一种基于模糊C均值和均值滤波的点云去噪算法

因点云数据中存在噪声,通常对不同特征的点云数据采用相同的处理方法,虽然能删除噪声但也会因删除尖锐特征造成过光顺。提出了一种基于模糊C均值(FCM)聚类算法且均值滤波的点云去噪算法。该算法使用模糊C均值聚类算法删除大尺度噪声后,再将均值滤波应用到点云光顺中,对数据点中的小尺度噪声进行光顺。实验结果表明,该算法去噪效果明显,在去噪光顺过程中较好地保持了边界特征,也避免了过光顺问题的产生。     

基于特征信息分类的三维点数据去噪

为了有效去除获取三维点云数据时的噪声,同时又不损失模型的特征信息,提出了一种基于三维点云特征信息分类的去噪算法。首先采用主成分分析法和二次曲面拟合法估算三维点云的微分几何信息;然后根据点云平均曲率的局部特征权值,将点云数据划分为特征信息较少的平坦区域和特征信息丰富的区域,针对不同特征区域分别采用邻域距离平均滤波算法和自适应双边滤波算法进行去噪滤波。实验结果表明:滤波后点云数据的最大误差为0.144 7mm,标准偏差为0.021 0mm。在不同噪声强度下,该去噪算法均能够达到较好的去噪效果,并保留点云的高频特征信息。     

特征保持的点云光顺算法

提出了一种特征保持的三维点云光顺去噪算法。首先对点云模型构造kd树结构,计算采样点的k邻域,然后把点云模型的局部几何信息,包括邻域点间距离、法向夹角、曲率等作为特征参数,根据其特征性强弱将采样点沿法向方向移动不同距离来实现点云去噪。实验结果表明,算法既能有效去除噪声,又能很好地保留原始模型的特征信息。     

层次化点云去噪算法

三维激光扫描设备获取的初始点云模型中含有较多的噪声点,不利于后期的点云处理,需要将其进行剔除。为了有效地保持点云的尖锐几何特征,本文提出一种由粗到精的层次化点云去噪算法。首先构造点及其邻域点的张量投票矩阵,通过计算该矩阵的特征值和特征向量构造扩散张量,并基于该扩散张量利用各向异性扩散方程进行循环滤波,从而实现点云初始粗去噪;然后计算滤波后点云的曲率特征,并根据曲率值进一步删除点云中的噪声点,从而实现点云精确去噪;最后通过计算点云熵值对去噪算法进行定量评价。实验结果表明,本文提出的点云去噪算法具有较大的熵值、较小的去噪误差和较高的执行效率。因此说,该层次化点云去噪算法在保持尖锐几何特征的同时,可以快速精确剔除噪声点,是一种有效的点云去噪算法。     

基于法向量区域聚类分割的点云特征线提取

针对逆向工程领域中散乱点云模型过渡线及细节特征线提取不完整问题,提出一种法向量区域聚类的特征线提取方法。采用自适应邻域的主成分分析法估算模型的法向量,利用萤火虫算法优化的模糊C均值聚类算法对法向量的进行聚类实现模型的有效分割。构造点集剔除与合并准则从各分割块边界点集中析取候选特征点,再以局部邻域主轴方向为基准提取特征点。实验结果表明：简单模型的特征线基本可准确完整提取,相对复杂模型的特征线数量提取率可达90%,长度提取率达到了85%。算法具有良好的自适应性和准确性,能有效提取点云模型尖锐特征和细节特征,并尽可能多地保留模型过渡特征。     

装配面点云特征增强的去噪算法研究

为了去除与法兰装配面数据点混合在一起的噪声并更好地保留装配面的特征,将装配面点云数据中的噪声分为 2 类。利用空间栅格划分将点云数据栅格化,使用 K 领域搜索的方法筛选出第 1 类噪声点,运用采样点邻域点数统计法删除第 1 类噪声点;采用改进的双边滤波法对第 2 类噪声点进行去噪。通过与各类算法进行比较,实验结果表明,该去噪算法在达到预期去噪效果的同时还可以增加装配面特征的保持度,并且能够避免传统双边滤波在去噪后产生光顺过度的现象。     

特征保持点云数据精简

由于三维扫描设备采集的点云数据庞大,本文提出了一种特征保持的点云精简方法以在减少冗余数据的同时更好地保持原始曲面的几何特征。首先,利用K均值聚类法在空间域对点云全局聚类,对点云构建K-d树并以K-d树的部分节点作为初始化聚类中心。然后,用主成分分析法估计点云法矢和候选特征点,遍历每个聚类,若类中包含特征点则将该类细分为多个子类,细分时将聚类映射到高斯球。最后,基于自适应均值漂移法对高斯球上的数据进行分类,高斯球上的聚类结果对应为空间聚类细分结果,各聚类中心的集合为精简结果。以多个实物模型为例验证了算法的有效性。结果表明,本文方法精简的点云在平坦区域保留少数点,在高曲率区域保留更多的点。相比于非均匀网格、层次聚类、K均值点云精简法,该方法对包含尖锐特征的曲面精简误差最小,更好地保留了原始曲面的几何特征。     

基于结构光识别的核燃料组件关键尺寸测量技术研究

针对核燃料组件关键尺寸测量困难的问题,提出了一种基于结构光识别的核燃料组件堆芯管座间垂直阶差与水平间距测量方法。通过直通滤波算法去除与关键尺寸测量无关的冗余点云,利用统计滤波算法滤除离群噪点,基于RANSAC平面分割实现了管座特征区域点云的提取;建立了关键尺寸模型,基于最小二乘法拟合平面实现了管座间垂直阶差的测量;将三维点云投影至二维平面,以保留管座点云边界信息,并进行欧式聚类分割,在分离出不同管座点云的基础上提取出边界点,提出了一种基于RANSAC算法的点云测距算法,实现了相邻管座间的水平间距测量。实验结果表明,所提方法能快速精确地测量出核燃料组件堆芯管座间的垂直阶差与水平间距,并且使二者误差均保持在0.2 mm以内。     

