本文選題：點云數(shù)據(jù) + 區(qū)域分割　； 參考：《光學(xué)精密工程》2017年04期

【摘要】：為實現(xiàn)點云數(shù)據(jù)的區(qū)域劃分,提出一種基于改進的粒子群優(yōu)化與模糊C-均值聚類的混合算法(SPSO-FCM算法)。針對在點云聚類過程中易過早捕獲局部極小值的問題,算法首先用改進的粒子群算法——社會粒子群優(yōu)化算法,對種群進行初始化,通過為每一個粒子設(shè)置不同的跟隨閾值,來維護種群中個體多樣性,加深對種群全局搜索的程度,避免陷入局部極小值;隨后,設(shè)置種群中每個粒子當(dāng)前最優(yōu)位置和初始種群的最優(yōu)位置,更新自由粒子的位置和跟隨粒子的速度和位置;最后,采用模糊C-均值聚類算法求解隸屬度矩陣,確定適應(yīng)值函數(shù),更新所有粒子的最優(yōu)位置,并判斷粒子和種群的位置優(yōu)越性,得到準確的聚類中心,實現(xiàn)對點云數(shù)據(jù)的區(qū)域劃分。以曲面復(fù)雜度不一致的點云模型為例對算法進行驗證,探討SPSO-FCM聚類算法的可行性,并與FCM聚類算法、遺傳FCM聚類算法進行比對。實驗結(jié)果顯示,SPSOFCM聚類算法較其它兩種算法,收斂速度快,迭代次數(shù)少,聚類準確,邊界區(qū)域分割清晰,特別是對型面復(fù)雜、點云數(shù)據(jù)較多的機械零部件點云數(shù)據(jù)進行分割時,能得到更好的分割結(jié)果。
[Abstract]:A hybrid algorithm (SPSO-FCM) based on improved particle swarm optimization (PSO) and fuzzy C-means clustering (FCM) is proposed to realize the region partition of point cloud data. In order to solve the problem that local minimum is easily captured prematurely in the process of point cloud clustering, the improved particle swarm optimization algorithm, the social particle swarm optimization algorithm, is used to initialize the population and set a different follow threshold for each particle. To maintain individual diversity in the population, deepen the degree of global search for the population, and avoid falling into a local minimum; then, set the current optimal position of each particle in the population and the optimal location of the initial population, The position of free particles and the velocity and position of following particles are updated. Finally, fuzzy C-means clustering algorithm is used to solve the membership matrix, to determine the fitness function, and to update the optimal position of all particles. The location superiority of particle and population is judged, and the accurate cluster center is obtained, and the region division of point cloud data is realized. The point cloud model with inconsistent surface complexity is taken as an example to verify the algorithm. The feasibility of SPSO-FCM clustering algorithm is discussed and compared with FCM clustering algorithm and genetic FCM clustering algorithm. The experimental results show that the SPSOFCM clustering algorithm is faster than the other two algorithms in convergence speed, less iteration times, accurate clustering, clear boundary region segmentation, especially when the mechanical parts point cloud data with complex profile and more point cloud data are segmented. Better segmentation results can be obtained.
【作者單位】： 南昌大學(xué)機電工程學(xué)院;赤峰學(xué)院建筑與機械工程學(xué)院;
【基金】：國家自然科學(xué)基金資助項目(No.51065021,No.51365037)
【分類號】：TP18;TP311.13

【相似文獻】

相關(guān)期刊論文 前10條

1 閆龍;;攝影測量點云數(shù)據(jù)精簡研究[J];制造技術(shù)與機床;2010年07期

2 張量;王敏;;基于k鄰域離散擴張的點云數(shù)據(jù)分割[J];軟件導(dǎo)刊;2009年12期

3 周怡;周顧盛;;三維GIS數(shù)據(jù)的處理與提取方法的研究—以點云數(shù)據(jù)中提取樹木為例[J];計算機應(yīng)用與軟件;2010年10期

4 李鳳霞;饒永輝;劉陳;介飛;;基于法向夾角的點云數(shù)據(jù)精簡算法[J];系統(tǒng)仿真學(xué)報;2012年09期

5 嵇俊;云挺;薛聯(lián)鳳;張浩平;;基于激光點云數(shù)據(jù)的復(fù)雜植物葉片重建方法[J];西北林學(xué)院學(xué)報;2014年05期

6 吳福生,丁玉成,盧秉恒;基于點云數(shù)據(jù)復(fù)雜曲面產(chǎn)品的快速開發(fā)[J];西安交通大學(xué)學(xué)報;2002年11期

