基于多核DSP的点云数据快速降噪技术研究

发布时间：2023-03-28 20:33

　　三维点云数据处理技术在光探测和测距(Li DAR)、深度学习、计算机视觉、体感游戏、无人驾驶、逆向工程等领域有着非常重要的研究意义。在获取三维点云数据的过程中不可避免的会存在噪声,这些噪声对后续处理有着一定程度的负面影响,所以研究点云数据的降噪技术对于三维点云的处理来说非常重要。传统的点云数据处理技术是基于PC平台,因其体积大、功耗高等缺点,所以不适用于工程应用。多核DSP具备体积小、功耗低、处理速度快等特点,使其更适合于工程应用中。所以研究基于多核DSP的点云数据降噪工作对点云数据处理的小型化、集成化是有着非常重要及其深远的意义。点云数据中噪声情况复杂,本文根据点云中的噪声分布特征将其分为两类:第一类噪声称其为漂移噪声点,其表现形式为明显远离点云主体且漂浮在点云主体附近的噪声点;第二类噪声称其为混合噪声点,其表现形式为与点云主体混合在一起的噪声点。针对点云数据中噪声的特点,本文做了以下研究:首先,针对漂移噪声点,主要采用点云去噪算法将其进行去除。通过算法仿真实验比较了本文提出的非迭代双阈值算法与K-means聚类去噪算法、K-d树改进的K-means聚类去噪算法以及局部密度去噪算法。...

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究目的及意义
    1.2 点云降噪技术国内外研究现状
    1.3 本文主要研究内容及结构安排
第2章 点云数据降噪技术理论研究
    2.1 三维点云数据的噪声分析
        2.1.1 三维点云数据噪声来源
        2.1.2 噪声的数学模型分析
    2.2 三维点云数据分布特征
    2.3 有序点云数据降噪
    2.4 本章小结
第3章 散乱点云降噪技术研究
    3.1 基于K-means聚类的点云去噪算法
    3.2 基于K-d树改进的K-means聚类点云去噪算法
        3.2.1 点云曲率估计算法
        3.2.2 K-d树改进的K-means点云去噪算法
    3.3 基于局部密度的点云去噪算法
    3.4 非迭代双阈值点云去噪算法
        3.4.1 非迭代小阈值去噪算法
        3.4.2 非迭代大阈值去噪算法
    3.5 散乱点云去噪算法仿真实验对比分析
    3.6 基于双边滤波的点云光顺算法
    3.7 基于导向滤波的点云光顺算法
    3.8 散乱点云光顺算法仿真实验对比分析
    3.9 本章小结
第4章 基于多核DSP的点云数据降噪技术研究
    4.1 TMS320C6678处理器
    4.2 SYS/BIOS
        4.2.1 SYS/BIOS简介
        4.2.2 SYS/BIOS应用程序的基本工具
        4.2.3 SYS/BIOS应用程序的编译流程
        4.2.4 SYS/BIOS应用程序的加载顺序
    4.3 多核并行处理设计
        4.3.1 多核处理模式简介
        4.3.2 核间通信模块
    4.4 Cache缓存一致性
    4.5 基于多核DSP的点云去噪算法实现
        4.5.1 基于多核DSP的非迭代小阈值去噪算法设计
        4.5.2 基于多核DSP的非迭代大阈值去噪算法设计
    4.6 基于多核DSP的点云光顺算法实现
        4.6.1 并行点云导向滤波光顺算法设计
        4.6.2 基于多核DSP的点云导向滤波算法设计
    4.7 多核DSP点云降噪实验
    4.8 本章小结
第5章 总结与展望
    5.1 论文总结
    5.2 研究展望
参考文献
攻读硕士学位期间取得的成果
致谢



本文编号：3773234