一種建筑物激光掃描點(diǎn)云數(shù)據(jù)的聚類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種建筑物激光掃描點(diǎn)云數(shù)據(jù)的聚類方法。
【背景技術(shù)】
[0002] 古建筑是人類文明的重要標(biāo)志，是文化信息的特殊載體。因此，繼承和保護(hù)古建筑 是當(dāng)代人不可推卸的責(zé)任。但是由于目前經(jīng)濟(jì)的發(fā)展和城市建設(shè)，以及古建筑被歲月侵蝕， 使很多大型古建筑產(chǎn)生了不同程度的變形和破壞，古建筑保護(hù)面臨著嚴(yán)峻的形勢。
[0003] 三維彩色掃描技術(shù)具有快速性，不接觸性，穿透性，實(shí)時(shí)、動(dòng)態(tài)、主動(dòng)性，高密度、高 精度，數(shù)字化、自動(dòng)化等特性，隨著其測量精度、掃描速度、空間解析度等方面的進(jìn)步和價(jià)格 的降低，在古建筑保護(hù)方面得到越來越廣泛的應(yīng)用。它采用非接觸式測量手段，可以在不損 傷物體的情況下，深入到復(fù)雜的環(huán)境和現(xiàn)場進(jìn)行掃描操作，并直接將各種大型的、復(fù)雜的、 不規(guī)則實(shí)體的三維數(shù)據(jù)完整地采集到計(jì)算機(jī)中，從而快速重構(gòu)出掃描物體的三維模型。同 時(shí)，它所采集的三維激光點(diǎn)云數(shù)據(jù)不僅包含目標(biāo)的空間信息，而且記錄了目標(biāo)的反射強(qiáng)度 信息和色彩灰度信息。
[0004] 利用三維激光掃描儀可以快速的獲取建筑的三維點(diǎn)云模型，點(diǎn)云數(shù)據(jù)中的每個(gè)點(diǎn) 都包涵顯性的三維坐標(biāo)?；邳c(diǎn)云數(shù)據(jù)，可以實(shí)現(xiàn)簡單的建筑物三維瀏覽和漫游。然而，一 方面單純的點(diǎn)云數(shù)據(jù)結(jié)構(gòu)數(shù)據(jù)量龐大，難以適用于古建筑物的高效漫游和瀏覽，另一方面 由于無法提供語義（semantic)級別的信息，無法進(jìn)行更高層次的分析研究，因此需要在此 基礎(chǔ)上進(jìn)一步對點(diǎn)云數(shù)據(jù)進(jìn)行處理，從而提取和重建物體的三維結(jié)構(gòu)，以實(shí)現(xiàn)顯示，分析、 量測、仿真、模擬、監(jiān)測，存儲，檢索等功能。而目前點(diǎn)云數(shù)據(jù)處理目前很大程度上需要人機(jī) 交互，自動(dòng)化程度較低。
[0005] 數(shù)據(jù)分割是點(diǎn)云數(shù)據(jù)特征提取和三維建模的重要步驟。Rabbanietal(2006)描 述數(shù)據(jù)分割為點(diǎn)云數(shù)據(jù)的逐點(diǎn)標(biāo)識過程，具有相同標(biāo)識的點(diǎn)被認(rèn)為屬于同一表面或區(qū)域， 那些在連續(xù)區(qū)域內(nèi)具有相似特征的點(diǎn)被分割到一個(gè)子集。
[0006] 當(dāng)前的點(diǎn)云分割算法主要包括四類：基于聚類的分割、基于區(qū)域增長的分割、基于 模型擬合的分割以及其他混合分割算法。
[0007] -般聚類算法大致包括五種：層次方法、劃分方法、基于密度的方法、基于模型的 方法和基于網(wǎng)格的方法。
[0008] 基于密度的聚類方法認(rèn)為，簇是數(shù)據(jù)空間中被低密度區(qū)域分割開的高密度對象區(qū) 域，而稀疏數(shù)據(jù)區(qū)域中的數(shù)據(jù)被認(rèn)為是噪聲數(shù)據(jù)。該算法設(shè)定一定的閥值，只要某點(diǎn)鄰近區(qū) 域的密度大于這個(gè)閾值，聚類就可以繼續(xù)進(jìn)行。這類方法可以發(fā)現(xiàn)任意形狀的聚類，并能 過濾"噪聲"數(shù)據(jù)?？梢园l(fā)現(xiàn)任意形狀的簇是該算法的最大優(yōu)點(diǎn)，其主要缺點(diǎn)是對用戶定義 的密度參數(shù)比較敏感，不同的閥值對于聚類的結(jié)果影響比較大。該類方法的典型算法包括 DBSCAN算法（Density-BasedSpatialClusteringofApplicationswithNoise)等。

