[发明专利]点云聚类去噪过程中新的K值优化方法

权利要求书

1.点云聚类去噪过程中新的K值优化方法，其特征在于，该方法包括如下步骤：

（1）、用三维扫描仪扫描实物模型的轮廓，获得三维采样点数据；

（2）、以扫描获得的点云作为聚类样本数据，根据阈值分层法确定聚类数搜索范围的上界，下界取值为2，将聚类数搜索范围内的每个整数值设为初始聚类数；

（3）、在聚类数搜索范围内，使用K-means聚类方法产生不同聚类结果，利用聚类有效性指标对聚类结果进行评价，产生最优K值；

（4）、以聚类有效性指标评价产生的最优K值作为点云聚类的初始聚类数目，对点云进行最优聚类；

（5）、以此最优聚类结果进行基于欧式距离的阈值判断来识别及去除局部离群噪声点，得到理想点云。

2.根据权利要求1所述的点云聚类去噪过程中新的K值优化方法，其特征在于，所述确定聚类数搜索范围的上限，具体步骤如下：

首先固定点云数据的某一列，利用直方图方法统计其数据分布；其次将一定阈值范围内的点近似归为一个层面，设定合适的阈值P；确定分层数目，即为聚类数搜索范围的上界；最后根据层内点的法向量是否平行，证明该数据分层方法所分离的各组点是否在同一平面内。

3.根据权利要求1所述的点云聚类去噪过程中新的K值优化方法，其特征在于，所述聚类有效性指标的相关定义如下：

定义1令待分类的点云数据集为S={x₁,x₂,...,x_n}，每个样本点的维数为m维，假设n个样本数据被聚类为h类，聚类中心为C={c₁,c₂,...,c_h}，定义第j类的第i个样本的最小类间夹角余弦值的平均值为bc(j,i)：

bc(j,i)=min1≤k≤h(1nkΣp=1nkΣq=1mxpq(k)xiq(j)Σq=1mxpq(k)Σq=1mxiq(j))---(1)]]>

在公式(1)中k和j表示类标，x_pq(k)表示第k类的第p个样本的第q维，x_iq(j)表示第j类的第i个样本的第q维，n_k表示第k类的样本个数；

定义2令待分类的点云数据集为S={x₁,x₂,...,x_n}，每个样本点的维数为m维，假设n个样本数据被聚类为h类，聚类中心为C={c₁,c₂,...,c_h}，定义第j类的第i个样本的类内夹角余弦值的平均值为wc(j,i)：

wc(j,i)=1nj-1Σt=1,t≠injΣq=1mxtq(j)xiq(j)Σq=1m(xtq(j))2Σq=1m(xiq(j))2---(2)]]>

在公式(2)中x_tq(j)表示第j类的第t个样本的第q维，并且t≠i，n_j表示第j类中的样本个数。

4.根据权利要求1所述的点云聚类去噪过程中新的K值优化方法，其特征在于，所述利用聚类有效性指标确定最佳聚类数；具体步骤如下：

为了验证不同聚类数所对应的聚类效果，需计算该聚类数聚类后所有点云数据的BWACR指标值的平均值，来评价该数据集的聚类效果，通过比较不同聚类数的平均BWACR指标值来确定最佳聚类数；平均BWACR指标值取得最大值所对应的聚类数为最佳聚类数；定义如下：

avgBWACR(h)=1hΣj=1kΣi=1njBWACR(j,i)---(4)]]>

hopt=argmax2≤h≤kmax{avgBWACR(h)}---(5)]]>

上式(4)、(5)中，avg_BWACR（h）表示聚类数为h时聚类后所有点云数据的BWACR指标值的平均值，h_opt在聚类数搜索范围内通过比较不同聚类数的平均BWACR指标值获得的最佳聚类数。