建工行业建设标准网站,ai网页设计教程,wordpress ss主题,交换友链平台激光雷达#xff08;LiDAR#xff09;数据在实际应用中可能受到噪声和不完美的测量影响#xff0c;因此数据去噪和滤波方法变得至关重要#xff0c;以提高数据质量和准确性。以下是一些常用的激光雷达数据去噪与滤波方法。 原始数据如下#xff1a;
1. 移动平均滤波LiDAR数据在实际应用中可能受到噪声和不完美的测量影响因此数据去噪和滤波方法变得至关重要以提高数据质量和准确性。以下是一些常用的激光雷达数据去噪与滤波方法。 原始数据如下
1. 移动平均滤波Moving Average Filter
移动平均滤波是一种简单的滤波方法通过计算数据点周围一定范围内数据的平均值来平滑数据。这种方法适用于去除高频噪声但可能会导致边缘信息模糊。
代码
import laspy
import numpy as np
from scipy.signal import medfilt
from skimage.metrics import structural_similarity as ssim# 读取LAS文件
in_file_path F:/激光雷达/武汉地调中心/1500N点云.las
out_file_path_ma F:/激光雷达/武汉地调中心/output_moving_average.lasin_las laspy.file.File(in_file_path, moder)# 提取点云数据
x in_las.x
y in_las.y
z in_las.z# 应用移动平均滤波
window_size 5
filtered_z_ma np.convolve(z, np.ones(window_size)/window_size, modesame)# 创建新的LAS文件并保存滤波后数据
out_las_ma laspy.file.File(out_file_path_ma, modew, headerin_las.header)
out_las_ma.x x
out_las_ma.y y
out_las_ma.z filtered_z_ma
out_las_ma.close()
2. 中值滤波Median Filter
中值滤波是一种非线性滤波方法将数据点周围的值按大小排序然后取中间值作为滤波结果。中值滤波能够有效去除脉冲噪声和异常值但可能会降低数据的细节。
代码
import laspy
import numpy as np
from scipy.signal import medfilt
from skimage.metrics import structural_similarity as ssim# 读取LAS文件
in_file_path F:/激光雷达/武汉地调中心/1500N点云.las
out_file_path_med F:/激光雷达/武汉地调中心/output_median.lasin_las laspy.file.File(in_file_path, moder)# 提取点云数据
x in_las.x
y in_las.y
z in_las.z# 应用中值滤波
window_size_med 3
filtered_z_med medfilt(z, kernel_sizewindow_size_med)# 创建新的LAS文件并保存滤波后数据
out_las_med laspy.file.File(out_file_path_med, modew, headerin_las.header)
out_las_med.x x
out_las_med.y y
out_las_med.z filtered_z_med
out_las_med.close()
3. 加权移动平均滤波Weighted Moving Average Filter
加权移动平均滤波将不同位置的数据点赋予不同的权重根据权重计算加权平均值。这种方法可以根据数据分布的特点更好地平衡平滑和保留细节。
代码
import laspy
import numpy as np
from scipy.signal import medfilt
from skimage.metrics import structural_similarity as ssim# 读取LAS文件
in_file_path F:/激光雷达/武汉地调中心/1500N点云.las
out_file_path_weighted_ma F:/激光雷达/武汉地调中心/output_weighted_moving_average.lasin_las laspy.file.File(in_file_path, moder)# 提取点云数据
x in_las.x
y in_las.y
z in_las.z# 应用加权移动平均滤波
window_size 5
weights np.arange(1, window_size 1).astype(float) # 转换为浮点数类型
weights / np.sum(weights)
filtered_z_weighted_ma np.convolve(z, weights, modesame)# 创建新的LAS文件并保存滤波后数据
out_las_weighted_ma laspy.file.File(out_file_path_weighted_ma, modew, headerin_las.header)
out_las_weighted_ma.x x
out_las_weighted_ma.y y
out_las_weighted_ma.z filtered_z_weighted_ma
out_las_weighted_ma.close()
4. 高斯滤波Gaussian Filter
高斯滤波基于高斯函数对数据进行平滑处理。它可以保留细节的同时有效地去除噪声适用于光滑信号。
代码
import laspy
import numpy as np
from scipy.ndimage import gaussian_filter1d
from skimage.metrics import structural_similarity as ssim# 读取LAS文件
in_file_path F:/激光雷达/武汉地调中心/1500N点云.las
out_file_path_gaussian F:/激光雷达/武汉地调中心/output_gaussian.lasin_las laspy.file.File(in_file_path, moder)# 提取点云数据