【發(fā)明內(nèi)容】

[0009] 由于古建筑物點(diǎn)云數(shù)據(jù)在高斯球面或者其他曲線上的二維數(shù)據(jù)的聚類有多種形 狀，并且其中存在大量的噪音點(diǎn)。因此基于密度的聚類方法比較適用于該類數(shù)據(jù)的聚類。針 對古建筑點(diǎn)云數(shù)據(jù)的特點(diǎn)，本發(fā)明提出了基于DBSCAN算法改進(jìn)的AQ-DBSCAN算法，并提供 一種利用AQ-DBSCAN算法對建筑物激光掃描點(diǎn)云數(shù)據(jù)的聚類方法，本發(fā)明的AQ-DBSCAN算 法解決了 DBSCAN算法中的鄰域半徑的自動(dòng)估算問題，以及有效選取代表點(diǎn)即聚類中擴(kuò)散 時(shí)減少運(yùn)算量以快速進(jìn)行密度聚類處理的問題。
[0010] 本發(fā)明將AQ-DBSCAN算法應(yīng)用到古建筑點(diǎn)云數(shù)據(jù)的聚類中，以得到點(diǎn)云中的點(diǎn)屬 于建筑物中哪個(gè)部位，為此，本發(fā)明提供的技術(shù)方案為：
[0011] -種建筑物激光掃描點(diǎn)云數(shù)據(jù)的聚類方法，包括：
[0012] 步驟一、將對建筑物進(jìn)行激光掃描后得到的三維點(diǎn)云數(shù)據(jù)中的每個(gè)點(diǎn)都轉(zhuǎn)化為二 維數(shù)據(jù)，獲得點(diǎn)云的二維數(shù)據(jù)的集合X;
[0013] 步驟二、指定密度閾值最小包含點(diǎn)數(shù)MinPts，對于集合X中的任意一個(gè)點(diǎn)，計(jì)算與 該點(diǎn)距離最近的最小包含點(diǎn)數(shù)MinPts個(gè)對象的最遠(yuǎn)距離，并統(tǒng)計(jì)集合X中所有點(diǎn)的最遠(yuǎn) 距離的最大值和最小值；
[0014] 步驟三、將最遠(yuǎn)距離的最大值和最小值的差值m分成n等份，以點(diǎn)云中產(chǎn)生最遠(yuǎn)距 離的最小值的點(diǎn)為圓心，以等份的間距m/n為單位逐級遞增值為半徑，做出n個(gè)圓，計(jì)算每 個(gè)圓內(nèi)點(diǎn)的數(shù)量；
[0015] 步驟四、以差值m作為橫坐標(biāo)，以等份的間距m/n作為橫坐標(biāo)的遞增單位區(qū)間，以 每個(gè)圓內(nèi)點(diǎn)的數(shù)量Nm為縱坐標(biāo)，繪制坐標(biāo)圖，并擬合坐標(biāo)圖上的點(diǎn)，形成繪制曲線；
[0016] 步驟五、尋找所繪制的曲線的拐點(diǎn)，將該拐點(diǎn)對應(yīng)的橫坐標(biāo)的數(shù)值作為鄰域半徑 〇的取值；
[0017] 步驟六、以密度閾值MinPts和鄰域半徑〇為條件建立AQ-DBSCAN算法，并用 AQ-DBSCAN算法對集合X中的點(diǎn)進(jìn)行聚類，以得到所述點(diǎn)云中的點(diǎn)屬于該建筑物中哪個(gè)部 位的聚類分析。
[0018] 優(yōu)選的是，所述的建筑物激光掃描點(diǎn)云數(shù)據(jù)的聚類方法中，所述步驟六包括：
[0019] 6. 1)以點(diǎn)云中產(chǎn)生最遠(yuǎn)距離的最小值的點(diǎn)為圓心，以鄰域半徑0為半徑，畫出第 一級圓，如果該第一級圓中的點(diǎn)的個(gè)數(shù)小于MinPts，則消除該第一級圓，如果大于MinPts; 則繼續(xù)6. 2)
[0020] 6. 2)以c 〇其中0 < c < 1為半徑，畫出第一級子圓，若第一級圓和第一級子圓之 間的環(huán)形區(qū)域中的點(diǎn)的個(gè)數(shù)小于MinPts，則選取環(huán)形區(qū)域中所有的點(diǎn)作為第二級圓心；若 環(huán)形區(qū)域中的點(diǎn)的個(gè)數(shù)大于等于MinPts，則選取MinPts個(gè)點(diǎn)作為第二級圓心；
