[发明专利]基于改进KNN-DPC算法的激光点云分裂导线提取方法

权利要求书

1.基于改进KNN-DPC算法的激光点云分裂导线提取方法，包括以下步骤：

(1)利用电力线的点云数据，采用空间聚类的方法得到单根电力线点云，然后分别计算各单根电力线点云的拟合抛物线方程，进而计算各电力线点云相对于拟合抛物线的空间点相对坐标，得到空间点相对坐标点集；

所述步骤(1)的具体步骤包括：

1-1)利用电力线的点云数据，采用基于欧氏距离的K-MEANS聚类方法得到单根电力线点云；

1-2)随机均匀选取各单根电力线点云的N个样本点构成样本集C，样本集C中点P_i的坐标为(x_i,y_i,z_i)，其中i＝1，2，3…N；

1-3)将三维空间中的样本点转化为曲线所在二维平面中的样本点，则二维样本点坐标为(w_i,z_i)，其中并采用最小二乘法拟合N个二维样本点(w_i,z_i)，拟合抛物线方程Z为：Z＝Aw²+Bw+C；

1-4)迭代选取样本集C中的各样本点P_j，取过点P_j的平面x＝x_j，当平面x＝x_j与拟合抛物线相交于点S_j时，则以S_j为原点，计算P_j对于S_j的相对坐标；

1-5)将相对坐标点集中于同一二维平面中，构成相对坐标点集D；

(2)在获取的空间点相对坐标点集上，采用改进的KNN-DPC算法识别分裂导线；所述步骤(2)的具体步骤包括：

2-1)利用步骤(1)中获取的电力线的空间点相对坐标点集，计算各样本点i的局部密度ρ_i，其中，i＝1，2，3…N，局部密度ρ_i计算表达式为：

其中，d_ij为样本点i和j之间的欧氏距离，KNN(i)为样本点i的K个近邻样本构成的集合；

2-2)找出局部密度值最大的样本点h，记其局部密度值为ρ_max，并计算样本点h的距离δ_h：

δ_h＝max_j(d_hj)

空间点j为任意样本点，计算除样本点h外，其余各样本点i的距离δ_i，距离δ_i的计算表达式为：

δ_i＝min(d_ij)其中，样本j满足条件：ρ_j＞ρ_i；

2-3)滤除离群点，离群点集合定义为：

Outlier＝{o|k_dist(o)＞threshold}

其中N为样本集全部样本数，若样本点o满足k_dist(o)＞threshold，则样本点o被定义为离群点；

2-4)归一化各样本点i的局部密度值和距离值，得到归一化的局部密度值和距离值并利用和绘制决策图，展示聚类结果；

2-5)选取类簇中心候选点k；

2-6)除去拥有最大局部密度的样本点h，剩余类簇中心候选点共有m个，则类簇中心候选点的平均距离根据值采用查表法判别分裂导线数；根据值采用查表法判别分裂导线数的判别公式为：

(3)采用两种分配策略分配除类簇中心和噪声点外的样本点。

2.根据权利要求1所述的基于改进KNN-DPC算法的激光点云分裂导线提取方法，其特征在于，K值取总数据量的1％～2％。

3.根据权利要求1所述的基于改进KNN-DPC算法的激光点云分裂导线提取方法，其特征在于：步骤2-5)中，类簇中心候选点k的距离和密度满足条件：δ_k*ρ_k0.3。