与包围盒法相比,在压缩率近似相同的条件下, k-means聚类方法能较好地保留细节特征,与原始数据的稠密稀疏分布更加一致,所建模型表面更光滑。关键词 图像处理;点云精简; k 均值聚类;曲面拟合;均方根曲率;压缩率中图分类号 TP391 文献标识码 Adoi:10.3788/LOP56.091002PointCloudSimplificationMethodBasedon k-Means...
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...
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...
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...
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特征点,...
基于二分K-means聚类的曲率分级点云数据精简优化算法研究 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,... 李佩佩,崔凤英 - 《电子测量技术》 被引量: 0发表: 2022年 ...