Com o rápido desenvolvimento da tecnologia de varredura a laser 3D, os dados de nuvem de pontos têm sido amplamente aplicados em áreas como condução autônoma, modelagem 3D, pesquisa médica, engenharia reversa e revitalização rural. No entanto, devido ao desempenho dos instrumentos, ao ambiente circundante e às características intrínsecas do objeto escaneado, os dados de nuvem de pontos obtidos por varredura frequentemente contêm muito ruído, o que afeta gravemente a precisão do processamento subsequente da nuvem de pontos, sendo, portanto, necessário realizar a redução de ruído. Para abordar os problemas dos algoritmos tradicionais de filtragem, como baixa sensibilidade a parâmetros, alta complexidade computacional e baixa preservação de características geométricas, é proposto um algoritmo hierárquico de redução de ruído para nuvem de pontos que preserva características geométricas. Primeiramente, o algoritmo introduz a característica de densidade da nuvem de pontos no algoritmo de filtragem por raio para melhorar a seleção dos parâmetros iniciais, alcançando a remoção de ruído em grande escala; em seguida, utiliza uma árvore KD (Árvore K-Dimensional) para otimizar o algoritmo de agrupamento espacial baseado em densidade com ruído (DBSCAN) e, combinando características de pontos angulares, realiza a seleção adaptativa dos parâmetros do DBSCAN, dividindo assim os dados da nuvem de pontos em clusters válidos, clusters borrosos e clusters de ruído, removendo os clusters de ruído; finalmente, utiliza um algoritmo de avaliação de consenso de distância para julgar os clusters borrosos, calculando a distância entre os pontos borrosos e a superfície ajustada da nuvem de pontos para determinar se são pontos de ruído, completando a remoção do ruído em pequena escala da nuvem de pontos. O algoritmo proposto foi validado com conjuntos de dados públicos de nuvens de pontos e dados rurais coletados em campo, e os resultados mostram que, em comparação com o algoritmo DBSCAN, o método aprimorado de redução de ruído florestal, o método de redução de ruído que preserva características geométricas, o método aprimorado de agrupamento baseado em densidade e o método multifuncional de redução de ruído em malha, o algoritmo proposto apresenta melhor preservação de características geométricas agudas e aumenta a precisão da redução de ruído em cerca de 43%, 27%, 29%, 21% e 9%, respectivamente. O algoritmo pode melhorar efetivamente a precisão da redução de ruído enquanto mantém eficazmente as características geométricas, sendo um algoritmo eficaz para redução de ruído de nuvens de pontos.

redução de ruído de nuvens de pontos;filtragem por raio;avaliação de consenso de distância;densidade;pontos angulares