本发明涉及三维激光扫描技术，属于三维点云数据领域，尤其涉及一种三维点云优化处理方法。
背景技术：
1、随着技术的不断进步，三维激光扫描测量作为一种新型测量技术，具有测量速度快、精度高、便捷性好等特点，拥有巨大的效率和成本优势，已广泛应用于核动力设施设备的运维、检修，为核动力装备的表面缺陷识别、维护改造提供准确、高效的实际尺寸数据采集手段。
2、申请号为202311329088.7，申请日为2023年10月11号的中国专利申请，公开了一种平硐洞室三维建模方法及建模系统，属于计算机辅助设计技术领域，包括：s1、根据平硐洞室的施工规划，设计扫描方案；所述扫描方案包括选择激光扫描设备，确定激光扫描设备的放置位置；s2、设置激光扫描设备，获取平硐洞室的三维点云数据；s3、对三维点云数据进行处理，根据点云颜色分割地质构造区域；s4、根据点云数据生成三维平硐洞室模型，并进行地质构造识别；s5、根据新增点云数据更新模型；该发明通过结合scan-to-bim，提出对平硐洞室进行快速建模与模型更新的方法，可减少人工投入、避免由于重复操作带来的失误，给后续地质信息的收集、储存及数字化管理提供基础，但该技术存在以下缺陷：
3、在上述对比文件中，通过三维激光扫描获取三维点云数据，会受光照、环境、结构外形的影响，获取的三维点云数据散乱、数据量大，噪声多，扫描后的海量三维点云数据存在难以实现高效处理的难点，影响后续逆向建模。
4、公开该背景技术部分的信息仅仅旨在增加对本技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
1、本发明的目的是克服现有技术中三维点云数据存在的散乱、数据量大与噪声多的缺陷与问题，提供一种数据点分布均匀、数据量精简与噪声小的一种三维点云优化处理方法。
2、为实现以上目的，本发明的技术解决方案是：一种三维点云优化处理方法，所述方法包括以下步骤：
3、s1、通过三维激光扫描物体，得到在三维空间中组成物体的众多数据点，再将众多数据点归纳成初始点云数据；
4、s2、通过rncsac算法去除初始点云数据中的噪声点，得到甲点云数据；
5、s3、通过k-means聚类方法去除甲点云数据中的离群点，得到乙点云数据；
6、s4、对乙点云数据进行抽稀简化，得到最终点云数据，最终点云数据保留了初始点云数据中数据点的坐标、法向量、曲率、几何形状、边界特征与密度分布，最终点云数据的数据传输与加载速度大于初始点云数据的数据传输与加载速度，最终点云数据所占储存空间小于初始点云数据所占储存空间。
7、所述步骤s2中，所述去除初始点云数据中的噪声点是指：
8、在初始点云数据中随机选择三个数据点建立平面模型，计算初始点云数据中其他数据点与平面模型的距离，再根据距离阈值，将距离小于距离阈值的数据点分为内点，距离大于距离阈值的数据点分为外点，并记录内点个数，然后计算初始点云数据中内点所占比例；重复上述步骤达到设定迭代次数后，对比重复过程中每个平面模型所对应的内点所占比例，并记录对应内点所占比例最高的平面模型，随后将该平面模型以及该平面模型对应的外点与内点组成丙点云数据，去除丙点云数据中的外点后，则得到甲点云数据；
9、所述内点所占比例为：
10、
11、式中：ninliers为内点的个数；noutliers为外点的个数。
12、所述距离阈值依据下述步骤获得：
13、第一步：依据激光扫描设备的扫描分辨率选取不同假定距离阈值，该假定距离阈值的数量至少为两个；
