ProgressMay,2019基于 k-means聚类的点云精简方法贺一波1* ,陈冉丽 2 ,吴侃 3 ,段志鑫 31 大同煤炭职业技术学院建筑工程系,山西 大同037003;2 石家庄铁路职业技术学院测绘工程系,河北 石家庄050041;3 中国矿业大学环境与测绘学院,江苏 徐州221116摘要 提出了一种基于 k 均值( k-means )聚类的点云精简方法。
1.点云数据:点云数据是一种空间数据集,由一系列三维坐标点组成。 2. K-means聚类:一种常用的聚类算法,通过迭代优化将数据划分为K个聚类,使得每个聚类内部的样本尽可能相似。 3.泊松分布:描述在特定时间段或空间内随机事件发生次数的概率分布。在点云精简中,泊松分布可用于描述某一区域内点的分布密度。 三、算法...
曲率简化针对单一精简算法无法精确保留模型特征信息,易造成点云表面孔洞等问题,提出了一种基于二分K-means聚类的曲率分级优化精简算法.首先采用最小二乘法对邻域进行曲面拟合,计算曲率值,依据曲率值划分显著特征区与非显著特征区,其次采用二分K-means聚类划分非显著特征区,依据子簇的曲率阈值筛选保留具有特征重要性的亚...
针对kinect等深度相机扫描获取的点云数据数量庞大,噪声较多的问题,提出一种特征保持的点云云噪和精简算法.使用K-D树快速分类点云;通过曲率估计算法得到局部曲面的曲率值;使用K—means聚类算法对点云进行聚类,对每个类中的点,根据点到聚类中心的欧式距离和邻近点曲率变化判断是否为噪声点;通过保持特征的点云精简算法实...
云;通过曲率估计算法得到局部曲面的曲率值; 使用 K-means 聚类算法对点云进行聚类,对每个类中的点,根据点到聚类中心的欧式距离和邻近点 曲率变化判断是否为噪声点;通过保持特征的点云精简算法实现对点云数据的简化.实验结果显示, 算法快速有效,对于去除大量外部噪声有良好效果,且精简后的点云数据保持了原始点云特征...
基于K-means聚类的点云数据精简算法能够把点云数据分解成相对独立的簇,并且能够快速对其进行精简,但对点云模型的特征不够敏感,容易丢失特征信息,并且容易在相对平坦的区域产生孔洞。基于泊松分布的点云特征点检测算法能够准确的检测出点云数据模型中的特征点,并且能够在平坦的区域避免孔洞现象,但该算法无法对非特征点...
针对上述问题，提出了一种基于二次特征提取的煤矿巷道表面点云数据精简方法。首先对采集到的原始巷道点云数据进行去噪预处理；其次建立K−d 树，并利用主成分分析法对去噪后点云数据估算来拟合邻域平面的法向量；然后通过较小的法向量夹角阈值对点云进行初步的特征区域与非特征区域划分，保留特征区域并随机下采样非...
K-means聚类算法是一种无监督的机器学习方法,它可以将数据集中的样本分成若干个簇,使得同一个簇中的样本相似度较高,不同簇中的样本相似度较低。K-means聚类算法的原理如下,首先,随机选择K个样本作为初始的簇中心点。然后,计算每个样本到各个簇中心点的距离,并将每个样本分配到距离最近的簇中心点所在的簇。接着,...
本发明公开了一种基于聚类的点集配准方法,包括:获取参考点集和目标点集,对参考点集和目标点集分别进行聚类得到参考点集聚类中心和目标点集聚类中心,以及聚类对应关系矩阵,将聚类对应关系矩阵中的每个聚类簇对扩展为每个聚类簇对对应点集的点集对得到第一目标函数;将位移函数模型与第一目标函数融合得到第二目标函数,采用...
根据建筑物在高度方向截面上的点云数据必定位于其轮廓线的原理,提出基于聚类平面特征的点云数据精简算法.该算法无需对扫描对象进行表面重构,而是在保持建筑物高度方向数据精度的前提下,对点云数据分层聚类简化,保留满足条件的特征点,删除其余的点.通过实例证明该算法可以在保持建筑物外形特征的同时,达到较高的精简比率...