[0021] 6. 3)以所選取的第二級圓心為圓心，以鄰域半徑〇為半徑，畫出至少一個(gè)第二級 圓，如果任一個(gè)第二級圓中的點(diǎn)的個(gè)數(shù)小于MinPts，則消除該第二級圓，如果大于MinPts; 則重復(fù)執(zhí)行步驟6. 2)和6. 3)，逐級畫圓，直到所畫出來的圓均被消除為止；
[0022] 6.4)將所有級別的圓中的點(diǎn)聚為一類，并在所述點(diǎn)云中去除，而對剩余的點(diǎn)云中 的點(diǎn)重復(fù)執(zhí)行步驟二到步驟六的操作。
[0023] 優(yōu)選的是，所述的建筑物激光掃描點(diǎn)云數(shù)據(jù)的聚類方法中，所述步驟6. 2)中，選 取MinPts個(gè)點(diǎn)作為第二級圓心的方法為：
[0024] 在該環(huán)形區(qū)域中，首先選取離第一級圓心距離最遠(yuǎn)的點(diǎn)作為第一點(diǎn)，然后選取距 離該第一點(diǎn)的距離最遠(yuǎn)的點(diǎn)作為第二點(diǎn)，然后選取距離該第一點(diǎn)和第二點(diǎn)的距離之和最遠(yuǎn) 的點(diǎn)作為第三點(diǎn)，按照此規(guī)律直到選取出第MinPts個(gè)點(diǎn)。
[0025] 優(yōu)選的是，所述的建筑物激光掃描點(diǎn)云數(shù)據(jù)的聚類方法中，所述MinPts為4。
[0026] 優(yōu)選的是，所述的建筑物激光掃描點(diǎn)云數(shù)據(jù)的聚類方法中，所述c為3/4。
[0027] 優(yōu)選的是，所述的建筑物激光掃描點(diǎn)云數(shù)據(jù)的聚類方法中，所述拐點(diǎn)為斜率變化 最大的點(diǎn)。
[0028] 優(yōu)選的是，所述的建筑物激光掃描點(diǎn)云數(shù)據(jù)的聚類方法中，所述步驟一中，對建筑 物進(jìn)行激光掃描后得到的三維點(diǎn)云數(shù)據(jù)中的每個(gè)點(diǎn)都映射到高斯球從而轉(zhuǎn)化為二維數(shù)據(jù)。
[0029] 下面介紹DBSCAN算法的基本概念。
[0030] DBSCAN 算法：
[0031] 點(diǎn)集X中一點(diǎn)\處的密度一般可以做如下定義：
[0032]
【主權(quán)項(xiàng)】
1. 一種建筑物激光掃描點(diǎn)云數(shù)據(jù)的聚類方法，其特征在于，包括： 步驟一、將對建筑物進(jìn)行激光掃描后得到的H維點(diǎn)云數(shù)據(jù)中的每個(gè)點(diǎn)都轉(zhuǎn)化為二維數(shù) 據(jù)，獲得點(diǎn)云的二維數(shù)據(jù)的集合X ; 步驟二、指定密度闊值最小包含點(diǎn)數(shù)MinPts，對于集合X中的任意一個(gè)點(diǎn)，計(jì)算與該點(diǎn) 距離最近的最小包含點(diǎn)數(shù)MinPts個(gè)對象的最遠(yuǎn)距離，并統(tǒng)計(jì)集合X中所有點(diǎn)的最遠(yuǎn)距離的 最大值和最小值； 步驟H、將最遠(yuǎn)距離的最大值和最小值的差值m分成n等份，W點(diǎn)云中產(chǎn)生最遠(yuǎn)距離的 最小值的點(diǎn)為圓也，W等份的間距m/n為單位逐級遞增值為半徑，做出n個(gè)圓，計(jì)算每個(gè)圓 內(nèi)點(diǎn)的數(shù)量； 步驟四、W差值m作為橫坐標(biāo)，W等份的間距m/n作為橫坐標(biāo)的遞增單位區(qū)間，W每個(gè) 圓內(nèi)點(diǎn)的數(shù)量為縱坐標(biāo)，繪制坐標(biāo)圖，并擬合坐標(biāo)圖上的點(diǎn)，形成繪制曲線； 步驟五、尋找所繪制的曲線的拐點(diǎn)，將該拐點(diǎn)對應(yīng)的橫坐標(biāo)的數(shù)值作為鄰域半徑0的 取值； 步驟六、W密度闊值MinPts和鄰域半徑0為條件建立AQ-DBSCAN算法，并用 AQ-DBSCAN算法對集合X中的點(diǎn)進(jìn)行聚類，W得到所述點(diǎn)云中的點(diǎn)屬于該建筑物中哪個(gè)部 位的聚類分析。
