發(fā)布時間：2023-03-28 20:33

　　三維點云數據處理技術在光探測和測距(Li DAR)、深度學習、計算機視覺、體感游戲、無人駕駛、逆向工程等領域有著非常重要的研究意義。在獲取三維點云數據的過程中不可避免的會存在噪聲,這些噪聲對后續(xù)處理有著一定程度的負面影響,所以研究點云數據的降噪技術對于三維點云的處理來說非常重要。傳統(tǒng)的點云數據處理技術是基于PC平臺,因其體積大、功耗高等缺點,所以不適用于工程應用。多核DSP具備體積小、功耗低、處理速度快等特點,使其更適合于工程應用中。所以研究基于多核DSP的點云數據降噪工作對點云數據處理的小型化、集成化是有著非常重要及其深遠的意義。點云數據中噪聲情況復雜,本文根據點云中的噪聲分布特征將其分為兩類:第一類噪聲稱其為漂移噪聲點,其表現形式為明顯遠離點云主體且漂浮在點云主體附近的噪聲點;第二類噪聲稱其為混合噪聲點,其表現形式為與點云主體混合在一起的噪聲點。針對點云數據中噪聲的特點,本文做了以下研究:首先,針對漂移噪聲點,主要采用點云去噪算法將其進行去除。通過算法仿真實驗比較了本文提出的非迭代雙閾值算法與K-means聚類去噪算法、K-d樹改進的K-means聚類去噪算法以及局部密度去噪算法。...

【文章頁數】：76 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究目的及意義
    1.2 點云降噪技術國內外研究現狀
    1.3 本文主要研究內容及結構安排
第2章 點云數據降噪技術理論研究
    2.1 三維點云數據的噪聲分析
        2.1.1 三維點云數據噪聲來源
        2.1.2 噪聲的數學模型分析
    2.2 三維點云數據分布特征
    2.3 有序點云數據降噪
    2.4 本章小結
第3章 散亂點云降噪技術研究
    3.1 基于K-means聚類的點云去噪算法
    3.2 基于K-d樹改進的K-means聚類點云去噪算法
        3.2.1 點云曲率估計算法
        3.2.2 K-d樹改進的K-means點云去噪算法
    3.3 基于局部密度的點云去噪算法
    3.4 非迭代雙閾值點云去噪算法
        3.4.1 非迭代小閾值去噪算法
        3.4.2 非迭代大閾值去噪算法
    3.5 散亂點云去噪算法仿真實驗對比分析
    3.6 基于雙邊濾波的點云光順算法
    3.7 基于導向濾波的點云光順算法
    3.8 散亂點云光順算法仿真實驗對比分析
    3.9 本章小結
第4章 基于多核DSP的點云數據降噪技術研究
    4.1 TMS320C6678處理器
    4.2 SYS/BIOS
        4.2.1 SYS/BIOS簡介
        4.2.2 SYS/BIOS應用程序的基本工具
        4.2.3 SYS/BIOS應用程序的編譯流程
        4.2.4 SYS/BIOS應用程序的加載順序
    4.3 多核并行處理設計
        4.3.1 多核處理模式簡介
        4.3.2 核間通信模塊
    4.4 Cache緩存一致性
    4.5 基于多核DSP的點云去噪算法實現
        4.5.1 基于多核DSP的非迭代小閾值去噪算法設計
        4.5.2 基于多核DSP的非迭代大閾值去噪算法設計
    4.6 基于多核DSP的點云光順算法實現
        4.6.1 并行點云導向濾波光順算法設計
        4.6.2 基于多核DSP的點云導向濾波算法設計
    4.7 多核DSP點云降噪實驗
    4.8 本章小結
第5章 總結與展望
    5.1 論文總結
    5.2 研究展望
參考文獻
攻讀碩士學位期間取得的成果
致謝



本文編號：3773234