一种K-均值聚类的改进算法及其应用

由于传统的K-均值聚类算法固有的特性,如对初始聚类中心的依赖性和对噪声点的敏感性,导致了其聚类结果的不稳定。文中基于k-dist图提出一种改进算法,算法首先去除数据集中的噪声点,然后从数据集中选取靠近点聚集区域、相距最远的k′个数据点作为初始簇中心。实验结果证明,文中算法能够很好地消除K-均值聚类算法对初始簇中心的依赖性,并能有效去除噪声点。     

基于凸包算法和抗差最小二乘法的激光扫描仪圆形标靶中心定位

针对激光扫描仪圆形平面标靶点云数据缺失或冗余时不易准确获取标靶中心的问题,提出一种稳健的中心定位算法。首先根据回光强度提取标靶点云数据;然后剔除标靶点云数据粗差点,拟合标靶的最佳平面;接着利用凸包算法提取标靶边缘点;最后利用抗差最小二乘求解标靶的中心坐标。实验表明,该算法定位精度能达到亚毫米级,可以有效解决标靶数据缺失或者冗余时标靶定位精度低的问题,提高标靶的中心定位的稳健性。     

电力线点云精细提取与重建的模型残差实现

针对分裂导线提取方法抗噪性差、建模精度低等问题,该文提出一种利用模型残差聚类的机载激光雷达单根电力线点云精确提取并建模方法。首先利用最小二乘原理最佳拟合二维直线和抛物线;然后通过改进后的K-均值聚类算法对拟合残差进行聚类并剔除噪声点,得到高精度的单根电力线点;最后采用抛物线方程实现三维模型精细重建。利用典型代表性的两组实验数据进行验证,结果表明:该方法能很好地顾及电力线类型、档距、高差、噪声和缺失等因素,单根电力线点提取精度99.75%以上,模型拟合最大误差为0.017 m。     

基于 RA NSAC 的残缺平面标靶稳健定位方法

针对圆形有效反射区域的平面标靶拖尾点和因遮挡造成的数据缺失问题,提出一种基于RANSAC的残缺平面标靶稳健定位方法。文中采用RANSAC算法拟合标靶平面,使经过测距误差修正的反射点规整位于标靶平面;利用Givens变换将空间三维圆拟合简化为二维圆RANSAC拟合。采用两个实验分析同一平面标靶因不同遮挡对定位精度的影响。结果表明,该方法能够有效解决拖尾点和数据缺失问题,提高平面标靶定位的鲁棒性。     

FCM聚类算法对平面标靶中心提取精度的探究

本文详细阐述了FCM聚类算法的原理,分析了FCM聚类的有效性,并设计了平面标靶中心提取实验,利用MATLAB编写了基于FCM聚类算法的提取程序进行中心提取。最后对提取的中心坐标进行了对比分析,确认该方法可行、精度可靠,为后续海量点云数据的拼接处理研究提供了基础条件。     

面向多维时空位置数据的动态加权聚类模型

针对传统聚类算法在处理时空位置数据挖掘时面临的多维聚类问题,提出了动态加权聚类模型。该模型叠加利用经典k-均值和基于密度的DBSCAN聚类算法,通过计算最大轮廓系数确定合适的簇数目,按照划分初始簇类、识别和剔除噪声点、修正聚类簇中心点位置坐标3个步骤实现对大体量多维时空位置数据的聚类分析,提出了动态权重系数计算公式,优化了基于密度的DBSCAN聚类算法中相似度函数,并在Python3.7环境下以网络签到数据集实例仿真验算了该模型算法。实验结果表明,相较单一的传统聚类算法,该模型能综合利用多维非位置属性对时空位置数据点聚类,更合理界定聚类簇的归属数据点,对提升时空位置数据集聚类簇中数据点的聚类效果明显。     

改进K均值聚类的点云林木胸径提取

针对现有胸径提取精度不够高、自动化程度低等不足,基于地基激光雷达胸径切片点云数据,该文提出了一种改进K均值聚类的林木胸径提取方法.利用约束条件优化初始种子点的选择原则,避免随机种子点选择造成聚类结果陷入局部最优;采用拐点法自适应确定聚类目标类别数目,提高单木胸径点分割的自动化程度;根据点云与类别中心统计参数识别并剔除非目标对象点,通过圆模型参数求解实现胸径值计算.结果 表明:改进后的K均值聚类能快速实现林木胸径点的批量化提取,无须林木数目、样地大小等先验知识,具有自动化程度高、抗噪性强的优势.该研究对地基激光雷达在林业资源调查及生产管理应用具有一定的实际应用参考价值.     

特征空间聚类的电力线激光雷达点云分割方法

针对现有电力线激光雷达点云分割方法中存在的问题,该文提出了一种采用特征空间K-means聚类的单档电力线激光雷达点云分割方法:利用电力线LiDAR点云的水平坐标信息进行直线拟合,并对LiDAR点沿直线方向进行分段;将每一段LiDAR点云投影到相应的电力线切平面(该平面垂直于拟合直线);最后使用K-means聚类方法进行投影点的聚类,且相邻的段和段之间通过投影中心点进行类别的传递和规则化。实验表明,该方法可以较好地进行单档电力线LiDAR点云分割,且对电力线根数、电力线类型、电力线空间配置结构、档距长度、点云不规则断裂等因素不敏感。     

基于粗糙集的K-均值聚类算法在图像分割中的应用

结合粗糙集理论和K-均值聚类算法,提出了一种图像的粗糙聚类分割方法,试验结果表明,其比随机选取聚类的中心点和个数减少了运算量,提高了分类精度和准确性。     

基于主成分分析的点云平面拟合技术研究

针对点云数据易受到噪声的扰动,导致拟合的平面不稳定的特点,将主成分分析法应用到点云平面拟合中。首先选取合适的邻域以拟合点云,剔除一些孤立点;再以主成分分析原理为基础,通过一定的准则去除粗差点,获取稳定准确的最佳平面方程。在实验中,分别利用最小二乘法、特征值法和主成分分析法对点云数据进行拟合,结果显示该方法能够有效剔除噪声点,得到可靠的平面参数估值。