14、第二步：先在典型点云数据中随机选择k个数据点建立圆形主体平面模型，并计算典型点云数据中其他数据点与圆形主体平面模型的距离，再根据其中一个假定距离阈值，将距离小于假定距离阈值的数据点分为内点，距离大于假定距离阈值的数据点分为外点，并记录内点个数，然后计算典型点云数据中内点所占比例；重复上述步骤，仍保持该假定距离阈值，并记录该假定距离阈值中对应内点所占比例最高的圆形主体平面模型，再根据该圆形主体平面模型对应的内点比例去除典型点云数据中的外点，得到该假定距离阈值对应的去噪典型点云数据；
15、第三步：将每个假定距离阈值都重复第二步后，得到每个假定距离阈值对应的去噪典型点云数据，然后把所有去噪典型点云数据进行比对，将与物体误差最小的去噪典型点云数据所对应的假定距离阈值确定为距离阈值；
16、所述迭代次数依据下述步骤获得：
17、第一步：先在典型点云数据中随机选择k个数据点建立圆形主体平面模型，并计算典型点云数据中其他数据点与圆形主体平面模型的距离，再根据距离阈值，将距离小于距离阈值的数据点分为内点，距离大于距离阈值的数据点分为外点，并记录内点个数，然后计算典型点云数据中内点所占比例；随后将上述步骤重复一次，重复时在典型点云数据中重新随机选择k个数据点建立圆形主体平面模型，同时距离阈值不变，然后记录重复过程中内点所占比例最高的圆形主体平面模型，再根据该圆形主体平面模型对应的内点比例去除典型点云数据中的外点，得到去噪典型点云数据；
18、第二步：先将上述重复步骤的重复次数从二开始依次增加，让整体计算的次数增加到三次、四次，......，依此类推，以得到每个不同整体计算的次数所对应的去噪典型点云数据，并进行记录，从而得到数量与整体计算的次数相同的去噪典型点云数据；
19、第三步：先将第二步中所有的去噪典型点云数据依次与物体进行比对，以得到每个去噪典型点云数据对应的误差，再将所有的误差按照每个去噪典型点云数据所对应的整体计算的次数依次排列，并进行观察，然后将误差趋于稳定时所对应的整体计算的次数确定为迭代次数。
20、所述步骤s3中，所述去除甲点云数据中的离群点是指：
21、第一步：先在甲点云数据中随机选择数量为k个的数据点作为初始聚类中心点，剩余的数据点作为初始聚类构建点，再计算k个初始聚类中心点与初始聚类构建点的欧式距离，此时初始聚类构建点对应的k个欧式距离，在对k个欧式距离进行对比后，找出最短欧式距离，再把该初始聚类构建点与对应最短欧式距离的初始聚类中心点配对，组成一个聚类，然后重复上述步骤将所有初始聚类构建点按照最短欧式距离分配到对应的初始聚类中心中，每个聚类由一个初始聚类中心点与一个或多个初始聚类构建点组成，在分配完成后得到k个初始聚类；
22、第二步：以初始聚类为处理对象，先将其内的初始聚类中心点、初始聚类构建点都视之为数据点，再逐个计算该聚类中每个数据点与剩余数据点的平均欧式距离，然后对所有的平均欧式距离进行比对，以获得最小的平均欧式距离，再将该最小的平均欧式距离所对应的数据点设定为该聚类的最终聚类中心点，剩余数据点则为最终聚类构建点，依次类推，以获得k个最终聚类中心点，及其对应的最终聚类构建点，再将最终聚类中心点与其对应的最终聚类构建点配对，得到k个最终聚类；
23、第三步：先计算最终聚类中最终聚类中心点与最终聚类构建点的平均欧式距离，再根据平均欧式距离将该聚类的阈值ki设定为平均欧式距离的1至2倍，然后将该聚类中欧式距离大于阈值ki的最终聚类构建点删除，再重复上述步骤，得到k个剩余聚类，k个剩余聚类再组成乙点云数据。
24、所述第一步中，所述k值依据下述步骤获得：