x in_las.x
y in_las.y
z in_las.z# 应用高斯滤波
sigma 1.0 # 高斯核标准差
filtered_z_gaussian gaussian_filter1d(z, sigmasigma)# 创建新的LAS文件并保存滤波后数据
out_las_gaussian laspy.file.File(out_file_path_gaussian, modew, headerin_las.header)
out_las_gaussian.x x
out_las_gaussian.y y
out_las_gaussian.z filtered_z_gaussian
out_las_gaussian.close()
5. 波形去除滤波Waveform Removal Filter
这种滤波方法主要用于去除激光雷达回波中的地面信号以便更好地检测障碍物。该方法需要先对地面进行建模然后将地面信号从数据中减去。
代码
import laspy
import numpy as np
from scipy.signal import detrend
from skimage.metrics import structural_similarity as ssim# 读取LAS文件
in_file_path F:/激光雷达/武汉地调中心/1500N点云.las
out_file_path_waveform_removal F:/激光雷达/武汉地调中心/output_waveform_removal.lasin_las laspy.file.File(in_file_path, moder)# 提取点云数据
x in_las.x
y in_las.y
z in_las.z# 应用波形去除滤波
filtered_z_waveform_removal detrend(z)# 创建新的LAS文件并保存滤波后数据
out_las_waveform_removal laspy.file.File(out_file_path_waveform_removal, modew, headerin_las.header)
out_las_waveform_removal.x x
out_las_waveform_removal.y y
out_las_waveform_removal.z filtered_z_waveform_removal
out_las_waveform_removal.close()
6. 自适应滤波Adaptive Filtering
自适应滤波方法根据数据点的局部特征动态调整滤波参数。例如自适应中值滤波根据数据分布的变化调整滤波窗口的大小以平衡噪声去除和细节保留。
代码
import laspy
import numpy as np
from scipy.signal import wiener
from skimage.metrics import structural_similarity as ssim# 读取LAS文件
in_file_path F:/激光雷达/武汉地调中心/1500N点云.las
out_file_path_adaptive F:/激光雷达/武汉地调中心/output_adaptive.lasin_las laspy.file.File(in_file_path, moder)# 提取点云数据
x in_las.x
y in_las.y
z in_las.z# 应用自适应滤波
try:filtered_z_adaptive wiener(z)
except (ValueError, ZeroDivisionError):# 处理除以零或无效值的情况filtered_z_adaptive z # 可以选择保持原始数据或者使用其他滤波方法来代替# 创建新的LAS文件并保存滤波后数据
out_las_adaptive laspy.file.File(out_file_path_adaptive, modew, headerin_las.header)
out_las_adaptive.x x
out_las_adaptive.y y
out_las_adaptive.z filtered_z_adaptive
out_las_adaptive.close()
7. 小波变换滤波Wavelet Transform Filter
小波变换滤波可以将信号分解成不同频率的子信号然后根据需要去除高频噪声再将信号重构回去。这种方法在处理包含多尺度信息的数据时非常有用。
代码
import laspy
import numpy as np
import pywt
from skimage.metrics import structural_similarity as ssim# 读取LAS文件
in_file_path F:/激光雷达/武汉地调中心/1500N点云.las
out_file_path_wavelet F:/激光雷达/武汉地调中心/output_wavelet.lasin_las laspy.file.File(in_file_path, moder)# 提取点云数据
x in_las.x
y in_las.y
z in_las.z# 应用小波变换滤波
wavelet_name db4 # 小波基函数的名称
level 2 # 分解的级别
coeffs pywt.wavedec(z, wavelet_name, levellevel)
coeffs[1:] [pywt.threshold(coeff, value0.5, modesoft) for coeff in coeffs[1:]] # 对细节系数进行软阈值处理
filtered_z_wavelet pywt.waverec(coeffs, wavelet_name)# 创建新的LAS文件并保存滤波后数据
out_las_wavelet laspy.file.File(out_file_path_wavelet, modew, headerin_las.header)
out_las_wavelet.x x
out_las_wavelet.y y
out_las_wavelet.z filtered_z_wavelet
out_las_wavelet.close()
对比结果发现误差指标显示自适应滤波Adaptive Filtering和小波变换滤波Wavelet Transform Filter处理效果较好其中后者最佳。
