The invention discloses a point cloud clustering to K new noise value in the process of optimization method, the steps are as follows: (1) 3D laser scanner to obtain the real object surface spatial sampling points; (2) as the K value of sample clustering optimization clustering sampling in space, different clustering results using K means clustering method the number of clustering search point cloud clustering, evaluation of different clustering results using cluster validity index, the optimal number of clusters will be obtained as the optimal K value; (3) the optimal K value clustering as the initial 3D point cloud clustering denoising, clustering of 3D point cloud; (4) the clustering results within the class of threshold judgment based on Euclidean distance to identify and remove local outliers and noises, get the ideal point cloud. The invention adopts the new K value optimization method to optimize the cluster cloud containing noise can make the ideal point cloud denoising to get higher precision to the value, improve the denoising speed, the three-dimensional model of the late reconstructed smooth, lifelike.
【技术实现步骤摘要】
点云聚类去噪过程中新的K值优化方法
本专利技术属于逆向工程、聚类分析等
,具体涉及一种点云聚类去噪过程中新的K值优化方法。
技术介绍
点云数据一般是通过三维扫描仪等测量仪器获取物体表面离散点的三维几何坐标,由于设备精度的限制、光的影响以及材料的反射特性,导致这些包含物体三维坐标信息的点云数据不可避免的含有许多小振幅噪声和离群点,含噪的点云数据会对后期重建出的三维模型产生非常严重的影响。三维重建在机器人视觉导航中的障碍物检测、文物的数字化保护、城市设计规划与管理、三维地形重建、工业制造中的实物造型、医学影像分析等领域有着极其广泛的应用,而点云去噪又是三维模型重建点云数据预处理过程中的其中一个关键环节。点云去噪过程通常包括点云空间拓扑关系的建立、离群噪声点的识别和去除三大环节。空间拓扑关系的建立是点云去噪的首要问题,拓扑关系的是否有效直接影响去噪的精度及速度。虽然基于密度聚类的点云去噪和基于K-means聚类点云去噪方法实现了目标物与噪声点的分离。但基于密度聚类的点云去噪仅局限于小范围、表面连续的物体点云;并且运行过程中可能需要多次人工干预,聚类质量也由人眼观察评价;没有统一规范的评价标准,无法保证聚类质量的有效性。也能实现,基于K-means聚类点云去噪方法人为估计出的聚类数目对点云实现聚类,无法保证聚类质量和聚类效果,进一步影响了后期针对每一类点云去噪的效果。当前,基于聚类的点云去噪方法是:在通过三维扫描仪获取点云数据后,以获取的点云数据作为聚类样本,人为设定初始聚类数目,对点云进行聚类,通过聚类结果建立空间拓扑关系,基于欧式距离对类内进行离群噪声点 ...
【技术保护点】
点云聚类去噪过程中新的K值优化方法,其特征在于,该方法包括如下步骤:(1)、用三维扫描仪扫描实物模型的轮廓,获得三维采样点数据;(2)、以扫描获得的点云作为聚类样本数据,根据阈值分层法确定聚类数搜索范围的上界,下界取值为2,将聚类数搜索范围内的每个整数值设为初始聚类数;所述确定聚类数搜索范围的上界,具体步骤如下:首先固定点云数据的某一列,利用直方图方法统计其数据分布;其次将一定阈值范围内的点近似归为一个层面,设定合适的阈值P;确定分层数目,即为聚类数搜索范围的上界;最后根据层内点的法向量是否平行,证明该数据分层方法所分离的各组点是否在同一平面内;(3)、在聚类数搜索范围内,使用K‑means聚类方法产生不同聚类结果,利用聚类有效性指标对聚类结果进行评价,产生最优K值;(4)、以聚类有效性指标评价产生的最优K值作为点云聚类的初始聚类数目,对点云进行最优聚类;(5)、以此最优聚类结果进行基于欧式距离的阈值判断来识别及去除局部离群噪声点,得到理想点云。
【技术特征摘要】
1.点云聚类去噪过程中新的K值优化方法,其特征在于,该方法包括如下步骤:(1)、用三维扫描仪扫描实物模型的轮廓,获得三维采样点数据;(2)、以扫描获得的点云作为聚类样本数据,根据阈值分层法确定聚类数搜索范围的上界,下界取值为2,将聚类数搜索范围内的每个整数值设为初始聚类数;所述确定聚类数搜索范围的上界,具体步骤如下:首先固定点云数据的某一列,利用直方图方法统计其数据分布;其次将一定阈值范围内的点近似归为一个层面,设定合适的阈值P;确定分层数目,即为聚类数搜索范围的上界;最后根据层内点的法向量是否平行,证明该数据分层方法所分离的各组点是否在同一平面内;(3)、在聚类数搜索范围内,使用K-means聚类方法产生不同聚类结果,利用聚类有效性指标对聚类结果进行评价,产生最优K值;(4)、以聚类有效性指标评价产生的最优K值作为点云聚类的初始聚类数目,对点云进行最优聚类;(5)、以此最优聚类结果进行基于欧式距离的阈值判断来识别及去除局部离群噪声点,得到理想点云。2.根据权利要求1所述的点云聚类去噪过程中新的K值优化方法,其特征在于,所述聚类有效性指标的相关定义如下:定义1令待分类的点云数据集为S={x1,x2,...,xn},每个样本点的维数为m维,假设n个样本数据被聚类为h类,聚类中心为C={c1,c2,...,ch},定义第j类的第i个样本的最小类间夹角余弦值的平均值为bc(j,i):在公式(1)中k和j表示类标,xpq(k)表示第k类的第...
【专利技术属性】
技术研发人员:王勇,唐靖,饶勤菲,
申请(专利权)人:重庆理工大学,
类型:发明
国别省市:重庆,50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。