Para suprimir o ruído contido na nuvem de pontos tridimensional, propõe-se um método de reconstrução por otimização esparsa com preservação de características, que recupera características agudas enquanto suprime o ruído. Primeiro, utilizando os valores próprios da matriz tensorial local construída a partir dos pontos vizinhos para estimar a curvatura da variedade implícita, e por meio de votação de coerência em pares, realiza-se uma identificação estatística robusta da vizinhança dos pontos característicos, evitando o impacto de pontos discrepantes na estimativa das normais; em seguida, para suprimir características falsas geradas durante o processo de otimização alternada, é introduzido um operador diferencial adaptativo com reconhecimento de características no quadro da minimização L0, apoiando-se em um termo de regularização por projeção para aliviar a degradação das características da superfície; por fim, com base no campo de normais otimizado, realiza-se a recuperação por projeção das características agudas. Os resultados experimentais mostram que o erro médio da nuvem de pontos diminuiu em 10,2% após a reconstrução com o algoritmo descrito, o erro médio das normais diminuiu em 29,7%, e o efeito visual subjetivo também supera vários algoritmos típicos existentes. O método pode melhorar eficazmente a qualidade da nuvem de pontos e fornecer suporte técnico para medição 3D e modelagem reversa baseada em nuvens de pontos.

redução de ruído em nuvem de pontos;restauração de características;minimização L0;identificação de vizinhança;votação estatística