摘要: 为了提高三维点云的质量, 在抑制噪声的同时恢复尖锐特征, 提出一种基于L1稀疏优化的点云鲁棒低秩联合估计重构算法. 首先, 使用鲁棒主成份分析进行点云局部区域低秩建模估计, 避免离群点的影响, 并根据法向场的变化调整模型, 实现点云各向异性自适应降噪; 为了提高算法求解效率, 利用局部曲率进行尖锐特征辨识, 将阈值迭代法与非精确增广拉格朗日乘子法相结合用于点云不同区域低秩模型的求解; 然后, 根据每个优化后局部邻域交叠区域的冗余信息完成点云的全局联合估计重构; 最后, 对尖锐特征点运用投影优化实现边缘特征恢复, 解决尖锐特征退化以及边缘毛糙的问题. 在公开仿真点云数据与多种典型算法的实验结果表明, 所提算法无论是主观视觉效果还是重构精度与效率均得到改善, 与MRPCA算法相比精度提升10.22%, 时效提升56.52%; 在保留点云原有特征信息的同时, 可以有效地抑制噪声并恢复尖锐特征, 重构效果良好.