申请/专利权人:绍兴文理学院
申请日:2024-01-03
公开(公告)日:2024-04-12
公开(公告)号:CN117876589A
主分类号:G06T17/00
分类号:G06T17/00;G06V10/762
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.30#实质审查的生效;2024.04.12#公开
摘要:一种空地三维实景建模的最优K值确定方法,针对地面三维激光扫描点云数据,首先抽取部分数据采用MiniBatchK‑Medoids算法随机选取K0个样本作为初始聚类中心;针对数据集中的每个样本,计算其到K0个聚类中心点的距离,并分配给距离最小的聚类中心所对应的类中;针对每个类别ci,重新计算聚类中心;获取不同K值下的聚类结果,计算数据中每个簇的点到其聚类中心点的误差平方和,绘制误差平方和随K值的变化规律图,SSE在减小过程中减小程度达到最大时对应的K值或下降突然变缓时对应的拐点即为最优K值。本发明提高模型计算效率和特征点数量选取的准确度。
主权项:1.一种空地三维实景建模的最优K值确定方法,其特征在于,所述方法包括以下步骤:1针对地面三维激光扫描点云数据,首先抽取部分数据采用MiniBatchK-Medoids算法随机选取K个样本作为初始聚类中心C={c1,c2,...,cK};2针对数据集中的每个样本,计算其到K个聚类中心点的距离,并分配给距离最小的聚类中心所对应的类中dmin={|pi-m1|,|pi-m2|,…,|pi-mj|}i=1,2,···,n,j=1,2,···,K,mj是聚类中心,pi是簇内点,dmin是簇内点与每个簇中心点之间的最小距离;3重复步骤2、3,获取不同K值下的聚类结果,计算数据中每个簇的点到其聚类中心点的误差平方和4绘制误差平方和SSE随K值的变化规律图,SSE在减小过程中减小程度达到最大时对应的K值或下降突然变缓时对应的拐点即为最优K值。
全文数据:
权利要求:
百度查询: 绍兴文理学院 一种空地三维实景建模的最优K值确定方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。