改进的核密度点云去噪算法的研究与实现

针对目前基于核密度估计的去噪算法在核函数参数的选取上未能充分体现散乱点云数据的表面特征,提出一种改进的去噪算法。以当前点法向量与其邻域内点的法向量构造的差向量作为核函数的参数,引入面积权重进行光顺,通过构造空间单元格的最大连通域剔除离群点,结合K-近邻搜索建立点云之间的拓扑关系,以改进的高斯函数作为核函数计算当前点的影响值。实验结果表明,该算法在有效去除表面噪声和离群点的同时,能够较好保留模型的细节特征。     

考虑法向离群的自适应双边滤波点云平滑及IMLS评价方法

针对目前在点云双边滤波平滑算法中,人工输入不合理参数导致的点云平滑效果不佳,且易导致体积收缩及现有去噪后点云质量评价方法存在表达局限性等问题,提出一种自适应参数的点云双边滤波算法和基于隐性移动最小二乘(IMLS)的质量评价方法。首先构建KD-tree数据结构用于点云拓扑,之后搜索各点邻域,利用奇异值分解法计算法向量信息,并在双边滤波公式中引入法向离群因子以剔除邻域内离群点,然后通过扩展高斯核函数的权值计算式,在点云邻域内自适应获取空间与法向特征参数,最后应用改进模型进行点云平滑并引入IMLS方法评价点云质量。实验结果表明,考虑法向离群的自适应双边滤波点云平滑算法具有良好的去噪效果,相比其他算法体积收缩更小,且IMLS评价方法客观有效。     

基于前向查找和均值漂移的点模型鲁棒降噪算法

针对点模型提出了基于前向查找和均值漂移两种鲁棒统计方法的滤波算法。前向查找算法根据残差图自动检测离群点,并将输入的点云数据划分为多个不带离群点的最优局部降噪邻域。对局部邻域进行加权协方差分析,估计出该邻域的最小二乘拟合平面。在局部邻域内估计采样点的核密度函数并通过均值漂移算法计算它的局部最大值点,核密度函数的局部最大值点确定了点云数据的聚类中心并能准确逼近采样点曲面,将每一个采样点漂移到密度函数的局部最大值点,使点云曲面收敛为一个稳定的三维数字模型。实验结果表明,本文的算法是鲁棒的,能在有效剔除点模型表面噪声的同时较好地保持模型表面的尖锐特征。     

基于密度的离群噪声点检测

针对三维扫描仪获取的带噪声和离群点的点云数据,提出了基于局部离群点概念的去噪算法。通过k-近邻(KNN)搜索建立散乱点之间的拓扑关系,进而计算当前测点的局部离群因子以衡量该点的离群程度,从而限制噪声并剔除离群点。重点解决了高密度扫描点云周围分布的低密度离群噪声点的识别问题。实验结果证明,该算法能有效检测出紧挨模型边界的噪声点,并最大限度地保持模型边界。     

基于频率直方图的K邻域稀疏离群点移除算法

在点云预处理阶段,传统的基于k邻域的稀疏离群点移除算法尚存在一些不足。在点云的处理过程中,关于k邻域的大小以及所要滤去的稀疏离群点的噪声阈值方面,没有给出合理的选取方案。通过对散乱点云传统k近邻稀疏离群点移除算法的分析与研究,提出一种基于k邻域平均距离的频率直方图的分析方法,对传统基于k邻域的离群点移除算法进行了改进。通过该方法可以有效选取合理的k值与噪声阈值。该方法通过对散乱点云设置依次增大的k值,生成k邻域平均距离的统计直方图,分析统计直方图来确定k邻域值的适当大小。针对适当的k值,选取合理的噪声阈值对其进行去噪处理。通过这种方法,为稀疏离群点移除算法中k值和噪声阈值的选取提供了理论依据,提高了点云搜索效率的同时有效防止了离群点的过度删除。     

