[发明专利]点云聚类去噪过程中新的K值优化方法

摘要

本发明公开了一种点云聚类去噪过程中新的K值优化方法，步骤如下（1）三维激光扫描仪获取真实物体表面的空间采样点；（2）以空间采样点作为K值优化聚类的聚类样本，使用K‑means聚类方法在聚类数搜索范围产生点云聚类的不同聚类结果，利用聚类有效性指标评价不同聚类结果，将获得的最佳聚类数作为最优K值；（3）以最优K值作为三维点云聚类去噪的聚类初始值，对三维点云进行聚类；（4）对聚类结果类内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。本发明采用新的K值优化方法，以该值对含噪点云进行优化聚类可以使得到的理想点云去噪精度更高，提高了去噪速度，使后期重建出的三维模型更加光顺，逼真。

主权项

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；所述确定聚类数搜索范围的上界，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)、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。