2. 如權(quán)利要求1所述的建筑物激光掃描點(diǎn)云數(shù)據(jù)的聚類方法，其特征在于，所述步驟 六包括： 6.1) W點(diǎn)云中產(chǎn)生最遠(yuǎn)距離的最小值的點(diǎn)為圓也，W鄰域半徑0為半徑，畫出第一級 圓，如果該第一級圓中的點(diǎn)的個(gè)數(shù)小于MinPts,則消除該第一級圓，如果大于MinPts ;則繼 續(xù) 6. 2) 6.2) Wco其中0<c<l為半徑，畫出第一級子圓，若第一級圓和第一級子圓之間的 環(huán)形區(qū)域中的點(diǎn)的個(gè)數(shù)小于MinPts,則選取環(huán)形區(qū)域中所有的點(diǎn)作為第二級圓也；若環(huán)形 區(qū)域中的點(diǎn)的個(gè)數(shù)大于等于MinPts,則選取MinPts個(gè)點(diǎn)作為第二級圓也； 6.3) W所選取的第二級圓也為圓也，W鄰域半徑0為半徑，畫出至少一個(gè)第二級圓， 如果任一個(gè)第二級圓中的點(diǎn)的個(gè)數(shù)小于MinPts，則消除該第二級圓，如果大于MinPts ;貝。 重復(fù)執(zhí)行步驟6. 2)和6. 3)，逐級畫圓，直到所畫出來的圓均被消除為止； 6.4) 將所有級別的圓中的點(diǎn)聚為一類，并在所述點(diǎn)云中去除，而對剩余的點(diǎn)云中的點(diǎn) 重復(fù)執(zhí)行步驟二到步驟六的操作。
3. 如權(quán)利要求2所述的建筑物激光掃描點(diǎn)云數(shù)據(jù)的聚類方法，其特征在于，所述步驟 6. 2)中，選取MinPts個(gè)點(diǎn)作為第二級圓也的方法為： 在該環(huán)形區(qū)域中，首先選取離第一級圓也距離最遠(yuǎn)的點(diǎn)作為第一點(diǎn)，然后選取距離該 第一點(diǎn)的距離最遠(yuǎn)的點(diǎn)作為第二點(diǎn)，然后選取距離該第一點(diǎn)和第二點(diǎn)的距離之和最遠(yuǎn)的點(diǎn) 作為第H點(diǎn)，按照此規(guī)律直到選取出第MinPts個(gè)點(diǎn)。
4. 如權(quán)利要求1或3所述的建筑物激光掃描點(diǎn)云數(shù)據(jù)的聚類方法，其特征在于，所述 MinPts 為 4。
5. 如權(quán)利要求4所述的建筑物激光掃描點(diǎn)云數(shù)據(jù)的聚類方法，其特征在于，所述C為 3/4。
6. 如權(quán)利要求1所述的建筑物激光掃描點(diǎn)云數(shù)據(jù)的聚類方法，其特征在于，所述拐點(diǎn) 為斜率變化最大的點(diǎn)。
7.如權(quán)利要求1所述的基于AQ-DBSCAN算法的點(diǎn)云的聚類方法，其特征在于，所述步驟 一中，對建筑物進(jìn)行激光掃描后得到的H維點(diǎn)云數(shù)據(jù)中的每個(gè)點(diǎn)都映射到高斯球從而轉(zhuǎn)化 為二維數(shù)據(jù)。
【專利摘要】本發(fā)明公開了一種建筑物激光掃描點(diǎn)云數(shù)據(jù)的聚類方法，包括：將點(diǎn)云數(shù)據(jù)轉(zhuǎn)化為二維數(shù)據(jù)，獲得集合X；指定密度閾值MinPts，對于X中任意一點(diǎn)，計(jì)算與該點(diǎn)距離最近的MinPts個(gè)對象的最遠(yuǎn)距離，并統(tǒng)計(jì)所有點(diǎn)最遠(yuǎn)距離的最大和最小值；將最遠(yuǎn)距離的最大和最小值的差值分成n等份，以產(chǎn)生最遠(yuǎn)距離的最小值的點(diǎn)為圓心，以等份的間距為單位逐級遞增值為半徑做圓，計(jì)算每個(gè)圓內(nèi)的點(diǎn)數(shù)；以差值為橫坐標(biāo)，以每個(gè)圓內(nèi)的點(diǎn)數(shù)為縱坐標(biāo)，擬合形成曲線；尋找曲線的拐點(diǎn)，將拐點(diǎn)對應(yīng)的橫坐標(biāo)的數(shù)值作為σ的取值；以MinPts和σ為條件建立AQ-DBSCAN算法，并對X中的點(diǎn)進(jìn)行聚類，以得到點(diǎn)云中的點(diǎn)屬于該建筑物中哪個(gè)部位的聚類分析。
【IPC分類】G06K9-62
【公開號】CN104573705
【申請?zhí)枴緾N201410539285
【發(fā)明人】趙江洪, 王晏民, 張瑞菊, 郭明
【申請人】北京建筑大學(xué)
【公開日】2015年4月29日
【申請日】2014年10月13日