针对传统多尺度模型对模型点云比较方法(Multiscale Model to Model Cloud Comparison,M3C2)计算法向量与形变量时易受离群点影响的缺点,提出一种基于离群点探测准则的改进算法。首先,在估计关键点法向量时,依据改进离群点探测准则迭代...针对传统多尺度模型对模型点云比较方法(Multiscale Model to Model Cloud Comparison,M3C2)计算法向量与形变量时易受离群点影响的缺点,提出一种基于离群点探测准则的改进算法。首先,在估计关键点法向量时,依据改进离群点探测准则迭代剔除离群点,提高法向量估计的准确性,然后,通过离群点探测剔除圆柱内离群点,最后,结合正态分布加权计算形变量。实验结果表明,相较于M3C2原始算法,改进算法将法向量均方差精度指标提升50%以上,在形变量较大区域可将形变量估值均方差精度指标提高200%以上。改进算法具有更好的适用性和可靠性。展开更多
针对有少量野点出现的情况,提出一种基于马氏椭球学习机的监督野点探测(supervised outlier detection based on Mahalanobis ellipsoidal learning machine,SODMELM)方法。这种方法通过一个超椭球对正常类进行较好的描述的同时,将野点...针对有少量野点出现的情况,提出一种基于马氏椭球学习机的监督野点探测(supervised outlier detection based on Mahalanobis ellipsoidal learning machine,SODMELM)方法。这种方法通过一个超椭球对正常类进行较好的描述的同时,将野点排除在该椭球外面,继承了马氏椭球学习机(Mahalanobis Ellipsoidal Learning Machine,MELM)将样本点的协方差矩阵即样本点的分布信息考虑进去的优点。真实数据上的实验表明了所提的方法在一般意义上能提高野点探测的效率。展开更多
文摘针对传统多尺度模型对模型点云比较方法(Multiscale Model to Model Cloud Comparison,M3C2)计算法向量与形变量时易受离群点影响的缺点,提出一种基于离群点探测准则的改进算法。首先,在估计关键点法向量时,依据改进离群点探测准则迭代剔除离群点,提高法向量估计的准确性,然后,通过离群点探测剔除圆柱内离群点,最后,结合正态分布加权计算形变量。实验结果表明,相较于M3C2原始算法,改进算法将法向量均方差精度指标提升50%以上,在形变量较大区域可将形变量估值均方差精度指标提高200%以上。改进算法具有更好的适用性和可靠性。