基于核函数-主成分维数约减的离群点检测

为了提高高维数据集合离群数据挖掘效率,该文分析传统的离群数据挖掘算法,提出一种离群点检测算法。该算法将非线性问题转化为高维特征空间中的线性问题,利用核函数-主成分进行维数约减,逐个扫描数据对象的投影分量,判断数据点是否为离群点,适用于线性可分数据集的离群点、线性不可分数据集的离群点的检测。实验表明了该算法的优越性。     

利用Voronoi协方差矩阵重建隐式曲面

目的 针对含少量离群点的噪声点云,提出了一种Voronoi协方差矩阵的曲面重建方法。方法 以隐函数梯度在Voronoi协方差矩阵形成的张量场内的投影最大化为目标,构建隐函数微分方程,采用离散外微分形式求解连续微分方程,从而将曲面重建问题转化为广义特征值求解问题。在点云空间离散化过程中,附加最短边约束条件,避免了局部空间过度剖分。并引入概率测度理论定义曲面窄带,提高了算法抵抗离群点能力,通过精细剖分曲面窄带,提高了曲面重建精度。结果 实验结果表明,该算法可以抵抗噪声点和离群点的影响,可以生成不同分辨率的曲面。通过调整拟合参数,可以区分曲面的不同部分。结论 提出了一种新的隐式曲面重建方法,无需点云法向、稳健性较强,生成的三角面纵横比好。     

一种改进的稀疏迭代最近点算法

稀疏迭代最近点算法是针对含有噪声点的点云配准提出的,但它却存在对目标点云中的离群点敏感、运行效率低等问题。针对这些问题,基于邻域信息的对应点对寻找方法提出了一种改进的稀疏迭代最近点算法。改进的稀疏迭代最近点算法首先使用改进的基于PCA的点云初始配准调整两片点云的位置,而后使用基于邻域信息的对应点对寻找方法为精配准寻找对应点对,针对对应点对,使用乘法器的交替方向法(ADMM)求得最优的变换矩阵。实验表明,对含离群点的斯坦福兔子、盆栽等点云来说,改进后的算法能够处理目标点云含有离群点的情况,并且算法的配准速度平均提高了30%。     

应用于三维点云数据去噪的改进C均值算法

针对三维激光扫描仪采集到的点云数据中离群点不易区分和去噪难度大的问题,提出了一种改进的C均值算法。通过分析三维点云数据特征,在传统C均值算法中引入模糊聚类权重因子,降低类内距离和拉大类间距离,有效增强了离群点特征以降低识别难度。进而将识别出的噪声分类别处理,利用改进的C均值算法去除大尺度噪声,构造双边滤波算法去除小尺度噪声数据。与密度聚类算法、正交整体最小二乘平面拟合和基于特征选择的双边滤波点云去噪等算法相比,去噪准确度分别提升了7.3%、6.5%和6.0%,实验结果表明该算法可以有效去除大尺度噪声并能较好地保留有效数据。     

离群模糊核聚类算法

一般说来,离群点是远离其他数据点的数据,但很可能包含着极其重要的信息.提出了一种新的离群模糊核聚类算法来发现样本集中的离群点.通过Mercer核把原来的数据空间映射到特征空间,并为特征空间的每个向量分配一个动态权值,在经典的FCM模糊聚类算法的基础上得到了一个特征空间内的全新的聚类目标函数,通过对目标函数的优化,最终得到了各个数据的权值,根据权值的大小标识出样本集中的离群点.仿真实验的结果表明了该离群模糊核聚类算法的可行性和有效性.     

基于离群点检测的图形图象噪声滤除算法

图形图象噪声过滤与修正,在媒体制作、图象分析与信息提取中起着十分重要的作用.虽然基于小波变换的算法能够对高斯噪声进行较好的滤噪处理,但对于随机分布于图象中的各种非高斯噪声仍没有普遍适用的滤噪方法.为了对这种随机分布于图象中的噪声进行有效的检测与滤除,采用对数字图象像素进行解析化描述的方法,从离群点检测的角度给出噪声的定义,并在此基础上构造了相应的图象噪声检测与滤除算法.实验结果表明,这一新方法对图象类型具有广泛的适应性和较好的噪声滤除效果,在大规模图形图象处理应用中具有实用价值.     

