基于鲁棒马氏距离的LiDAR点云粗差探测与分析

基于鲁棒马氏距离,提出了针对LiDAR点云的粗差探测与剔除算法。首先,将LiDAR点云数据划分为子块,对各个子块点云分布的中心、尺度等统计参数使用确定型最小广义方差估计算法进行鲁棒估计。而后计算各点的鲁棒马氏距离,根据鲁棒马氏距离的平方服从卡方分布的假设,在指定的置信度下得出相应的粗差判别限,对点云的粗差进行识别与剔除。将粗差探测与剔除算法应用到甘肃天水桥子沟一条典型切沟的测量数据中,测试了点云分块中不同子块大小与detMCD中不同子样本相对大小这两个参数与粗差剔除率的关系。结果表明,随着子块平均点数的增大,粗差的剔除率逐渐增大;而随着子样本相对大小的增加,粗差的剔除率逐渐减少。通过粗差剔除前后的点云TIN图像和剖面图像比较,本文提出的粗差探测与剔除算法可以有效去除LiDAR点云数据中的粗差,提高粗差剔除的准确性与可靠性。

基于改进鲁棒马氏距离与卡平方分布的粗差判别及其应用

针对可能含有粗差的样本数据,提出一种基于改进鲁棒马氏距离和卡平方分布的粗差判别方法。首先,该算法通过CDC2-MVT(Closest distance to center-Ellipsoidal multivariate trimming)初步抗差估计样本的鲁棒马氏距离,接着通过CESD(Consistently estimate the standard deviation)渐近估计鲁棒马氏距离的标准差,从而找出最一致的观测样本。然后,基于最一致的观测样本重新估计总体的位置参数和尺度参数,进而估计改进鲁棒马氏距离,在保证估计位置参数和尺度参数抗差性的同时,克服了CDC2-MVT方法效率不足的缺点。最后,基于改进鲁棒马氏距离,通过卡平方分布判别样本数据中的粗差。仿真研究与实际应用表明,提出的粗差判别方法明显优于基于CDC2-MVT、CDCm-MVT和MCD的粗差判别方法。

基于Contourlet能量金字塔和改进Hausdorff距离的SAR匹配图像算法

针对SAR图像匹配系统的高精度、高效率要求，对SAR图像匹配方法进行了研究。将Contourlet分解的金字塔结构应用于SAR图像匹配并对其进行了改进，形成了基于Contourlet变换的能量金字塔算法，同时针对相似性度量方法，重点研究了鲁棒Hausdorff距离（RHD）出格点阈值的选取方法，对Hausdorff距离进行了改进，进而提出了基于Contourlet能量金字塔和改进的Hausdorff距离的SAR图像匹配算法。经过实验对比，证明了这种新算法不仅鲁棒性较好而且匹配精度高，能够达到SAR图像匹配系统的要求。

自适应鲁棒图形模糊聚类分割算法

针对图形模糊聚类算法缺乏噪声抑制能力的不足,提出基于鲁棒距离的自适应图形模糊聚类分割算法.首先,将邻域像素灰度信息嵌入图形模糊聚类目标函数,得到鲁棒图形模糊聚类分割算法.然后,利用鲁棒距离代替鲁棒图形模糊聚类目标函数中的平方欧氏距离,并对该鲁棒聚类中正则因子采用当前样本与邻域信息均值之偏差进行自适应调节.最后,利用拉格朗日乘子法获得自适应鲁棒图形模糊聚类迭代表达式.灰度图像及其噪声干扰图像的分割测试结果表明:该分割算法相比图形模糊聚类算法、鲁棒图形模糊聚类算法以及现有的鲁棒模糊聚类算法等具有更强的分割能力和抑制噪声的能力.

基于改进MCD的粗差判别方法及性能分析

针对正态分布的样本数据粗差判别,MCD(Minimum Covariance Determinant Estima-tor)方法存在算法参数h难以确定的缺点,提出了基于MCD的改进算法Modified MCD(M-MCD)。该算法首先以基于MCD估计的鲁棒马氏距离平方的标准差与理论总体样本马氏距离平方的标准差的最小偏差为目标,通过自适应迭代,求得最佳的算法参数h。然后,在最佳算法参数h下,基于MCD估计的鲁棒马氏距离,通过卡平方分布判别样本数据中的粗差。系列仿真实验表明:MCD方法的粗差判别结果严重依赖于算法参数h;M-MCD方法能通过自适应迭代求得最佳算法参数h,并具有良好的粗差判别性能,且优于MCD。