随着先进技术的采用[1]、[2]，三维（3D）重建技术增强了人们对物理场景中真实几何形状和三维排列的感知。地面激光扫描仪（TLS）由于其高空间分辨率而被广泛用于3D重建。由此产生的点云使得在高精度农业[3]、[4]、林业[5]、[6]、文化遗产数字化[7]、[8]、隧道和采矿工程[9]、[10]等领域实现高精度3D建模成为可能。
然而，距离测量不可避免地包含随机误差和噪声，导致点云中出现异常值和表面不一致性。除了这些随机误差和粗大误差对点云质量的影响外，在密集扫描过程中，激光的边缘效应（混合像素）还会在物体之间的间隙中产生大量连续的偏移点。当扫描目标是一个复杂的交错场景（如植被）时，这种噪声点会显著影响点云质量。针对这一问题，本文提出了一种去噪工作流程，以实现保边平滑和去噪效果，从而优化整体点云质量。
光检测与测距（LiDAR）技术的最新进展使其能力超越了单波段回波强度的获取。高光谱LiDAR技术逐渐发展[11]、[12]、[13]，并已应用于各种领域[14]、[15]。它能够同时获取目标的空间和光谱信息，这意味着每个点云的属性都可以通过光谱信息进行扩展。这种信息的包含使得对点的描述更加全面。除了空间几何关系外，点现在还与其相邻点表现出光谱-空间关系，从而为点云去噪算法提供了处理现实世界点云数据中多种噪声来源的潜力。
在过去几十年中，已经提出了许多点云去噪方法。在这些方法中，基于滤波的方法由于在图像去噪领域的成熟发展而被广泛采用。在这些研究中，点云通常被分为高频噪声和低频噪声成分[16]，常用的处理技术包括双边滤波、引导滤波和组合滤波。
双边滤波在尝试保留边缘的同时平滑点云数据，通常是通过基于几何距离和法向量相似性对邻居点进行加权来实现的。Wen等人[17]在自动驾驶场景中实现了双边滤波，通过过滤点在法线方向上的位置。他们的实验结果表明，欧几里得距离权重和法线方向距离权重对去噪性能有显著影响。除了法向量，Zhang等人[18]还考虑了点亮度和位置，设计了一种双边滤波器，其中得到的权重函数与当前点和邻域点之间的距离和灰度差异有关。尽管这种方法在一定程度上可以保留清晰的特征并去除小尺度噪声，但它依赖于基于PCA的法向量估计，这假设所有变量都遵循高斯分布。这限制了其在处理现实世界噪声时的有效性，因为在现实世界中这些假设可能不成立。
类似地，引导滤波利用引导信号（通常来自点位置或估计的法向量）进行结构感知处理。该方法假设输出是引导信号在局部窗口内的线性变换[19]。通常使用点位置[20]和法向量[21]作为引导。此外，还开发了迭代引导滤波，通过迭代应用从上一次迭代中获得的滤波器（例如法向量[22]）来处理点云。由于过滤后的输出点可以推导为对应引导点云点的线性模型，因此可以高效地进行迭代过程。虽然引导滤波保持了计算效率和特征保留，但其性能会随着引导信息的不准确或输入的高噪声而下降。
为了处理复杂的现实世界噪声，出现了组合滤波策略，这些策略根据局部几何特征（例如分为平坦区域和突变区域）对点云进行分区，并对每个区域应用定制的滤波器。Jia等人[23]根据每个采样点的表面变化因子将点云分为平坦区域和突变区域，并分别对这些区域应用改进的中值滤波和改进的双边滤波。同样，Ren等人[24]提出了一种多尺度噪声去除整体滤波算法，利用表面变化因子将点云分为突变区域和平坦区域，然后对大尺度噪声应用双边滤波，对小尺度噪声应用统计滤波。此外，Lian等人[25]开发了一种距离加权主成分分析（DWPCA），将点云分为大尺度和小尺度区域，从而能够针对每种区域类型应用适当的双边滤波和平滑技术。
尽管基于滤波的去噪方法已经相对成熟，但许多方法严重依赖于可靠的法向量估计，这对初始点云提出了特定的几何要求。虽然像Sanchez等人[26]提出的鲁棒法向量估计方法对高斯噪声具有抗性，但法向量并非点云的固有属性，估计不准确可能导致不良结果。为了解决这一限制，Yang等人[27]也提出了一种鲁棒的方法来估计法向量，以解决传统双边滤波的局限性。然而，与由计算机辅助设计生成的具有可控噪声特性的合成点云数据不同，现实世界扫描的点云由于场景条件和传感器属性的不同而表现出更复杂和多样的噪声模式[28]。
总之，由边缘效应在真实点云中产生的噪声点不符合特定的噪声分布，阻碍了可靠法向量估计结果的获取[29]、[30]。目前，仍然缺乏一种可靠且通用的处理方法。高光谱LiDAR的发展为点云的光谱属性带来了丰富的扩展，这些丰富的光谱信息使我们能够测量间隙点云与前景和背景之间的相似性，从而确定通过滤波校正点云位置的方向。
为了充分利用高光谱LiDAR的空间-光谱采集优势，克服现有方法在处理高密度TLS数据时的局限性，我们提出了一种用于高光谱LiDAR高密度TLS数据的迭代光谱引导去噪方法。我们使用来自不同场景的真实世界高光谱LiDAR（HSL）系统数据集严格评估了该方法的有效性。本研究的主要贡献包括：
- 1.
我们提出了一种用于高光谱密集点云的去噪框架，该方法在光谱引导空间内操作，遵循基于PCA的降维和转换为色调-饱和度-强度（HSI）颜色空间。
- 2.
我们开发了一种新颖的光谱引导滤波方法，该方法基于球坐标系中的光谱和空间邻域关系计算邻域点的权重，以双边形式准确确定沿距离轴的滤波方向，而不依赖于几何假设或法向量估计。
- 3.
我们开发了一种噪声分割和迭代光谱引导滤波框架，通过平滑测量噪声（特别是在边缘区域）并去除异常值，提高了去噪点云的几何合理性和保真度。
因此，提出了一种用于密集高光谱LiDAR点云的去噪工作流程，实现了优越的去噪效果，并为在高光谱LiDAR数据中应用3D重建奠定了基础。本文的结构如下：第2节介绍了实验平台的基本组件和数据采集程序，第3节概述了所提出方法的详细信息，第4节通过分析进行了实验验证，第5节得出了最终结论。
