基于局部密度和改进模糊C均值的环形锻件点云去噪方法技术

本发明专利技术公开了一种基于局部密度和改进模糊C均值的环形锻件点云去噪方法，涉及三维点云离群点检测和去噪技术领域，包括以下步骤：对点云数据中偏离锻件模型主体的噪声点使用参数自适应的半径滤波方法实现去噪；计算采样点的互邻域集；进而通过互邻域点与邻域点的数量比，将数据集划分为核心集和备选集；对两个数据集中的数据使用针对性的方法计算离群因子值，根据得到的离群因子值去除大尺度噪声；确定初始聚类中心；由基于马氏距离的模糊聚类算法查找点的隶属度值，对偏离的点进行光顺去噪。本发明专利技术能够对存在不同密度分布区的点云模型实现可靠去噪，在保持特征的基础上实现环形锻件点云模型光顺。锻件点云模型光顺。锻件点云模型光顺。

【技术实现步骤摘要】
基于局部密度和改进模糊C均值的环形锻件点云去噪方法


[0001]本专利技术涉及三维点云离群点检测和去噪
，尤其是基于局部密度和改进模糊C均值的环形锻件点云去噪方法，属于基于局部密度和模糊C均值聚类的去噪方法。

技术介绍

[0002]在锻件制造业中环型锻件作为制造重大装备的基础件，其铸造水平的高低是衡量一个国家工业发展水平的重要标志。通过环形锻件的尺寸检测可以检验锻件的成型尺寸，验证相应的工艺参数及成型工艺的合理性。由于环形锻件轧制时环境温度高危险性大，通过激光测量的方式可以有效提高测量效率，提高测量的安全性。
[0003]在使用三维激光扫描锻件获取点云数据时，由于大型锻件在轧制过程中环境比较复杂，测量过程中锻件会有震动干扰、锻件在热态的情况下又会有温度变化的干扰，使得测得三维数据存在一定比例的噪声。检测得到的原始数据中不可不免到的会存在噪声点，不利于后期的点云处理，因此需要对获得的点云数据进行去噪预处理。
[0004]当前处理散乱点云中的离群点的方法主要分为基于统计、聚类、距离、密度的方法，然而这些方法都有各自的局限性。如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于局部密度和改进模糊C均值的环形锻件点云去噪方法，其特征在于：包括以下步骤：步骤1：利用参数自适应的半径滤波去噪方法，实现偏离点云模型结构的离群点去噪，得到初次去噪后的点云数据；步骤2：利用基于密度的点云去噪方法，以互邻域度的值作为划分依据，将数据集划分为核心集和备选集；针对两个数据子集的数据特征使用不同的离群因子计算方法，通过离群度筛选出大尺度离群点；步骤3：使用肘方法对步骤2中的核心集部分计算聚类划分数量c，基于互邻域度的大小提出确定初始聚类中心位置的方法，随后通过基于马氏距离的模糊C聚类方法实现去噪和光顺。2.根据权利要求1所述的基于局部密度和改进模糊C均值的环形锻件点云去噪方法，其特征在于：在所述步骤1中利用参数自适应的半径滤波去噪方法包括下步骤：获取激光扫描仪的点云数据集D，根据点云数据整体的分布情况，计算适当的半径滤波参数；其中，数据点个数为n；设数据点p在指定半径内邻域点个数为q；数据集中与p距离最近的k个点为最近邻域点NN
k
(p)；计算任一数据点p
i
的k最近邻域内各点之间的平均距离对得到的各点k邻域平均距离再取平均值，得到整体点云数据中各点的领域平均距离遍历每个数据点，在滤波半径的范围内，若其半径邻域中邻域点个数达到指定的最低邻域点个数Q则保留该点，否则把该点记作孤立点并删除。3.根据权利要求2所述的基于局部密度和改进模糊C均值的环形锻件点云去噪方法，其特征在于：在所述步骤2中，将数据集分为核心集和备选集，包括以下步骤：以步骤1中统计的全部对象的k邻域数据为基础，在p的k临近点o中确定p与o的最远距离为k
‑
dist(p)，在o点中与p构成互为k临近点的部分作为p的互邻域点，记作p的互邻域点集MNS，如下式所示：MNS
k
(p)＝{o|o∈NN
k
(p)∧p∈NN
k
(q)}将对象p的互邻域点在k最近邻点中占比定义为互邻域度当MND的值大于设定的阈值μ，将该数据标记为点云数据D的核心集D
a
，数量记作n
a
；否则将其标记为备选集D
b
，数量记n
b
，如下式所示：4.根据权利要求3所述的基于局部密度和改进模糊C均值的环形锻件点云去噪方法，其特征在于：在所述步骤2中，对核心集和备选集的计算离群因子，包括以下步骤：将点云数据D划分成核心集与备选集两个部分后，根据其不同的数据特点，对两个数据集使用不同的方法去噪；对核心集的数据使用计算局部离群点因子的方法LOF获得每个数据点的离群度，LOF
k
(p)的值越高，则p是离群点的程度就越大，计算方法如下式所示：
*对于备选集的数据在计算离群因子时，不但要...

【专利技术属性】
技术研发人员：张玉存，高云龙，付献斌，
申请(专利权)人：燕山大学，
类型：发明
国别省市：