[发明专利]一种三维点云聚类的算法

说明书

本发明公开了一种三维点云聚类的算法，具体包括以下步骤：S1、设定聚类中心集，将设备采集的大量点云数据导入聚内中心集设定单元内，选取聚类中心Z1，S2、计算阈值T，S3、寻找所有聚类中心，本发明涉及三维点云聚内技术领域。该三维点云聚类的算法，能够在设备采集的大量点云数据内寻找第二个聚类中心Z2，对给定的点云数据遍历得到所有的模式样本可以快速得出并确定阈值，并且根据距离形成连通区域，通过聚内中心定位单元遍历点云数据计算点云中每个样本分别与当前聚类中心集中的每个聚类中心样本的欧式距离可以快速得出最大的最小值寻找聚类中心点集合，为实现聚类提供了基础，以完成了对点云数据的聚类。

技术领域

本发明涉及三维点云聚内技术领域，具体为一种三维点云聚类的算法。

背景技术

在获取点云数据时，由于设备精度，操作者经验环境因素带来的影响，以及电磁波的衍射特性，被测物体表面性质变化和数据拼接配准操作过程的影响，点云数据中会有不可避免的出现一些噪声。

在重构曲面之前，需要对点云数据进行聚类处理，以保证后续3D重建工作准确，高效地进行，K均值算法是目前广泛使用的一种方法，但是也有一些局限性，例如不同的初值中心可能使算法陷入局部最优而导致聚类结果不稳定等问题。

本发明提出一种基于设定阈值按照最大最小距离值来进行聚类的算法，针对于大量点云数据所存在的计算与存储问题，采用的新型的聚类算法，目的保证后续3D重建工作准确、高效地进行，因前期对采集的点云数据出现一些噪声干扰，其准确度不高，与实际结果相差大，因此，有必要针对业务设计研发符合当前业务的算法。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种三维点云聚类的算法，解决了在重构曲面之前，需要对点云数据进行聚类处理，以保证后续3D重建工作准确，高效地进行，K均值算法是目前广泛使用的一种方法，但是也有一些局限性，例如不同的初值中心可能使算法陷入局部最优而导致聚类结果不稳定等的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种三维点云聚类的算法，具体包括以下步骤：

S1、设定聚类中心集：将设备采集的大量点云数据导入聚内中心集设定单元内，选取聚类中心Z1；

S2、计算阈值T：在计算阈值前，在设备采集的大量点云数据内寻找第二个聚类中心Z2，对给定的点云数据遍历得到所有的模式样本，计算得出所有模式样本与聚类中心Z1样本之间的欧式距离数据集合，得到其中最大的欧式距离值，包含点云数据的包围盒为以该值为半径的球形包围盒内的范围，通过阈值T计算单元用该值与给定参数相乘计算得出阈值T；

S3、寻找所有聚类中心：通过聚内中心定位单元遍历点云数据计算点云中每个样本分别与当前聚类中心集中的每个聚类中心样本的欧式距离，得出一组欧式距离值，取出该组数据中最小的欧式距离值，得到一组点云数据中所有样本与当前聚类中心集的最小欧式距离值，从该组数据中找出最大欧式距离值，从而得到该最大的最小值并得到与其对应样本，使用该值与之前通过阈值T计算单元计算得出的阈值T比较，若该值大于阈值，即得到新的聚类中心点，将该对应的样本加入聚类中心集中，并继续通过这种寻找最大的最小值的过程，然后将得到新的距离值与阈值比较，直到得到最大的最小值小于阈值则停止寻找聚类中心，最后即可得到聚类中心集；

S4、点云数据分类：通过点云数据分类单元将S3中得到的聚类中心点集合，以聚类中心点集合中的聚类中心点和计算得到的阈值来进行聚类，通过遍历点云数据中每个点与各个聚类中心的欧式距离值，可得到一组欧式距离值，找到大于阈值的最小欧式距离值和其所对应的聚类中心点，从而实现聚类操作；

S5、算法检测：通过S2中阈值的确定，S3中寻找聚类中心点集合，通过结果检测输出单元对点云数据聚类最终得到的结果检测无误后进行输出。