面向电力线LiDAR点云的几何统计自适应去噪算法
摘要
电力线LiDAR点云数据中包含大量噪声点，严重影响电力走廊三维建模与线路巡检的精度。现有去噪方法普遍依赖多个经验参数或聚类算法，在电力线点云密度不均、噪声分布复杂的场景下泛化能力有限。本文提出一种基于几何统计特征的双阶段自适应去噪算法，仅使用点云的三维坐标数据（x, y, z），不依赖任何标签信息。第一阶段基于局部邻域距离的统计分布识别稀疏离群噪声，第二阶段基于主成分分析（PCA）提取的曲率特征识别与电力线混杂的密接噪声。算法仅包含两个自适应参数并在程序运行中自动确定阈值，无需人工调参。实验结果表明，所提方法在多种电力线场景中均能稳定达到电力线IoU ≥ 88%、噪声IoU ≥ 85%的性能指标，具有良好的通用性与鲁棒性。
1 引言
近年来，机载/车载LiDAR技术在电力巡检领域得到广泛应用。然而，受激光测量系统的物理限制、环境干扰及复杂地物反射等因素影响，获取的电力线走廊点云数据中普遍存在大量噪声点。这些噪声包括离群噪声（远离主点云的孤立点）和密接噪声（分布在电力线附近的地物点、植被点及测量误差点），若不有效去除，将严重影响电力线三维重建的准确性和后续目标识别的精度。
点云去噪算法在电力线处理中面临三大核心挑战：
第一个挑战是电力线点云密度的非均匀分布。LiDAR点云在距离传感器近的区域密度高、在远离传感器的区域密度低，传统基于固定半径或固定邻域大小的滤波方法难以在不同密度区域实现一致的滤波效果，误报率和漏报率随密度变化显著波动。
第二