7 胡雪芬,陳愛萍,童水光,單新潮;基于點云數(shù)據(jù)的鞋楦數(shù)控編程及其仿真[J];組合機床與自動化加工技術(shù);2004年07期

8 陳飛舟;陳志楊;丁展;葉修梓;張三元;;基于徑向基函數(shù)的殘缺點云數(shù)據(jù)修復(fù)[J];計算機輔助設(shè)計與圖形學(xué)學(xué)報;2006年09期

9 劉志軍;;基于三坐標測量機的點云數(shù)據(jù)測量規(guī)劃研究[J];黑龍江科技信息;2008年20期

10 王強;黃靜;;基于點云數(shù)據(jù)的反求特征約束識別方法[J];機械設(shè)計與制造;2010年12期

相關(guān)會議論文 前8條

1 閆龍;;攝影測量點云數(shù)據(jù)精簡研究[A];第二十九屆中國控制會議論文集[C];2010年

2 吳美金;;基于薄壁構(gòu)件的點云數(shù)據(jù)提取[A];全國射線數(shù)字成像與CT新技術(shù)研討會論文集[C];2009年

3 段文國;張愛武;蔡廣杰;;基于VTK的點云數(shù)據(jù)繪制研究與實現(xiàn)[A];《測繪通報》測繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

4 張偉忠;張順海;于德敏;;點云數(shù)據(jù)與建模軟件的接口設(shè)計[A];全國第13屆計算機輔助設(shè)計與圖形學(xué)（CAD/CG）學(xué)術(shù)會議論文集[C];2004年

5 呂瓊瓊;楊曉暉;楊唐文;韓建達;莊嚴;;激光雷達點云數(shù)據(jù)的三維建模技術(shù)[A];2009年中國智能自動化會議論文集（第二分冊）[C];2009年

6 劉佳;張愛武;楊麗萍;;室內(nèi)場景激光點云數(shù)據(jù)的三維建模[A];《測繪通報》測繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

7 黃承亮;吳侃;劉虎;;基于三維TIN的格網(wǎng)化點云數(shù)據(jù)特征提取[A];數(shù)字測繪與GIS技術(shù)應(yīng)用研討交流會論文集[C];2008年

8 余燁;張高峰;朱曉強;凌實;劉曉平;袁曉輝;Bill P.Buckles;;基于LiDAR數(shù)據(jù)的輔助洪水災(zāi)害評估方法[A];全國第19屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集（上冊）[C];2008年

相關(guān)博士學(xué)位論文 前10條

1 趙江洪;古建筑散亂點云基準面的提取與擬合[D];武漢大學(xué);2012年

2 谷曉英;三維重建中點云數(shù)據(jù)處理關(guān)鍵技術(shù)研究[D];燕山大學(xué);2015年

3 胡峰俊;三維離散點云數(shù)據(jù)的預(yù)處理和配準技術(shù)研究[D];浙江工業(yè)大學(xué);2015年

4 董秀軍;三維空間影像技術(shù)在地質(zhì)工程中的綜合應(yīng)用研究[D];成都理工大學(xué);2015年

5 張學(xué)昌;基于點云數(shù)據(jù)的復(fù)雜型面數(shù)字化檢測關(guān)鍵技術(shù)研究及其系統(tǒng)開發(fā)[D];上海交通大學(xué);2006年

6 趙煦;基于地面激光掃描點云數(shù)據(jù)的三維重建方法研究[D];武漢大學(xué);2010年

7 張會霞;三維激光掃描點云數(shù)據(jù)組織與可視化研究[D];中國礦業(yè)大學(xué)（北京）;2010年

8 孫曉東;人體點云數(shù)據(jù)處理中若干問題的研究[D];北京工業(yè)大學(xué);2012年

9 張帆;點云數(shù)據(jù)幾何處理方法研究[D];西北大學(xué);2013年

10 鐘良;LiDAR同機影像輔助點云分類相關(guān)技術(shù)研究[D];武漢大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 饒杰;基于激光點云數(shù)據(jù)的建筑物快速三維建模[D];中國地質(zhì)大學(xué)(北京);2015年

2 李國瑞;車載LiDAR點云中的車輛自動檢測技術(shù)[D];長安大學(xué);2015年

3 江靜;建筑物L(fēng)iDAR點云數(shù)據(jù)特征檢測及配準關(guān)鍵技術(shù)研究[D];集美大學(xué);2015年

4 喻W毶，

本文編號：2061068