面向高离群点比例点云的多阶段离群点去除方法(Multi-Stage Outlier Removal Method for Point Clouds with High Outlier Ratio)

《Remote Sensing》：A Multi-Stage Outlier Removal Method for Point Clouds with High Outlier Ratio

　　

摘要：激光雷达(LiDAR)获取的点云通常含有大量离群点(outlier)，会严重降低下游处理效果。现有离群点去除方法在高离群点比例(high outlier ratio)点云上性能显著下降。本研究提出一种面向高离群点比例点云的多阶段离群点去除方法MORPH(Multi-stage Outlier Removal Method for Point clouds with High outlier ratio)。该方法首先采用局部可达密度(Local Reachability Density, LRD)结合密度峰值聚类(Density Peak Clustering, DPC)粗去除显著噪声点并保留全局结构骨架；随后引入结构自适应细化(structure-adaptive refinement)阶段生成不完整点云与候选点；最后提出融合点对尺度一致性(pairwise scale consistency)与局部平面残差评分(local plane residual scoring)的补全策略，从候选点中识别内点(inlier)并用其填充不完整点云完成离群点去除。在合成高污染点云与真实单光子三维扫描点云上的实验结果表明，MORPH在实现鲁棒离群点去除的同时能更好地保留有效几何结构。

《Remote Sensing》刊载论文"A Multi-Stage Outlier Removal Method for Point Clouds with High Outlier Ratio"解读

一、研究背景与意义

LiDAR点云是三维遥感的重要数据形式，广泛应用于三维重建、目标检测及场景理解。然而，在复杂传感条件下采集的原始点云常因环境干扰、传感器噪声及重建不确定性而含有大量离群点(outlier，非物体表面采样点)。当离群点比例(high outlier ratio，通常指≥50%)较高时，离群点会严重扭曲局部密度、统计特征及几何特征，导致传统统计类(如Statistical Outlier Removal, SOR)、基于密度或几何的方法性能大幅下降——统计方法依赖局部距离分布稳定性而被高密度离群点破坏，基于密度/聚类方法易形成伪簇且稀疏区域内外点与内点密度相似难区分，几何方法依赖邻域法向与曲率估计亦被污染。基于学习的方法虽有效但依赖标注数据、计算量大且在极高离群点比例下泛化性差。因此，如何在高离群点比例下可靠区分并去除离群点同时保留有效几何结构，是点云预处理的关键难题。研究人员为此提出MORPH多阶段框架，旨在解决高离群点比例点云鲁棒去离群点问题，为下游三维重建、表面建模及LiDAR建图提供可靠预处理，实验证明其在合成数据与真实单光子扫描数据上优于现有方法。

二、主要关键技术方法

研究人员以PointCleanNet合成数据集(含50%、70%离群点比例)及SPAD单光子三维成像原型采集的真实点云(离群点比约50%–60%，人工标注真值)为对象，对比SOR、Local Density、Non-iterative、TBORF、CIMD、PointCVaR、PointCleanNet、STORED、MHD、SDOR等方法。MORPH分三阶段实施：(1)粗去离群：基于K近邻距离定义全局孤立性得分，计算局部可达距离(reachability distance)得LRD，结合密度峰值聚类(DPC)划分簇，依簇平均密度定义局部异常得分，融合全局-局部得综合异常得分排序剔除顶部N_coarse点；(2)结构自适应细化：对粗留点再作LRD-DPC聚类，计算点到局部拟合平面残差(point-to-local-plane residual)及法向一致性(normal consistency)，按簇内特征分布以中位数绝对偏差(Median Absolute Deviation, MAD)估计自适应阈值剔除残余离群点，生成不完整干净点云P_incomplete与候选点集P_candidate(被细化剔除但在粗点云中的点)；(3)参考引导补全：对P_incomplete做泊松上采样(Poisson Upsampling)生成稠密参考点云P_ref，对候选点计算K近邻参考邻域的局部尺度(local scale)σ_i，归一化欧氏距并取对数得尺度归一化距离，最小化截断偏差能量得成对尺度一致性(pairwise scale consistency)S_psc；同时在P_ref上拟合局部参考平面算正交残差，以σ_ref归一化后得局部平面残差评分(local plane residual score)S_lpr；融合两评分得补全得分S_comp=α·S_psc+(1?α)·S_lpr，按分位数τ选取高分候选点为恢复内点，经SOR后合并回P_incomplete得最终滤波点云。参数推荐范围：K_coarse=20~40, N_coarse=点总数×5%~15%, k_refine=15~30, λ=2.0~3.0, μ=0.3~0.7, ω=0.2~0.5, K_s=15~50, K_q=5~30, α=0.3~0.7, τ=0.05~0.40。