逆向工程中基于模糊聚类的点云数据分区

点云数据分区是逆向工程中重要而又难以解决的问题。首次将模糊聚类方法应用于逆向工程中的点云数据分区,用点的位置矢量、法矢量、高斯曲率和平均曲率8维向量作为特征向量,加权距离替代欧氏距离。在实现分区的同时,可以识别区域内部点和边界附近点,便于后续曲面特征参数精确提取。实验结果证明此算法具有较强的抗噪性,并具有较高的分区效率。     

航空发动机外形点云的保特征去噪方法

三维激光扫描设备可以提供航空发动机外形实测点云,但其中包含的噪声会直接影响后期外形几何模型的重建精度。为保证在去除噪声的同时不模糊或破坏掉发动机复杂的外形几何特征,提出了一种基于深度学习的点云保特征去噪方法。将航空发动机外形噪声点云分割成特征数据和非特征数据之后,分别设计了特征去噪网络和非特征去噪网络,用于预测特征噪声点和非特征噪声点的位置修正向量,噪声点沿预测向量移动后被投影回模型真实的底层表面上,实现去噪。构建了用于特征去噪学习和非特征去噪学习的数据集。验证结果表明,在将该方法应用于各种噪声尺度的发动机外形点云时,相比现有的学习基方法,去噪效果得到提高,且有更好的几何特征保护能力,可以为后续重建提供高质量点云。     

面向INS数据分类的鲁棒性无监督聚类方法

针对惯性导航系统(INS)中加速度计、陀螺仪测量误差随时间积累的问题,提出了一种基于内核模糊C均值的无监督广度优先搜索聚类算法(RUCM),用于INS模块采集数据的去噪及其运动阶段的分类划分。RUCM通过广度优先搜索方法遍历相邻的数据,使用阈值确定聚类数目,同时引入高斯核函数提高RUCM对噪声和异常点干扰的鲁棒性,并验证了其收敛性和鲁棒性。最后,在基于MEMS的INS模块实物系统中验证了该算法,结果表明所提出的方法能够提高随机采样INS数据的聚类性能,抑制了噪声干扰,使其INS运动阶段的聚类划分更加清晰与明确。     

一种曲面特征保持的航空叶片点云精简方法

针对现有点云精简方法在航空薄壁叶片叶缘高曲率特征区域及点云稀疏区域存在取样不足的问题,提出了一种基于重聚类策略的精简方法。通过移动最小二乘法定义点--曲面距离函数,区分高低曲率特征,建立了原始点云和精简点云之间的距离关系,在高曲率区域重聚类,实现叶缘高曲率特征保持;并在重聚类时判断点云疏密程度,对稀疏区域进行重聚类。航空叶片、铸造模具等典型复杂曲面测量点云的精简过程中,该方法相比于均匀采样法、层次聚类法,在高曲率区域可保持较高的几何精度。     

RAT矩函数在模态振形数据去噪中的应用

提出将RAT矩函数应用于三维结构模态振型数据去噪的方法,使用RAT矩函数对结构的振型数据进行矩变换,从振型数据中提取出包含所有振型信息的特征矩集,将幅值较小的矩值作为噪声从特征矩集中剔除,再利用特征矩集重构振型图像,即能实现对振型数据去噪.采用一个仿真的机匣结构,以正态分布的随机噪声模拟真实情况下的噪声,在不同噪声强度...     

尖锐特征曲面散乱点云法向估计

针对现有算法对尖锐特征曲面点云法矢估计不准确,点云处理时容易丢失曲面细节特征等问题,提出一种尖锐特征曲面散乱点云法向估计法。该方法用主成分分析法粗估计点云法向;然后,根据各邻域点的空间欧氏距离和法向距离对各邻域法向加权,用加权邻域法向之和来更新当前点的法向;最后,测试估计法向与标准法向的误差,评价估计法矢的准确性,并且将估计的法向应用到点云数据处理中来比较特征保留效果。实验结果表明:本文方法能够准确地估计尖锐特征曲面的法向,最小误差接近0。另外,该方法对噪声有较好的鲁棒性,点云处理时能保留曲面的尖锐特征。相比于其他特征曲面法向估计法,所提出的方法估计的法向误差更小、速度更快、耗时更少。     

汽轮机故障诊断的粒子群优化加权模糊聚类法

针对模糊C-均值算法在汽轮机故障诊断中的不足,提出了粒子群优化加权模糊聚类分析的方法.首先,采用基于样本相似度的特征加权方法对样本特征及样本进行加权,以适应各种复杂分布的样本;然后,利用粒子群算法优化加权模糊聚类的特征权值和聚类目标函数,并依据聚类有效性指标自适应确定最佳聚类数及聚类结果.试验结果表明,该方法具有收敛速度快和全局收敛的特点,有效降低了汽轮机故障诊断的误分类率,诊断结果可靠.     

GPS单点定位精度优化方法研究

针对GPS单点定位精度低的问题,提出了一种基于卡尔曼滤波和模糊C-均值聚类的联合定位优化方法.该方法首先对GPS采集到的经纬度数据进行卡尔曼滤波,消除较大的数据波动,然后采用模糊C-均值聚类算法确定数据中心.最后通过实验证明了这种优化方法的合理性和有效性.