融合先验知识的模糊最小二乘支持向量机模型及其应用

为了解决最小二乘支持向量机(LSSVM)对噪声或孤立点敏感的问题,融合数据样本中的先验知识,提出一种基于噪声分布模型和样本紧密度的模糊最小二乘支持向量机模型。在训练的过程中,考虑样本的噪声分布信息。为了区分有效样本和噪声,研究了基于样本紧密度的策略。运用该策略和噪声分布模型,可自动生成相应样本的模糊隶属度。该方法提高了最小二乘支持向量机的抗噪声能力以及处理含有噪声或孤立点样本的灵活性。将提出的方法运用于润滑油精制生产过程的故障诊断。实验结果表明,该方法具有很好的分类精度和鲁棒性。     

基于相似度的网格聚类算法

提出了一种基于相似度的网格聚类算法（SGCA）。该算法主要利用网格技术去除数据集中的部分孤立点或噪声,使用边界点阈值函数提取类的边界点,最后利用相似度方法进行聚类。SGCA算法只要求对数据集进行一遍扫描。实验表明,该算法可扩展性好,能处理任意形状和大小的聚类,能够很好的识别出孤立点或噪声,它不仅适用于综合数据集,而且对高维数据集也具有较好的聚类结果。本文中还引进了网格核技术,进一步改善了SGCA算法的时间复杂度。     

基于数据场的FCM改进算法

FCM算法对初始聚类中心敏感,对噪声和孤立点敏感,容易受到数据分布的影响。本文的改进算法引入物理学上的数据场理论,用势函数来描述数据的分布,优化初始聚类中心;同时采用冗余聚类中心的方法,即将大簇分割成多个小类,再用分离度作为评估函数进行类合并。仿真实验结果表明,改进算法能够克服FCM算法的一些缺陷,对数据分布不规则的数据集进行有效聚类,聚类效果良好。     

基于频繁模式的离群点挖掘在入侵检测中的应用

针对网络安全数据高维度的特征,对传统离群点检测不能有效发现的网络数据中入侵行为细节进行检测。提出一种基于频繁模式的算法,通过检测数据项的频繁模式和关联规则,剥离数据流中或安全日志数据中的噪声和异常点,计算安全数据的加权频繁离群因子,精确定位离群点,最后从中自动筛选出异常属性。实验证明,该方法在较好的空间复杂性与时间复杂性下,能有效地发现在高维安全数据中异常的属性。     

基于核方法的一种新的模糊支持向量机

由于支持向量机对样本中的噪声及孤立点非常敏感,因而在解决非线性、高维数、不确定问题时,使用模糊支持向量机比使用支持向量机的效果要好。在模糊支持向量机中,模糊隶属度函数的建立是关键也是难点。一般,模糊隶属度是在原始空间中根据样本点的相互距离及到类中心的距离创建的。考虑样本间的密切度,在特征空间中利用混合核函数建立一种新的模糊隶属度。通过试验比较多项式核函数、高斯径向基核函数与混合核函数,可看出新方法表现出了它的优越性。     

基于拟Laplacian谱和点对拓扑特征的点模式匹配算法

针对谱匹配方法对噪声和出格点的鲁棒性较差的问题,提出了一种基于拟Laplacian谱和点对拓扑特征的点模式匹配算法。首先,用赋权图的最小生成树构造无符号Laplacian矩阵,通过对矩阵谱分解得到的特征值和特征向量表示点的特征,进而计算点的初始匹配概率;其次,利用点对拓扑特征的相似性测度来定义点对间的局部相容性,然后借助概率松弛的方法更新由拟Laplacian谱得到的匹配概率,得出匹配结果。对比实验结果表明,该方法在处理存在噪声和出格点的点集匹配上具有较高的鲁棒性。