25、先假定k值为1，再采用k-means算法计算k值的sse，然后将k值从1开始逐渐增加，并重复以上步骤，得到了不同k值对应的sse，随后将k值作为x轴，sse作为y轴，绘制成坐标系，再依次将不同k值及其对应sse组成为坐标，并在坐标系中形成坐标点，然后根据众多坐标点在坐标系中绘制对应的变化曲线，变化曲线绘制完成后，在sse与k值的关系图中，寻找sse下降速度骤减的坐标点，该坐标点处对应的数值，即为最终k值。
26、所述k-means算法计算k值的sse是指：
27、
28、式中：k个初始聚类包括k个初始聚类中心点及其对应聚类构建点，故初始聚类中心点的数量与初始聚类的数量相同；ck为第k个初始聚类中数据点的合集；pi为初始聚类中第i个初始聚类构建点；mk为第k个初始聚类中心点。
29、所述第一步中，所述初始聚类中心点与初始聚类构建点之间的欧式距离依据下述步骤获得：
30、所述初始聚类中心点的三维空间坐标为mk＝{mkx，mky，mkz}，初始聚类构建点的三维空间坐标为pn＝{pnx，pny，pnz}，所述初始聚类中心点与初始聚类构建点之间的欧式距离为：
31、
32、式中：d(p，m)为一个初始聚类中心点与一个初始聚类构建点的欧式距离，p为初始聚类构建点的合集，p＝{p1，p2，…，pn}，pn为第n个初始聚类构建点；m为初始聚类中心点的合集，m＝{m1，m2，…，mk}。
33、所述第二步中，所述第k个最终聚类中心点为：
34、
35、式中：μ为最终聚类中心点的合集，μ＝{μ1，μ2，…，μk}，μk为第k个最终聚类中心点；β为最终聚类的合集，β＝{β1，β2，…，βk}，βk为第k个聚类；βki为第k个聚类中第i个最终聚类构建点的坐标；n为一个聚类中最终聚类中心点与最终聚类构建点的数量。
36、所述第三步中，所述阈值ki为平均欧式距离的1.5倍。
37、所述步骤s4中，所述对乙点云数据进行抽稀简化是指：
38、先将体素大小设定为1cm×1cm×1cm，再将乙点云数据的三维空间划分为规则的体素网格，然后将乙点云数据中的每个数据点，根据其三维坐标按照欧式距离分配到与之最近的体素中，再对每个包含有数据点的体素，计算其内部所有数据点三维坐标的平均值，得到该体素的质心坐标，然后在每个体素中质心坐标处赋予一个数据点，并作为质心点，保留每个体素中的质心点并移除其他数据点，再使用质心点在三维空间中形成最终点云数据。
39、与现有技术相比，本发明的有益效果为：
40、1、本发明一种三维点云优化处理方法中，主要包括：s1、获得初始点云数据；s2、去除初始点云数据中的噪声点，得到甲点云数据；s3、去除甲点云数据中的离群点，得到乙点云数据；s4、对乙点云数据进行抽稀简化，得到最终点云数据，应用时，先利用三维激光扫描技术获取初始点云数据，再采用rncsac算法来筛选、剔除初始点云数据中的噪声点，得到噪声减小、质量提升的甲点云数据，随后采用k-means聚类算法进一步筛选、剔除甲点云数据中的离群点，得到噪声再次减小、质量再次提升乙点云数据，最后通过对乙点云数据进行简化抽稀，得到基本特征不变，基本空间结构信息保留的最终点云数据，且在对初始点云数据进行两次去噪与简化后，最终点云数据与初始点云数据相比，其内部的数据点减少，降低了数据量，也让数据点分布更均匀，因此，本设计处理得到的点云数据数据点分布均匀、数据量精简与噪声小。
41、2、本发明一种三维点云优化处理方法，所述距离阈值、迭代次数依据下述步骤获得：在典型点云数据中随机选择k个数据点建立圆形主体平面模型，再依据实际测量过程中的经验选择距离阈值，观察距离阈值中不同迭代次数下的去噪效果和计算成本，并对去噪效果和计算成本进行比对，以确定距离阈值、迭代次数，应用时，在获得甲点云数据的过程中，通过ransac算法去除典型点云数据中噪声点，得出距离阈值和迭代次数参数的最佳值，以确保得出的甲点云数据的质量，间接减少了点云数据的数据量，且在对甲点云数据的质量进行比对，未达到要求时，还能再次对距离阈值和迭代次数参数进行调整，以得到质量最佳的甲点云数据，因此，本设计能得出距离阈值和迭代次数参数的最佳值，以确保甲点云数据的质量。
