基于单元格空间的K-Means初始聚类中心选择算法

K-Means是一种经典的聚类算法,K-Means由于其简单高效得到了广泛应用。但该算法需要事先随机选取初始聚类中心,受孤立点的影响很大,很容易生成局部最优解,聚类效果不稳定。本文针对K-Means聚类算法对初始聚类中心敏感问题加以改进,提出一种基于单元格空间的K-Means初始聚类中心选择算法,通过统计在每个单元格空间中的数据量来排除孤立点的影响,并不断合并单元格空间的质心得到最终的初始聚类中心。实验表明,改进算法受孤立点的影响明显降低,聚类精度有很大提高。

改进的核密度点云去噪算法的研究与实现

针对目前基于核密度估计的去噪算法在核函数参数的选取上未能充分体现散乱点云数据的表面特征,提出一种改进的去噪算法。以当前点法向量与其邻域内点的法向量构造的差向量作为核函数的参数,引入面积权重进行光顺,通过构造空间单元格的最大连通域剔除离群点,结合K-近邻搜索建立点云之间的拓扑关系,以改进的高斯函数作为核函数计算当前点的影响值。实验结果表明,该算法在有效去除表面噪声和离群点的同时,能够较好保留模型的细节特征。

三维书籍模型的单侧页面提取方法

针对目前点云分割方法较难分割三维书籍模型的情况,提出一种快速有效的单侧书籍页面的自动提取方法。对于获取的三维书籍模型,利用模型的点云深度信息,求出背景平面方程,去掉模型背景,保留书籍区域;通过分析书籍模型的形态特性,求出分割左右页面的空间平面,保留其中一侧页面;根据点云的密度分布去掉页面的书口区域点云,得到单侧页面的三维模型。实验结果表明,该方法能够快速稳定地提取出单侧页面,具有较高的准确性和速度性能。

基于邻域平均法的点云去噪算法研究

针对目前离散点云数据中出现的起伏变化剧烈的噪声点难以正确去除的问题,提出了一种改进的去噪算法.首先利用空间单元格技术对当前点云进行划分,确定其空间拓扑关系;然后基于每个单元格内的点确定各个单元格的"中心点";最后根据距离标准偏差判断是否为噪声点.实验结果表明,以少量"中心点"代替空间单元格内所有点进行噪声去除的思想,可以加快运算速度,提高效率;该算法不仅能够有效的去除噪声点,而且能够较好的保留点云模型的细节特征.