1.一种基于噪声分类与MLS的点云数据泊松曲面重建方法，其特征在于该方法包括：(1)对于待重建模型点云数据，采用限幅滤波去除偏离主体点云的第1类噪声点；

(2)采用MLS方法，对去噪后的点云数据集进行孔洞修复，并估计修复后的点云的法向量；具体包括：

(2.1)采用MLS方法，对去噪后的点云数据集采用局部二元多项式逼近处理，得到逼近曲面，实现孔洞修复；

(2.2)通过带权协方差矩阵鲁棒估计逼近曲面的局部参考平面，并根据局部参考平面估算得到点云的法向量；

(3)采用双边滤波对法向量估计中对与目标采样数据点混合的第2类噪声进行光顺，得到优化点云；

(4)对优化点云采用泊松方程重建曲面。

2.根据权利要求1所述的基于噪声分类与MLS的点云数据泊松曲面重建方法，其特征在于：步骤(1)具体包括：

(1.1)对于待重建模型点云数据集合P＝{pi|i＝1,2,...}，计算出每个点pi到其所有邻近点的平均距离di；

(1.2)将平均距离在预设范围之外的点，标记为第1类噪点，采用限幅滤波从点云数据集中P去除。

3.根据权利要求1所述的基于噪声分类与MLS的点云数据泊松曲面重建方法，其特征在于：步骤(2.1)具体包括：(2.1.1)设局部二元多项式为：

2 2

g(u,v)＝Au+2Buv+Cv+Du+Ev+F

2 2

式中，u,v为函数自变量，A,B,C,D,E,F为待求系数，[u ,uv,v ,u,v,1]构成逼近曲面基函数；

(2.1.2)采用最小二乘误差最小计算待求系数，即：采用以上公式得到系数A,B,C,D,E,F，其中，fi为点云数据中点pi到局部参考平面H1的垂直高度，fi＝n·(pi‑q)，(ui,vi)是pi投影到H1后的局部坐标，θ(d)为权函数，且d为近邻点与的距离，q是p在H1上的投影点，h为设置的高斯系数，对应于全局估计采样隔离，N为点云数量；

3

(2.1.3)对于去噪后的点云数据集，采用部双变量逼近多项式g:H1→R来逼近，得到逼3

近曲面，根据逼近曲面得到新采样点集P'＝{p'i|i＝1,2,...}；其中，R表示多项式。

4.根据权利要求1所述的基于噪声分类与MLS的点云数据泊松曲面重建方法，其特征在于：步骤(2.2)具体包括：(2.2.1)搜索逼近曲面上新采样点p'i的k个最近邻点，并计算带权协方差矩阵C，其中：式中，k为最近邻点个数，p'ij表示采样点p'i的k个最近邻点的集合， 表示采样点p'i的k个最近邻点的重心，T表示矩阵转置，εi为权重系数，且若近邻点到局部切平面的距离dj2

小于或等于采样点p'i到局部切平面的最大距离dmax，则权重系数εi＝1，否则εi＝exp(‑dij/2

μ)，μ为当前点p'i到所有近邻点的平均距离，dij为从p'i到它的第j个近邻点的距离；

(2.2.2)计算权协方差矩阵C的3个特征向量{e0,e1,e2}，并以e0,e1,e2为坐标轴， 为原点，建立局部直角坐标系 其中 投影 到逼近曲面上得到新原点(2.2.3)以 为中心，将向量e1,e2张成一个平面，构成MLS投影的局部参考平面H2，其中：式中，x表示局部参考平面H2上的点；

(2.2.4)搜索点p'i在H2的投影点的k个最近邻点，并计算带权协方差矩阵C'，其中：式中，qij、 分别为p'ij、 在H2的投影点；

(2.2.5)计算C'最小特征值的特征向量，将该特征向量估算为qi的法向量，qi为p'i在H2的投影点；

(2.2.6)返回执行(2.2.1)直至得到每个点的法向量。

5.根据权利要求1所述的基于噪声分类与MLS的点云数据泊松曲面重建方法，其特征在于：步骤(3)具体包括：

(3.1)根据点云数据的法向量计算双边滤波算子α，其中：式中，N(·)是对应数据点的邻域点集合，pi'是逼近曲面上新采样点，|| ||与<>分别表示向量的模、绝对值与向量的内积，ni、nj分别是数据点p'i的法向量、邻近点p'j的法向量；

Wc、Ws分别是数据点p'i到其邻域点的光顺滤波权因子、p'i到邻域点在p'i法向ni上的特征保持权因子；

(3.2)将法向量估计中对与目标采样数据点混合噪声称为第2类噪声，采用双边滤波算子对点云数据中点p'i进行去噪处理，得到优化点云的数据点p”i，其中：式中，为法矢方向。

6.根据权利要求5所述的基于噪声分类与MLS的点云数据泊松曲面重建方法，其特征在于：步骤(3.1)中Wc、Ws计算通式为：

2 2

Wc(x)＝exp[‑x/(2σc)]

2 2

Ws(x)＝exp[‑x/(2σs)]其中:x表示函数的未知量，σc为p'i到其邻域点的距离对p'i的影响因子，具体为点p'i的邻域半径，σs为数据点p'j到邻近点的距离在其法向上的投影对数据点p'j的影响因子，具体为数据点p'j的邻域点标准差。