42、3、本发明一种三维点云优化处理方法，所述第一步中，所述k值依据下述步骤获得：先假定k值为1，再采用k-means算法计算k值的sse，然后将k值从1开始逐渐增加，并重复以上步骤，得到了不同k值对应的sse，随后将k值作为x轴，sse作为y轴，绘制成坐标系，再依次将不同k值及其对应sse组成为坐标，并在坐标系中形成坐标点，然后根据众多坐标点在坐标系中绘制对应的变化曲线，变化曲线绘制完成后，在sse与k值的关系图中，寻找sse下降速度骤减的坐标点，该坐标点处对应的数值，即为最终k值；通过k-means聚类算法配合sse能在确定聚类数时，使聚类数与聚类中的数据点得到平衡，缩小误差，以提高聚类效果，并且还具有直观性强、计算简单、适用性广、易于实现等优点，因此，本设计能提高聚类效果，以便于后续离群点的删除工作。
43、4、本发明一种三维点云优化处理方法，第三步：先计算最终聚类中最终聚类中心点与最终聚类构建点的平均欧式距离，再根据平均欧式距离将该聚类的阈值ki设定为平均欧式距离的1至2倍，然后将该聚类中欧式距离大于阈值ki的最终聚类构建点删除，所述第三步中，所述阈值ki为平均欧式距离的1.5倍，应用时，先将阈值ki设定为平均欧式距离的1倍、1.5倍与2倍，得到对应效果图，并进行比对，阈值ki为平均欧式距离1.5倍效果图的清晰度高于阈值ki为平均欧式距离1倍与2倍效果图的清晰度，通过对阈值ki不同参数所对应的效果图进行比对，得出最佳阈值ki，让阈值ki在配合去除甲点云数据的离群点时，离群点的去除符合要求，保证了得到的乙点云数据的质量，间接减少了点云数据的数据量，因此，本设计保证了得到的乙点云数据的质量。
44、5、本发明一种三维点云优化处理方法，对乙点云数据进行抽稀简化，得到最终点云数据，最终点云数据保留了初始点云数据中数据点的坐标、法向量、曲率、几何形状、边界特征与密度分布，最终点云数据的数据传输与加载速度大于初始点云数据的数据传输与加载速度，最终点云数据所占储存空间小于初始点云数据所占储存空间，应用时，把乙点云数据的三维空间进行网格化，将网格化后的每一个格子都称为体素，在这些划分的体素取平均或加权平均后得到质心点，用这个数据点来替代体素中其他所有数据点，通过该方式得出的最终点云数据，不仅减少了最终点云数据中数据点数量，还让最终点云数据中保持了初始点云数据的基本特征不变，保留了基本的空间结构信息，便于最终点云数据的配准、曲面重建与形状识别，因此，本设计得出的最终点云数据不仅简化数据量，还保留了数据特征。
1.一种三维点云优化处理方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1所述的一种三维点云优化处理方法，其特征在于：
3.根据权利要求2所述的一种三维点云优化处理方法，其特征在于：
4.根据权利要求1所述的一种三维点云优化处理方法，其特征在于：
5.根据权利要求4所述的一种三维点云优化处理方法，其特征在于：
6.根据权利要求5所述的一种三维点云优化处理方法，其特征在于：
7.根据权利要求4所述的一种三维点云优化处理方法，其特征在于：
8.根据权利要求4所述的一种三维点云优化处理方法，其特征在于：
9.根据权利要求4所述的一种三维点云优化处理方法，其特征在于：
10.根据权利要求1所述的一种三维点云优化处理方法，其特征在于：
