1.一种基于对比学习与强度感知的异构噪声点云去噪方法,其特征在于:所述异构噪声点云去噪方法具体包括如下步骤:步骤1、从无噪声点云数据集中提取样本,并通过多种数据增强策略模拟真实扫描中的异构噪声,所述数据增强策略包括添加高斯噪声策略以及高斯噪声与均匀噪声的混合扰动策略;
步骤2、利用无噪声点云与其噪声点云组成点云对,采用对比学习网络从点云对中提取鲁棒特征;并通过对比损失进行优化,使对比学习网络识别并分离噪声信息,输入每个噪声点和其个最近邻点的坐标信息,经过鲁棒特征提取对比学习网络,获得局部几何特征即法向信息、邻域分布;
步骤3、利用多层感知机,将噪声点的局部几何特征即法向信息、邻域分布与噪声强度结合,并输入由五层的MLP组成的位移预测网络,预测每个噪声点相对于其真实位置偏移量,即噪声强度,得到噪声强度预测模块;
步骤4、结合噪声点的局部几何特征即噪声点与其邻域内噪声点的相对关系和噪声分布,计算每个噪声点的位移向量,使该噪声点朝向真实值靠近;
步骤5、利用评估指标倒角距离动态调整迭代次数;
步骤6、采用截断函数限制高噪声点的调整范围,避免异常点的过度移动,防止去噪过程中过度调整其位置,导致偏离真实值;
步骤7、输出去噪完成后的点云数据。
2.根据权利要求1所述的一种基于对比学习与强度感知的异构噪声点云去噪方法,其特征在于:所述步骤1具体包括如下步骤:步骤1.1、选择数据集CLPCF和数据集PU-Net作为测试样本;
步骤1.2、设计同构噪声数据集,为数据集CLPCF添加了不同标准差的高斯噪声,为数据集PU-Net添加噪声的标准差分别为边界球半径的1%、2%和3%;
步骤1.3、设计异构噪声数据集,为数据集CLPCF添加了不同强度的高斯噪声,为数据集PU-Net加入了高斯噪声和均匀噪声这两种噪声类型。
3.根据权利要求1所述的一种基于对比学习与强度感知的异构噪声点云去噪方法,其特征在于:所述步骤2具体包括如下步骤:步骤2.1、生成训练样本,向无噪声的点云块添加噪声,得到噪声集合:,其中,,表示点云块中的某个点,表示噪声的均值,控制噪声的中心位置,表示噪声的标准差,控制噪声的强度或散布程度;
步骤2.2、从所述噪声集合中随机选择补丁和补丁,构成点云对:,
其中,所述补丁和所述补丁采用不同的采样半径;
步骤2.3、基于步骤2.2的点云对构建补丁集合,所述补丁集合包含正点云对和负点云对,所述正点云对为来自相同点云流形的两个点云块,所述负点云对为来自不同流形或不同区域的点云块;
步骤2.4、通过最小化正点云对之间的相似度并最大化负点云对之间的相似度来优化对比学习网络的特征编码器,使用归一化温度缩放交叉熵损失函数进行训练,归一化温度缩放交叉熵损失函数为:,
其中,为对比学习网络的损失,衡量正点云对与负点云对之间的相似度差异,为无噪声点云块中点的数量,是补丁和补丁的特征表示,为正点云对的余弦相似度,表示补丁和补丁在特征空间中的相似度,为温度缩放参数,用于调整相似度的敏感度,为负点云对的加权和,表示负点云对的相似度分布。
4.根据权利要求1所述的一种基于对比学习与强度感知的异构噪声点云去噪方法,其特征在于:所述步骤3具体包括如下步骤:步骤3.1、将获得的局部几何特征送入一个五层的多层感知机网络进行处理,预测噪声强度,其中,为噪声点;
步骤3.2、计算真实的噪声强度,通过将噪声点和其对应的干净点之间的位置差异投影到该噪声点的法向量上,计算出真实的噪声强度:,
其中,为噪声点的法向量,为噪声点相对于其干净点的偏移量;
步骤3.3、为最小化预测噪声强度与真实值之间的差异,设计一种优化的损失函数:,
其中,是所有点云块的总数,是无噪声的点云块的点数量,α是超参数,用于调整预测误差的敏感度。
5.根据权利要求1所述的一种基于对比学习与强度感知的异构噪声点云去噪方法,其特征在于:所述步骤4具体包括如下步骤:步骤4.1、引入位置损失以最小化预测点与其对应的干净点的欧几里得距离:,
其中,是所有点云块的总数,是无噪声的点云块的点数量,为预测噪声强度;
步骤4.2、引入分布均匀性损失通过最大化预测点与真实点云块中最远点的距离:,
步骤4.3、通过对位置损失和分布均匀性损失进行加权求和得到总损失:,
其中,是超参数,控制位置损失和分布均匀性损失两者之间的权重。
6.根据权利要求1所述的一种基于对比学习与强度感知的异构噪声点云去噪方法,其特征在于:所述步骤5具体包括如下步骤:步骤5.1、利用步骤3中训练完成的噪声强度预测模块估计噪声点的噪声强度;
步骤5.2、利用步骤4中训练完成的位移预测网络估计噪声点的方向位移;
步骤5.3、根据步骤5.1获得的噪声强度和步骤5.2中获得的方向位移,对噪声点的偏移量进行动态调整:,
其中,为噪声点在去噪过程中需要调整的位移;
步骤5.4、当点云中的所有噪声点完成每轮去噪后,计算评估指标倒角距离CD:,
其中,为无噪声点云块,为去噪后的点云集合,是无噪声的点云块的点数量;
7.根据权利要求6所述的一种基于对比学习与强度感知的异构噪声点云去噪方法,其特征在于:步骤6具体包括如下步骤:步骤6.1、采用截断函数对高噪声点的调整范围进行限制:,
其中,根据判断高噪点,为自适应的强度阈值,设定为噪声点云中所有点的噪声强度的中值,当噪声强度大于中值,设定为高噪点;
步骤6.2、每轮去噪完成后,根据截断函数判断的高噪点,重复执行步骤6.1和步骤6.2进行去噪处理。
8.根据权利要求7所述的一种基于对比学习与强度感知的异构噪声点云去噪方法,其特征在于:所述步骤7具体包括如下步骤:当指标倒角距离值达到最低时,保存点云中每个噪声点的新位置,并将去噪后的点云保存为PLY文件。