[发明专利]点云聚类去噪过程中新的K值优化方法

说明书

技术领域

本发明属于逆向工程、聚类分析等技术领域，具体涉及一种点云聚类去噪过程中新的K值优化方法。

背景技术

点云数据一般是通过三维扫描仪等测量仪器获取物体表面离散点的三维几何坐标,由于设备精度的限制、光的影响以及材料的反射特性，导致这些包含物体三维坐标信息的点云数据不可避免的含有许多小振幅噪声和离群点，含噪的点云数据会对后期重建出的三维模型产生非常严重的影响。三维重建在机器人视觉导航中的障碍物检测、文物的数字化保护、城市设计规划与管理、三维地形重建、工业制造中的实物造型、医学影像分析等领域有着极其广泛的应用，而点云去噪又是三维模型重建点云数据预处理过程中的其中一个关键环节。

点云去噪过程通常包括点云空间拓扑关系的建立、离群噪声点的识别和去除三大环节。空间拓扑关系的建立是点云去噪的首要问题，拓扑关系的是否有效直接影响去噪的精度及速度。虽然基于密度聚类的点云去噪和基于K-means聚类点云去噪方法实现了目标物与噪声点的分离。但基于密度聚类的点云去噪仅局限于小范围、表面连续的物体点云；并且运行过程中可能需要多次人工干预，聚类质量也由人眼观察评价；没有统一规范的评价标准，无法保证聚类质量的有效性。也能实现，基于K-means聚类点云去噪方法人为估计出的聚类数目对点云实现聚类，无法保证聚类质量和聚类效果，进一步影响了后期针对每一类点云去噪的效果。

当前，基于聚类的点云去噪方法是：在通过三维扫描仪获取点云数据后，以获取的点云数据作为聚类样本，人为设定初始聚类数目，对点云进行聚类，通过聚类结果建立空间拓扑关系，基于欧式距离对类内进行离群噪声点的识别和去除。如图1所示，图1采用基于K-means聚类点云去噪算法，然而这种简单地以人为估计的数目作为初始聚类数目进行聚类的方法存在以下不足和缺陷：

（1）由于K-means聚类算法的无法事先得到合适的聚类数目，K值需要人为给定，无法保证聚类结果，将影响点云聚类，不能够建立有效的点云空间拓扑关系；

（2）当前已提出的基于聚类的点云去噪算法，首先人为估计出初始聚类数目，然后以此K值对点云进行聚类后去噪。该方法在一定程度上可以识别出明显的离群噪声点，但这样方法产生的点云并不是期望获得的理想点云，因此会产生去噪精度不高及去噪速度缓慢的问题。

因此，要想得到良好的去噪结果，建立有效的点云空间拓扑关系，减少聚类迭代次数，降低全局去噪的时间复杂度，提高去噪精度，需要在点云聚类时对初始聚类数目，即K值进行优化。

发明内容

针对现有技术中存在的上述不足，本发明提供了一种用以提高去噪精度及降低去噪时间复杂度的点云聚类去噪过程中新的K值优化方法。

为了解决上述技术问题，本发明采用了如下技术方案：

点云聚类去噪过程中新的K值优化方法，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。

作为本发明的一种优选方案，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。

作为本发明的另一种优选方案，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)：