间阈值范围，并针对步骤s3选取的种子节点进行生长处理，获取生长处理结果，具体包括：
6.根据权利要求5所述的一种针对非结构巷道点云的去噪方法，其特征在于步骤s5所述的根据步骤s2建立的点云数据的拓扑关系和步骤s4获取的生长处理结果，完成巷道点云区域分割，具体包括：
