结合谱聚类和粒子群改进K-means聚类的机载LiDAR点云单木分割方法

单木分割的精准度对林木资源的调查有重要意义.但是,传统的单木分割算法在处理大规模点云数据时存在临近树木易混淆、算法运算效率低等问题,针对上述问题,本文提出改进谱聚类和粒子群改进K-means聚类的单木分割算法.首先,通过Mean Shift算法对点云数据进行体素化,在该过程中采用自适应带宽和高斯核函数来计算体素间的相似度,以构建出反映体素特性的高斯相似图.然后应用Nyström方法处理高斯相似图,采用K最近邻搜索采样,以选取代表性样本,降低谱聚类在处理大规模数据时的计算负担,同时保持数据的核心特性.通过Nyström近似,得到相似图的近似特征向量,实现从高维空间到低维特征空间的有效映射.最后引入粒子群算法对K-means聚类进行优化.该优化先随机初始化一群粒子,每个粒子代表一组潜在的聚类中心,在每一次迭代中,粒子根据个体历史最佳位置和群体历史最佳位置更新其速度和位置,并调整聚类中心以最小化内部聚类距离.这种策略能够平衡全局搜索与局部搜索,避免陷入局部最优.本文选取NEWFOR公开的点云数据进行实验.实验结果表明,本文算法获得的分割结果相较对比算法准确率提高5.3%,处理效率提升23倍.