基于外点检测与校正的填充射影分解算法

针对三维重构中存在的数据缺失和遮挡问题,提出可处理缺失数据的填充射影分解算法,利用子空间约束与对极几何约束进行矩阵拟合并填充缺失数据,通过奇异值分解得到射影运动与结构参数。为克服该算法对噪声和外点的敏感性,结合RANSAC算法和三角形法对其进行外点检测与校正。实验结果表明,加入外点校正后的算法可提高射影重构的鲁棒性,降低误差,具有较高的实用价值。

基于外点检测的加权k-means算法

为解决k-means聚类算法中异常样本点破坏数据分布,致使簇中心发生较大偏差的问题,通过计算样本点与潜在簇中心的距离赋予样本点不同的权重,降低外点对数据分布的影响,并通过对权重向量施加?;-norm范数在聚类模型中自适应移除外点.采用交替最小化优化算法求解模型,在人工合成数据集和真实数据集上的实验表明,所提模型能有效降低外点对聚类的影响,可得到更有效的聚类效果.

基于空间邻域连通区域标记法的点云离群点检测

提出了空间邻域连通区域标记法对点云进行离群点检测。首先,构建点云的k连通域,定义空间连通性准则;其次,判断当前点与其邻域是否满足该准则,如果是则将邻域点追加到当前连通域,否则,邻域点为新的连通区域;最后,遍历所有点,直到每个点都被标记,判断每个连通域中点的个数,如果连通域中的点云小于阈值,则该连通域中的所有点被看做是离群点。对合成的不同类型的理想数据和扫描实际点云数据进行测试。实验结果表明,空间邻域连通法不仅可以有效检测簇状离群噪声,还能检测靠近正常点的稀疏离群点。与广泛应用的离群点检测算法如LOF、DBSCAN相比,该算法对离群点检测效果更佳,检测率接近1,且算法的复杂度更低。