三、研究结果

4.1. Test Conditions

采用Precision(保留点中内点占比)、Recall(正确保留的内点占真内点比)、Accuracy综合评估。MORPH与十种现方法有对照，Python 3.12实现，硬件为Intel i9-13980HX/16GB RAM。

4.2. Performance Evaluation on Synthetic Data

在50%离群点比例下，MORPH取得最高平均Precision=0.9495与Accuracy=0.9427，Recall=0.9375为第二；70%离群点比例下，多数方法因局部邻域被离群点主导而退化，SOR的Precision与Accuracy降至0.0909与0.3141，PointCleanNet保留高Recall=0.9513但Precision降至0.5750，MHD次优(Precision=0.8501, Accuracy=0.9094)，MORPH仍获最高Precision=0.9099与Accuracy=0.9440，Recall=0.9062为第二。可视化显示MORPH残留离群点最少且Bunny模型几何结构与边界最完整，证实多阶段策略能有效抑制密集离群点并保结构。

4.3. Performance Evaluation on Real-World Single-Photon 3D Scanned Data

SPAD点云具空间不均离群点、背景响应及暗计数噪声。SOR与Local Density精度低(分别0.3931、0.6030)；CIMD Accuracy=0.9730；PointCleanNet Recall最高0.9799但Precision仅0.8418；MORPH达最优平均Precision=0.9802与Accuracy=0.9802，Recall=0.9714。可视化表明MORPH去噪更彻底且保留物体轮廓与局部细节，验证实际场景鲁棒性。极稀疏孤立内点因参考点云几何线索不足仍有少量未恢复。

4.4. Ablation Study

70%离群点比例下去除各阶段做消融：仅粗去离群(Accuracy=0.9058, Recall=0.8410, Precision=0.8444)；加结构自适应细化后三项提升至0.9177/0.8620/0.8641；完整MORPH进一步提升至0.9440/0.9062/0.9099，证实三阶段逐级互补提升性能。

4.5. Module-Level Comparison Between CIMD and MORPH

同70%比例下模块比对：MORPH粗去离群阶段(COR) Precision=0.7624、Recall=0.9984、Accuracy=0.9062均优于CIMD-COR；细化后MORPH-R Precision=0.9826、Accuracy=0.8743优于CIMD-R；补全阶段MORPH-PCC(Precision=0.9099, Recall=0.9062, Accuracy=0.9440)优于CIMD补全模块；完整MORPH全面优于前作CIMD，验证LRD-DPC粗筛与参考引导补全改进有效性。

4.6. Computation Time Cost of Processing

SOR最快；学习类PointCleanNet最慢；MORPH因泊松上采样构参考点云致耗时高于多数非学习方法，Synthetic-50%/70%/Real平均耗时分别为24.30 s、25.12 s、7.16 s，适合离线预处理。

4.7. Parameter Selection and Adjustment

给出各阶段参数物理含义、推荐取值及合理区间，指出K_coarse宜偏大以稳密度估计，N_coarse权衡去噪与弱回波内点保留，细化阈值严格度影响稀疏区内点留存，补全α平衡尺度一致性与平面残差贡献，τ控制恢复严格度。

四、讨论与结论翻译

讨论指出MORPH局限含计算成本偏高(源于泊松上采样)、真实SPAD标签存微小标注模糊性、极稀疏区有效内点恢复仍具挑战。未来将研究高效参考点云生成以降低耗时，构建基于多视角验证的一致标注SPAD基准数据集，并探索融合SPAD特有噪声特性(空间非均匀离群点、背景响应、光子计数不确定性)的专用去离群点策略。

结论译文：研究人员提出MORPH——一种面向高离群点比例点云的多阶段离群点去除方法，包含互补的三阶段：第一阶段采用局部可达密度(LRD)结合密度峰值聚类(DPC)去除显著离群点并保留主体结构骨架；第二阶段利用簇级几何特征(局部平面残差与法向一致性)作结构自适应细化进一步去除残余离群点，产生不完整干净点云与候选点集；最后阶段由细化子集构建稠密参考点云，融成对尺度一致性(pairwise scale consistency)与局部平面残差评分(local plane residual score)设计参考引导补全策略以恢复误删有效结构点。合成高离群点比例点云与真实单光子扫描数据实验表明MORPH较现有方法可实现鲁棒离群点去除并更好保留几何结构；消融实验验证各阶段贡献，尤指参考引导补全能恢复误分类内点。