典型文献
基于二分K-means聚类的曲率分级点云数据精简优化算法研究
文献摘要：
针对单一精简算法无法精确保留模型特征信息、易造成点云表面孔洞等问题,提出了一种基于二分K-means聚类的曲率分级优化精简算法.首先采用最小二乘法对邻域进行曲面拟合,计算曲率值,依据曲率值划分显著特征区与非显著特征区,其次采用二分K-means聚类划分非显著特征区,依据子簇的曲率阈值筛选保留具有特征重要性的亚特征点,最后合并更新显著特征区的数据集和亚特征点,得到简化结果.通过仿真实验,从算法运行速度和信息熵两方面与空间包围盒法、曲率精简算法进行对比分析,结果表明,该算法在精简质量上优于其他两种算法,在点云数据重建方面具有一定的应用价值.
文献关键词：
点云数据;二分K-means聚类;曲率简化
中图分类号：
作者姓名：
李佩佩;崔凤英
作者机构：
青岛科技大学自动化与电子工程学院 青岛266061
文献出处：
引用格式：
[1]李佩佩;崔凤英-.基于二分K-means聚类的曲率分级点云数据精简优化算法研究)[J].电子测量技术,2022(04):66-71
A类：
曲率分级,曲率简化
B类：
means,点云数据精简,算法研究,精简算法,模型特征,特征信息,云表,面孔,孔洞,分级优化,邻域,进行曲,曲面拟合,显著特征,特征区,阈值筛选,具有特征,特征重要性,亚特,特征点,运行速度,信息熵,包围盒法,数据重建
AB值：
0.317229
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
